文集 | 社交网络服务的用户持续使用意愿的影响因素模型探究

2018-05-09 | 文集,入选论文
 

UXPA中国2018行业文集征稿正在进行中

点击查看《 行业文集征稿启事 》

 

2017年学术论文欣赏

 

本文段落精选

 

 

 

正向情感能直接影响用户对产品的采纳意愿,提高用户的持续使用意愿。

 

享受感是吸引人们使用网络购物服务意愿的重要动力

 

愉快感显著促进移动服务的使用

 

期望确认是用户期望与社交网络平台实际表现之间一致性的认知

 

...

 

 

社交网络服务的用户持续使用意愿的影响因素模型探究

徐睿,张雅文,苏文亮

     福州大学

 

关键字:社交网络服务,持续使用意愿,情感反应

 

 

1. 引言

1.1现实背景

 

随着互动分享式社交成为全球最风靡的社交方式,社交网络服务(Social Networking Service, SNS)已成为各大运营商的争相追逐的热点。然而,国内外的社交网络服务平台发展显现出不容乐观的局面,普遍面临用户流失的问题。据谷歌搜索调查,Myspace和Friendster从2009年建立到2012年,网站流量均出现了不断减少的局面;同样地,国内社交网站也面临消极的发展态势,例如2015年2月人人网站内信的下线,意味着人人网时代的谢幕;2016年9月7日,企鹅智酷所发布的2016微博用户研究报告指出:微博流失的用户比例(28.9%)高于新增用户(11.6%),其中高知群体流失严重。至今,为在行业竞争中取得优势,探究如何改进自己的产品,增加用户粘性,提高用户的持续使用意愿,一直备受各大社交网络服务平台的重视。立足于当前社交网络服务平台发展的现实诉求,本研究旨在探讨如何增加用户持续使用意愿,减少用户流失,为当下社交网络服务平台的发展提供理论指导。

 

1.2  理论背景

1.2.1 正向情感——满意

 

已有研究发现,正向情感能直接影响用户对产品的采纳意愿,提高用户的持续使用意愿。如 Koufaris发现[1],享受感是吸引人们使用网络购物服务意愿的重要动力;Beaudry等[2]同样证实愉快感(Happiness)显著促进移动服务的使用;韩超群等[3]发现,感知愉悦性是影响用户移动阅读体验的关键要素。

本研究将满意作为用户持续使用平台的正向情感响应。Lin H等[4]发现满意与持续使用意愿之间存在显著的正相关。已有的研究显示,用户在使用社交网络服务中所感知到的满意度越高,用户持续使用该社交网络服务的意愿就越强。其中,满意度可能的影响因素有期望确认(Expectation confirmation)和预期努力(Effort expectancy)。

期望确认是用户期望与社交网络平台实际表现之间一致性的认知。社交媒体服务作为一种全新的信息收集、生成和分享平台,提供多种形式的信息分享途径和方式。当个人期望与某社交网络平台的实际表现相匹配,用户就会产生满意,进而选择继续使用该社交网络平台。Larsen 等[5]研究证实期望确认度越高的用户更容易产生满意。

预期努力(Effort expectancy)在概念上类似于感知的易用性,包括用户对产品易用性和复杂性的觉知[6]。Cayetano等研究发现,预期努力是影响在线网络服务满意度的因素之一[7]。Lankton等研究得出易用性是影响社交网络服务用户的持续使用意愿的重要因素[8]。Chang等人关于社交网络服务的研究表明,预期努力和持续使用意愿呈显著正相关[9]。因此,社交网络平台给用户提供更流畅的交互体验、更易识别的导航标签、更简单的信息架构,将有助于满足用户对产品易用性的需求。

基于前人研究,提出以下假设:

 

H1:期望确认度正向预测用户的持续使用意愿,即期望确认度越高,持续使用意愿越高。

H2:满意在期望确认度和用户的持续使用意愿的关系中存在中介作用。

H3:预期努力负向预测用户的持续使用意愿,即预期努力越高,持续使用意愿越低。

H4:满意在预期努力和用户的持续使用意愿的关系中存在中介作用。

 

1.2.2 负向情感——担忧

 

针对负向情感对信息系统采纳阻碍作用的探讨,Venkatesh 等人[6]和 Beaudry 等人[2]发现焦虑是阻碍人们使用计算机和互联网服务的意愿的关键要素。移动服务接受度研究中,Deng[10]发现,技术焦虑阻碍了中国老年人用户对移动健康服务的接受程度;Kathryn[11]的研究表明,信息通讯技术的焦虑感会削弱人们对于移动学习服务的易用性认知,进而放弃使用该服务。因此,本文尝试将担忧作为用户持续使用社交网络服务意愿的负向情感响应。基于恐惧诉求理论的风险评估和效用评估过程,担忧(Fear)是唤醒个体采取保护动机的重要内驱力,若难以找到降低风险的方法或者个体无法实施这种方法,则个体会通过恐惧控制的方式(Fear-control process)来拒绝行为的产生。基于已有研究,用户在使用社交媒体服务中感知到的担忧将阻碍用户的持续使用意愿。

 

图1 模型假设

 

基于前人研究,担忧可能的影响因素有感知风险(Perceived risk)和信任(Trust)。

Zhou和Li[12]的研究表明,感知风险(Perceived risk)受到隐私问题的影响。研究表明[13],人们对于他人或平台对自己信息的二次使用表示担忧,因为他们不知道自己的人信息将会被以何种方式用作何种用途。

信任(Trust)的操作性定义是用户相信社交平台的诚实(Honesty)、正直(Integrity)以及拥有保护用户私人信息的能力的程度[9]。Hammer [14]结合需要满足理论(Need to Belong theory)和动机趋力理论(Approach-avoidance motivation theory),探讨社交网站中人际信任对担忧的影响以及产生回避动机的原因。Zhou和Li[12]发现,信任(Trust)对用户持续使用意愿具有直接影响,且用户对社交平台的信任感可以正向影响持续使用意愿。

基于前人研究,提出以下假设:

 

H5:感知风险负向预测用户的持续使用意愿,即风险水平越高,持续使用意愿越低。

H6:担忧在感知风险和用户的持续使用意愿中存在中介作用。

H7:信任正向预测用户的持续使用意愿,即信任程度越高,持续使用意愿越高。

H8:信任程度在信任和用户的持续使用意愿中存在中介作用。

 

综上,本研究通过建立一个较为完善的社交网络服务的用户持续使用意愿的影响因素模型,探究预期努力、感知风险、信任、期望确认、满意、担忧等因素对社交网络服务的用户持续使用意愿的影响(具体模型假设见图1),弥补与完善前人在影响因素研究上的不足,并为各大社交网络服务平台的产品功能优化提供科学的理论支持,以提高用户持续使用意愿,增强用户粘性。

 

 

2. 研究设计

2.1 被试

 

选取中国最典型的社交网络服务平台之一:新浪微博,并将正在使用新浪微博或具有新浪微博使用经验的大学生被试作为问卷调查目标群体;采取方便取样方式进行调查使用问卷星平台(https://sojump.com/jq/12771826.aspx)的方式编辑、发放和收集问卷。最后,回收276份问卷,剔除无效问卷18份,其中11份问卷所有题目选同一答案,7份问卷回答时长低于50秒。回收有效问卷258份,有效回收率93.5%。

 

2.2 研究工具

 

采用前人相关研究中使用过的具有良好信效度的量表对个体满意、担忧、期望确认、预期努力、感知风险、信任和持续使用意愿7个变量进行测量。整个量表(含7个变量)共计24题,采用 Likert 5 级评分,1~5 分别代表完全不同意、基本不同意、中立、基本同意和完全同意。调查内容及量表来源如表1所示。

 

 

3.  研究结果

3.1 信效度分析

3.1.1 信度

 

信度是指各个观察变量的可信程度,Nunnally指出,信度系数(Cronbach’s α)在0.7以上为良好[15]。本研究以SPSS进行满意、担忧、期望确认、预期努力、感知风险、信任以及持续使用意愿这7个构念的信度检测,若Cronbach’s α低于0.7予以删除。

经信度分析可知,本研究采用的满意、担忧、期望确认、预期努力、感知风险、信任以及持续使用意愿这7个分量表的Cronbach’s α系数分别为0.801、0.842、0.743、0.762、0.786、0.727、0.728;由表1显示,本研究采用的量表符合Cronbach’s α值大于0.7的标准,具有一定的稳定性和准确性。

 

 

3.1.2 收敛效度

 

验证式因素分析(Confirmatory Factor Analysis, CFA)为SEM分析的一部分。本研究的CFA测量模式变量缩减根据 Kline的二阶段模式修正,在执行结构模型评估前先检验测量模型,如果发现测量模型配适度是可接受的,那么再进行第二步骤,进行完整的SEM模型评估[16]。根据前人研究[17, 18],CFA分析的建议标准为:

 

1.因素负荷量大于0.5 ;

2.组成信度大于0.6;

3.平均变异数萃取量大于0.5为理想值,0.36~0.5为可接受范围;

4.多元相关系数的平方大于0.5。

 

针对所有构念进行CFA分析,模型的七个构念为预期努力、期望确认、感知风险、信任、持续使用意愿、满意及担忧,所有构念的负荷量均在0.596~0.859 之间,且达显著;其组成信度分别为0.73~0.843之间,平均变异数萃取量在0.454~0.642。

本模型的预期努力、期望确认、感知风险、信任、持续使用意愿构念的平均变异数萃取量AVE稍低于0.5,但仍属可接受范围,其余均符合标准,因此这7个构念均具有收敛效度,可用于之后的分析。

 

3.1.3 区分效度分析

 

区别效度分析是验证不同的两个构念相关在统计上是否有差异。本研究采用置信区间法[19],在95%的置信水平下,利用Bootstrap的估计方式,如果置信区间不包含 1,则拒绝虚无假设,称此两构念具有区分效度;反之,则两构念无区分效度。有学者认为,在估计路径系数时,Bootstrapping至少要 250 次以上[20],本研究执行Bootstrapping程序时设定重复抽样1000次,在95%信心水平下,估计标准化相关系数的置信区间,结果显示,所有的标准化相关系数置信区间均未包含1,因此表示所有构念与构念之间具有区别效度(见表3)。

 

 

3.2 共同方法偏差

 

共同方法偏差(Common method bias, 简称CMB),或称同源偏差,指的是两变量之间的关系偏离“真分数相关”的程度[21],由系统误差主要来源之一的共同方法变异引起[22]。本研究中,由于多个变量的数据均来自同一个被试,所以可能存在共同方法偏差;为此,我们采用的问卷的信任构念和预期努力构念为反向计分,且保证匿名性,可在一定程度上控制共同方法偏差的影响;并使用Harman单因子检验法评估同源偏差,即将所用的问卷条目放置一起,采取主成分分析进行降维;根据Ashford等学者的观点,因子分析得出多因子结构时,若第一个因子解释的变异量未超过40%,提示共同方法偏差不严重[23]。旋转后得到5个特征根值大于1的因子,且第一个因子解释的变异量为16.16%,远低于40%,因此可认为本研究不存在严重的共同方法偏差。

 

3.3 中介效应检验

 

本研究中有H2、H4、H6、H8四个中介假设,因此本研究采用系数乘积法(Product of Coefficients)以及信度区间法(Bootstrapping method)来检验中介效果。具体检验结果见表4。

在系数乘积法的检验中,Z值大于或等于绝对值1.96,即代表中介效果显著;而在信度区间法中,其判断方式为Bias-Corrected percentile method以及Percentile Method两种检验方式在95%的置信区间内,如果间接效果中Lower Bounds与Upper Bounds组成的区间不含零,则说明改路径中介效应存在。确定间接效果成立后,若直接效果的信赖区间也不包含零,表示存在部分中介效应,如信赖区间包含零,可知直接效果不存在,则表示存在完全中介效应[24]。

本研究中,bootstrap重复抽样2000次,在95%的置信区间水平下进行中介效果检定。

 

3.3.1 

满意在预期努力

对持续使用意愿的中介作用

 

结果显示,预期努力对持续使用意愿的总效果在Bias-Corrected 95%CI及Percentile 95%CI两种检测中Lower Bounds与Upper Bounds分别为0.482、 1.191以及0.476、 1.17。由于两种检测值皆未包含零,即说明其总效果存在。

间接效果在系数乘积法Z = 2.868,大于1.96,且Bias-Corrected 95%CI的高低值为0.022, 0.502,未包含零,可知间接效果存在,所以该路径存在中介作用,假设H4成立,满意在预期努力和用户的持续使用意愿中存在中介作用。

由于间接效果存在,则继续检验其直接效果,结果显示直接效果在信赖区间法的Bias-Corrected 95%CI及Percentile 95%CI两种检测中Lower Bounds与Upper Bounds分别为0.264、1.05以及0.249、1.043,皆未包含零,可知直接效果存在。所以本研究满意在预期努力和用户的持续使用意愿中存在部分中介作用。

 

3.3.2

满意在期望确认

对持续使用意愿的中介作用

 

结果显示,期望确认对持续使用意愿的总效果在系数乘积法中Z = 2.007大于1.96,即可知总效果存在。

间接效果在信赖区间法的Bias-Corrected 95%CI的高低值为0.02、0.755,未包含零,可知间接效果存在,所以该路径存在中介作用,假设H2成立,满意在期望确认和用户的持续使用意愿中存在中介作用。

由于中介效果成立,本研究继续检验直接效果,结果显示直接效果在信赖区间法的Bias-Corrected 95%CI及Percentile 95%CI两种检测中Lower Bounds与Upper Bounds分别为-0.49、0.363以及-0.51、0.352,信赖区间皆包含零,可知直接效果不存在。所以本研究满意在期望确认和用户的持续使用意愿中存在完全中介作用。

 

3.3.3

担忧在信任对

持续使用意愿的中介作用

 

结果显示,信任对持续使用意愿的总效果在系数乘积法中Z = 3.57大于1.96,在Bias-Corrected 95%CI及Percentile 95%CI两种检测中Lower Bounds与Upper Bounds分别为0.203、0649以及0.206、0.656。两种检测值皆未包含零,即可知总效果存在。

间接效果在信赖区间法Percentile 95%CI检测中Lower Bounds与Upper Bounds分别为-0.155、-0.001,未包含零。所以该路径存在中介作用,假设H8成立,担忧在信任和用户的持续使用意愿中存在中介作用。

由于中介效果成立,本研究继续检验直接效果,结果显示直接效果在信赖区间法的Percentile 95% CI检测中Lower Bounds与Upper Bounds分别为-0.005、0.448,包含零,可知直接效果不存在。所以本研究担忧在信任和用户的持续使用意愿中存在完全中介作用。

 

3.3.4

担忧在感知风险对

持续使用意愿的中介作用

 

结果显示,感知风险对持续使用意愿的总效果在系数乘积法中Z = 0.186小于1.96,在Bias-Corrected 95%CI及Percentile 95%CI两种检测中Lower Bounds与Upper Bounds分别为-0.218、0.231以及-0.207、0.242。两种检测值皆包含零,即可知总效果不存在。所以假设H6不成立,担忧在感知风险对持续使用意愿的中介作用不存在。

 

3.4 整体模型检验

 

应用SEM作为理论模型的验证时,不错的模型配适度是SEM分析的必要条件[25],配适度愈好即代表模型矩阵与样本矩阵愈接近。本研究配适度指标参考同类研究,挑选了几个指标进行整体模式的配适度的评鉴,包括卡方检验、卡方与自由度的比值、拟合优度指数(Goodness of Fit Index, GFI)、调整后的拟合优度指数 (Adjusted Goodness of Fit Index, AGFI)、平均近似误差均方根 (Root Mean Square Error of Approximation, RMSEA)、非基准配适指标 (Non-Normed Fit Index, NNFI)、渐增式配适指标(Incremental Fit Index, IFI)、比较配适度指标 (Comparative Fit Index, CFI)、标准化圴方根值(Standardized Root Mean Square, SRMR)。

由表5可知,预期努力、期望确认对满意的回归系数显著;感知风险对担忧的回归系数显著,信任对担忧的回归系数不显著。满意对持续使用意愿的回归系数显著,担忧对持续使用意愿的回归系数边缘显著。

 

 

 

本研究的配适度指标χ2 = 497.196,χ2/df = 1.997 < 3,GFI = 0.867 > 0.9,AGFI = 0.834 > 0.8,RMESA = 0.062 < 0.08,SRMR = 0.0634 < 0.5,TLI(NNFI) = 0.886 > 0.8,IFI = 0.902 > 0.9,CFI = 0.901 > 0.9,其配适指标均符合一般SEM研究的标准,除了GFI 、AGFI及TLI不到 0.9 以上的标准,但仍然符合 Baumgartner和Homburg [26]及 Doll,Xia和Torkzadeh[27]建议的 0.8 以上的水平。所以整体而言,本研究的整体模型的各项配适度指标都在理想数值与可接受数值范围内,显示本研究模型配适度良好。

通过删除不显著的路径,重新使用Amos进行修正后的路径分析,保留显著的路径得到图2。

由表6可知,预期努力、期望确认对满意的回归系数显著;感知风险对担忧的回归系数显著,信任对担忧的回归系数边缘显著。满意、担忧、预期努力对持续使用意愿的回归系数显著,感知风险对持续使用意愿的回归系数边缘显著。

 

 

图2  修正后模型路径图

注:*** p<0.001;* p<0.05;† p<0.1

 

 

 

本研究修正后的整体模型的各项配适度指标都在理想数值与可接受数值范围内,并且所有指标都优于未修正后的模型,因此接受修正后的模型(χ2 = 456.822, χ2 /df = 1.919 < 3, GFI = 0.872 > 0.9, AGFI = 0.839 > 0.9, RMESA = 0.060 < 0.08, SRMR = 0.637 < 0.5, TLI(NNFI) = 0.895 > 0.9, IFI = 0.911> 0.9, CFI = 0.909 > 0.9)。

在研究假设方面,期望确认、信任对用户持续使用意愿的正向影响显著,研究假设H1,H7成立;预期努力、感知风险对用户的持续使用意愿负向影响显著,研究假设H3,H5成立。满意在期望确认和用户的持续使用意愿中存在完全中介作用,在预期努力和用户的持续使用意愿中存在部分中介作用,研究假设H2,H4成立。担忧在信任和用户的持续使用意愿中存在部分中介作用,研究假设H8成立。担忧在感知风险和用户的持续使用意愿中不存在中介作用,研究假设H7不成立。结果见表7。

 

 

4. 讨论

4.1 研究创新性与贡献

 

本研究立足于当下各社交网络服务平台的实际需要,从理论指导的可操作性出发,选取用户在使用平台过程中产生的认知和情感反应作为自变量,如预期努力是用户在使用平台过程中产生的对产品易用性的反应,为平台的优化提供高可行性的优化建议,力求能够在实务上解决社交网络服务平台中的用户流失问题。研究得到的理论模型具有较高的配适度,证明了持续使用意愿各因素的影响力,并且使用CAC范式从认知和情感因素的理论角度,透过情感反应的中介(满意、担忧),为研究社交网络服务的持续使用意愿提供了新的理论视角。

 

4.2 社交网络服务平台优化启示

 

根据国内外以往对持续使用意愿的探讨,大部分都直接探讨期望确认、感知风险、信任、满意度等影响因素对持续使用意愿的影响,而且这类探讨大多以整体层面衡量并以直接效果呈现,鲜少讨论中介效果对其的影响,所以本研究就针对期望确认、预期努力、感知风险、信任、满意、担忧与持续使用意愿进行整合研究,进一步将满意、担忧整合为情感响应作为中介因子,经分析发现:

 

1) 满意在预期努力与持续使用意愿的关系中发挥着中介作用

分析本研究的四个自变量因子中,预期努力连接到持续使用意愿的路径系数值0.59最高,因此在本研究中预期努力对持续使用意愿影响最大,并且预期努力透过满意的部分中介作用影响持续使用意愿。Cayetano等人[7]的研究发现,预期努力是影响在线网络服务满意度的因素之一。此外,根据Lankton等[28]的研究,易用性是影响社交网络服务用户的持续使用意愿的重要因素。该研究结果和前人的直接影响研究基本一致,并且证明了满意度的中介作用。所以从实务上,社交网络服务平台需要透过降低用户的预期努力,提高产品易用性,从而提高用户的满意度,提高产品的持续使用意愿。

 

2) 满意在期望确认与持续使用意愿的关系中起中介作用

本研究证明期望确认正向预测持续使用意愿,并且满意在二者的关系中起到完全中介作用,与Larsen 等人[5]的研究结果一致,证实期望确认度越高的用户越容易产生满意,并且完全透过满意影响用户的持续使用意愿。所以在实务上,提示我们社交网络服务平台需要满足用户功能上的需求,透过提高用户的期望确认,从而提高用户的满意度,提高用户对产品的持续使用意愿。

 

3) 感知风险负向影响用户持续使用意愿

本研究证明感知风险对用户持续使用意愿具有负向影响,并且不存在担忧的中介作用,这可能由于本研究的感知风险题目只有PR3涉及隐私问题。Zhou等研究表明,感知风险(perceived risk)受到隐私问题的影响,进而作用于用户持续意愿[12]。因此,社交网络服务平台在交互涉及中应重视保护隐私,以降低用户的风险感知。

 

4) 担忧在信任与持续使用意愿的关系中发挥着中介作用

本研究证明担忧在信任对持续使用意愿的影响起中介作用,与前人研究一致[12, 14]。这启示我们,社交网络服务平台可通过提高用户的信任,降低担忧,提高用户的持续使用意愿。

 

4.3 未来研究方向

 

尽管本研究通过中介效应检验得出,信任和期望确认正向预测持续使用意愿,感知风险和预期努力负向预测持续使用意愿;满意在期望确认和持续使用意愿的关系中存在完全中介作用;满意在预期努力和持续使用意愿的关系中存在部分中介作用;担忧在信任和持续使用意愿的关系中存在完全中介作用;担忧在感知风险和持续使用意愿的关系中不存在中介作用。但仍存在不足之处:首先,本研究采用自编式量表,并非较为成熟的被公认的量表,且收敛效度有限,故研究结果可能存在偏差,因而未来应采用更具可靠性的量表进一步研究。 其次,本研究仅探讨了用户自身的认知和情感反应对社交网络服务持续使用意愿的作用,Liang D(2008)研究表明,家庭、朋友及群组(influence from family/friends/group),特指身边的朋友、家庭及群组等对某一社交媒体的使用会影响使用者的行为,故后续可补充朋友、家人等重要他人对社交网络服务的态度对个体持续使用意愿的前因作用。再者,本研究仅探讨新浪微博这一社交网络服务平台,推广性受限。Keaveney[28]研究发现,公司的角色(firm characteristics),即不同社交网络服务平台主推的产品和服务,面向不同的群体,在用户的持续使用意愿上存在差异,故后续研究应平台间用户反应的差异加以探讨。

 

 

参考文献

 

[1] Koufaris M. Applying the technology acceptance model and flow theory to online consumer behavior [J]. Information systems research, 2002, 13(2): 205–223.

[2] Beaudry, A., Pinsonneault, A. The other side of acceptance: studying the direct and indirect effects of emotions on information technology use [J]. Management Information Systems Quarterly, 2010, 34(4): 689–710.

[3]  韩超群, 杨水清, 曹玉枝. 移动服务用户采纳行为的整合模型——基于移动阅读的实证研究[J]. 软科学, 2012, 26(3): 134–139.

[4]  Lin H, Fan, W., Chau, P. Y. Determinants of Users’ Continuance of Social Networking Sites: A Self-Regulation Perspective [J]. Information & Management, 2014, 51(5):595-603.

[5] Larsen T. J., The role of task-technology fit as users’ motivation to continue information system use [J]. Computers in Human Behavior, 2009, 25(3):778–784.

[6]  Venkatesh, V., Morris, M. G., Davis, G. B. et al. User acceptance of information technology: Toward a unified view [J]. MIS Quarterly, 2003, 27(3): 425–478.

[7] Medina C, Rufín R. Social media use and perception of transparency in the generation of trust in public services[C]//System Sciences (HICSS), 2015 48th Hawaii International Conference on. IEEE, 2015: 2425-2434.

[8]  Lankton, N. K., & McKnight, D. H. What does it mean to trust Facebook?: Examining technology and interpersonal trust beliefs [J]. The DATA BASE for Advances in Information Systems, 2011, 42(2): 32-54.

Chang, S. E., Liu, A. Y., & Shen, W. C. User trust in social networking services: A comparison of Facebook and LinkedIn [J]. Computers in Human Behavior, 2017, (69): 207–217.

[9]   Deng, Z., Mo, X., Liu S. Comparison of the middle-aged and older users’ adoption of mobile health services in China [J]. International Journal of Medical Informatics, 2014, 83(3): 210-224.

[10]  Kathryn, M. C., Jeffrey L., Kinshuk. Comparing the role of ICT literacy and anxiety in the adoption of mobile learning [J]. Computers in Human Behavior, 2014, 39: 8-19

[11] Zhou, T., & Li, H. Understanding mobile SNS continuance usage in China from the perspectives of social influence and privacy concern [J]. Computers in Human Behavior, 2014, 37(10): 283–289.

[12]  Solove, D. J. A taxonomy of privacy [J]. University of Pennsylvania Law Review, 2006, 154(3):477-564.

[13] Hammer B. The mechanisms of interpersonal privacy in social networking websites: A study of subconscious processes, social network analysis, and fear of social exclusion [M]. University of Arkansas, 2013.

[14]  Nunnally, Jum C. Psychometric theory [M]. New York: McGraw-Hill, 1978.

[15]  Kline, R. B. Principles and practice of structural equation modeling [M]. New York: Guilford, 2005.

[16]  Hair, J. F. Jr., Anderson, R. E., Tatham, R. L., & Black, W. C.. Multivariate data analysis (7th ed.)[M]. Upper saddle River, NJ: Prentice Hall, 2009.

[17]  Fornell, C., & Larcker, D. F. Evaluating structural equation models with unobservable variables and measurement error [J].  Journal of Marketing Research, 1981, 18, 39–50.

[18]   Torkzadeh, Koufteros, & Pflughoeft. Confirmatory analysis of computer self-efficacy [J].  Structural Equation Modeling, 2003, 10(2), 263–275.

[19]   Hancock, G. R., & Nevitt, J. Bootstrapping and the identification of exogenous latent variables within structural equation models. Structural Equation Modeling, 1999, 6(4), 394-399.

[20]   Teo, T. Considering common method variance in educational technology research [J]. British Journal of Educational Technology, 2011, 42, 94–96.

[21]   杜建政,  赵国祥,  刘金平. 测评中的共同方法偏差[J]. 心理科学, 2005, 28(2), 420–422.

[22]  Ashford, S. J., & Tsui, A. S. Self-regulation for managerial effectiveness: The role of active feedback seeking [J]. Academy of Management Journal, 1991, 34(2), 251–280.

[23]  Preacher, K. J., & Hayes, A. F. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models [J]. Behavior Research Methods, 2008, 40(3), 879–891.

[24]   Byrne, B. B. Structural equation modeling using AMOS [M]. Basic concepts, applications, and programming. 2nd Ed, New York: Routledge, 2010.

[25]   Baumgartner, H., & Homburg, G. Applications of structural equation modeling in marketing and consumer research a review [J]. International Journal of Research in Marketing, 1996, 13(2), 139-161.

[26]  Doll, W. J., Xia, W., & Torkzadeh, G. A confirmatory factor analysis of the end-user computing satisfaction instrument [J]. MIS Quarterly, 1994, 18(4), 357–369.

[27]  Keaveney, S. M, Customer switching behavior in service industries: An exploratory study [J]. The Journal of marketing, 1995, 59(2): 71-82.

 

最佳点击量文章查看

 

裸眼3D手机用户需求洞察

 

身心障碍共乘系统之服务调查与设计

 

民族志研究如何更好的在企业运用

 

数字界面汉子笔划粗细度对识别销量的影响研究

 

儿童设计思维启蒙创造力和创新力培养

 

探索时搜索中结果空间架构可视化研究

 

手游新手阶段中的引导及乐趣设计研究

 

Design with the Early Adapters——关于90后人群的住宅需求研究

 

数读信息爆炸时代的电影评分信任危机——以豆瓣电影平台为例的改良性设计

 

起步型工具产品数驱全流程设计研究  ——以营销推广工具阿里妈妈APP为例

 

基于家庭情感增进式服务设计研究  ——以阿尔兹海默症中国患者家庭为例

 

0   喜欢

操作成功!
请登录您的邮箱获取新密码,请尽快修改您的新密码!