用户自然和社会属性对网络搜索中语言使用行为的影响 (pdf document) free file download at fliiby.com

"情报分析与研究用户自然和社会属性对网络搜索中语言使用行为的影响赖茂生　　屈鹏 (北京大学信息管理系　北京 100871 ) 【摘要】以用户的自然、社会属性对用户在搜索中使用检索语言的影响为研究对象 ,旨在对影响用户行为的因素作探索性研究。综合网络调查问卷的分析结果和用户参与对比实验法 ,得出性别、年龄、学历和专业教育对用户语言使用影响的结论。对于此问题的研究 ,有助于认清搜索过程的影响因素 ,进而可以以此建模 ,改善搜索引擎的服务质量。【关键词】用户属性　信息搜索行为　检索语言　语言使用【分类号】G352 The I nfluences of Na tura l and Soc i l Properties of Users on the Language a Usage i W eb Search in g n Lai Maosheng　Qu Peng ( Department of Information Management, Peking University, Beijing 100871, China ) 【Abstract】This paper concerns on the influence of the natural and social p roperties on language usage in W eb searching, and seeks to make an exp loratory study on the elements that affect user’ behavior It synthesizes the results from W eb s . questionnaire survey and controlled experiment in which users participate, and comes to the conclusion on the difference a2 mong gender, age, educational background and p rofessional education in searching This research contributes to the study . on the elements that affect searching p rocess, the modeling of user behavior and the imp rovement of search engines’quali2 ty of service. 【Keywords】U ser p roperty　 Information searching behavior　Retrieval language　Language usage 1　　概述 1. 1　研究内容与现状　　本文是“ 用户网络搜索中的语言使用行为研究 ” 成果的一部分 ,主要考察网络用户的自然属性和社会属性 (包括性别、年龄、学历和专业教育 ) 对其语言使用行为的影响。在前期研究中 ,笔者设计了《用户浏览和搜索过程中词语使用情况调查》问卷 ,对标签、分类语言、检索词和系统提示的相关词的利用情况进行介入性调查和统计分析。本文将对该问卷调查中获得的有关用户的性别、年龄和学历 3类属性数据进行统计分析。同时 ,笔者还进行了一次小型的对比实验 ,其中实验组是受过信息管理专业教育的高年级本科生和研究生 ,对照组则是非信息管理专业的普通高年级本科生和研究生 ,获得了“ 专业教育 (训练 ) 对用户语言使用行为的影响 ” 方面的数据。综合这 4方面的数据 ,研究分析用户的自然、社会属性对其语言使用行为的影响。　　收稿日期 : 2008 - 03 - 07 　　 54 现代图书情报技术总第 167期　2008年　 7期第　　据调查 ,迄今已报道的相关研究主要有 :年龄因素研究 [1 ] 　　用户专业教育 (训练 )影响因素的研究方法是 ,通过比较实验组和对照组对搜索引擎提示的相关词的判断结果 ,考察专业教育水平对用户语言使用行为的影响。、性别因素研究 [ 4, 5 ] [2 ] 、家庭环境因素研究 [ 6, 7 ] [3] 、专业教育因素研究以及用户认知等。其研究方法主要有问卷调查、日志分析和录屏等。样本来源大多局限于学生。样本规模依所用研究方法有较大差异 ,从几十至几千不等。此外 ,一些学者还考察特定用户群体行为的影响因素 1. 2　研究方法 [ 8 - 12 ] 2　性别因素对用户语言使用行为的影响　　对性别和其他可组合的问卷题目 (单项选择 ) 或问卷选项 (不定项选择 ) 作列联表卡方检验 ,得到结果如表 1所示。全部的检验结果表明 : 性别对用户搜索过程中的语言使用行为没有影响。表 1　性别与语言使用行为的相关分析 (α = 0. 01 ) 问题标签使用行为浏览因素分类语言显示方式分类语言认同程度通用组配词提示相关词的认同用户的检索行为词汇类型词汇来源目的 :寻找知识性内容目的 :寻找导航性内容目的 :寻找常识性内容卡方检验值 0. 65 2. 04 - 0. 87 2. 29 9. 37 5. 33 11. 20 9. 70 1. 47 2. 57 6. 17 1. 36 。　　用户性别影响因素的统计分析方法是 : 将性别与可与性别组合的问卷题目作列联表卡方检验 ,样本分成男性和女性两组 ,使用双变量百分比表格分析 ,得到不同性别的倾向性结果后 ,使用 F检验作比较研究。　　用户年龄影响因素的统计分析方法是 : 对可计算期望的问卷题目 ,计算不同年龄的期望 ,将年龄过大和过小的样本剔除后作回归分析 ,计算相关系数 r。　　用户学历影响因素的统计分析方法是 : 使用双变量分析。有两种方法 : 将学历与可与学历组合的问卷题目作列联表卡方检验 ; 将学历依次赋值 , 从“ 高中 (中专 ) 以下 ” 开始依次增 1 赋值至“ 研究生 (包括硕卡方临界值 11. 3 11. 3 11. 3 9. 21 11. 3 13. 3 13. 3 11. 3 9. 21 6. 63 6. 63 6. 6 相关不相关不相关不相关不相关不相关不相关不相关不相关不相关不相关不相关不相关士、博士 ) ” ,将学历赋值与可计算期望和方差的问卷题目作回归分析。注意到列联表卡方检验结果与回归分析结果不一致 ,故需作进一步分析讨论。表 2　不同性别和总体选择检索词的倾向性分析 (纵向比较 ) SE DB 17. 3 42. 7 24. 0 14. 7 1. 3 全部 / % Both 11. 2 25. 3 27. 9 35. 5 0. 2 O nly 5. 7 23. 3 15. 0 52. 9 3. 1 No 0 7. 1 3. 6 60. 7 28. 6 SE 27. 2 28. 2 18. 4 26. 2 0 DB 19. 3 38. 6 28. 1 12. 3 1. 8 男性 / % Both 11. 9 26. 3 28. 2 33. 7 0 Only 6. 1 25. 3 14. 4 52. 1 2. 1 No 0 9. 1 4. 5 59. 1 27. 3 SE 16. 5 24. 8 24. 1 34. 6 0 DB 11. 1 55. 6 11. 1 22. 2 0 女性 / % Both 9. 7 23. 2 27. 1 39. 4 0. 6 Only 4. 9 19. 8 16. 0 54. 3 4. 9 No 0 0 0 66. 7 33. 3 事先借助不明确时都会看看自己想的不用提示 24. 0 27. 2 20. 1 28. 8 0 　　 (注 : SE代表“ 搜索引擎的提示词有用 ”DB 代表“ , 数据库的提示词有用 ”Both代表“ , 搜索引擎和数据库的提示词均有用 ”Only代表“ , 只 ) 有找不到时才会用提示词 ”No代表“ , 基本不用提示词 ” 。表 3同。表 3　不同性别和总体选择检索词的倾向性分析 (横向比较 ) SE DB 7. 0 9. 6 6. 4 2. 4 5. 9 全部 / % Both 29. 9 38. 0 49. 6 39. 2 5. 9 O nly 7. 0 16. 0 12. 1 26. 6 41. 2 No 0 0. 6 0. 3 3. 8 47. 1 SE 57. 6 36. 3 29. 3 27. 4 0 DB 7. 6 9. 3 8. 4 2. 4 0. 1 男性 / % Both 28. 5 38. 0 50. 8 39. 7 0 Only 6. 3 15. 6 11. 0 26. 0 0. 3 No 0 0. 8 0. 5 4. 4 0. 6 SE 51. 2 34. 7 36. 0 28. 9 0 DB 4. 6 10. 5 2. 2 2. 5 0 女性 / % Both 34. 9 37. 9 47. 2 38. 4 14. 3 Only 9. 3 16. 8 14. 6 27. 7 57. 1 No 0 0 0 2. 5 28. 6 事先借助不明确时都会看看自己想的不用提示 56. 1 35. 8 31. 4 27. 9 0 55 X I NDA I TUSHU Q I GBAO J ISHU 　　 A N 情报分析与研究表 4　不同性别和总体的检索词来源与类型分析 (纵向比较 ) 厂商自己术语系统 34. 6 22. 0 43. 4 全部 / % 专名新词 38. 2 20. 4 41. 3 37. 1 18. 8 44. 1 术语 32. 4 26. 2 41. 4 厂商 34. 1 22. 4 43. 5 男性 / % 专名新词 34. 4 23. 2 42. 4 31. 6 20. 2 48. 2 术语 33. 7 24. 9 41. 4 厂商 36. 0 21. 0 43. 0 女性 / % 专名新词 45. 6 15. 2 39. 2 45. 8 16. 7 37. 5 术语 28. 9 29. 6 41. 5 ) 　　 (注 :“ 专名 ” 指除厂商名称之外的其他专有名词。表 5同。表 5　不同性别和总体的检索词来源与类型分析 (横向比较 ) 厂商 26. 1 25. 1 26. 9 全部 / % 专名新词 20. 0 15. 7 16. 2 12. 0 17. 7 15. 3 术语 38. 2 46. 7 40. 1 厂商 26. 9 25. 5 26. 9 男性 / % 专名新词 17. 7 12. 2 17. 2 11. 3 17. 0 14. 6 术语 43. 2 46. 1 41. 5 厂商 24. 7 24. 1 26. 9 女性 / % 专名新词 24. 6 22. 6 13. 8 13. 8 19. 4 16. 9 术语 28. 1 48. 3 36. 9 自己术语系统　　对选择检索词的倾向性、词汇类型与来源之间的关系使用百分比表格进行分析。表 2 至表 5 显示 : 男性选择检索词的倾向性与全部样本的倾向性一致 ,女性则略有不同 ,但差别并不十分明显。　　为从总体上检验表 2至表 5的结果 ,分性别对“ 用户对相关词的认知与使用行为 ” 词汇的来源与性和“ 别” 进行列联表卡方检验 ,并与全部样本的情形进行比较。从表 6得出 : 男性和女性对相关词的认知与其使用行为相关 ,而检索词的来源和类型不相关 ,这与全部样本的情形一致。表 6　不同性别和总体的列联表卡方检验结果项目用户对相关词的认知与使用行为词汇来源与类型全部 286. 6 6. 88 份和月份。这里只使用年份作为年龄代表量 ,这样做不会影响统计的精度。由于年代是接近连续的 ,故可以直接使用回归分析进行研究。笔者选取年份和以年份为子群的样本平均数作为回归分析中使用的两个观察序列。注意到在观察序列的两端 (即大年龄和小年龄 ,见图 1 ) ,由于样本数量较少 ,波动较大 ,对整个回归分析有影响 ,所以仅选取其中具有典型性的年份作为研究对象 ,统计结果如表 8所示。其中 ,分类语言是指用户在浏览过程中所借助的与受控环境下分类法具有相近作用的浏览辅助结构 , 如分类导航、页面布局等 ;通用组配词是指用户在网络搜索中使用的 ,与受控环境下主题法中起到组配限定作用的词语类似 ,如“ 下载 ” 图片 ” 。、 “ 等男性 232. 4 2. 16 女性 71. 7 12. 3 临界值 32. 0 16. 8 　　尽管总体上看性别对用户的语言使用行为没有影响 ,但也确实存在细微差别 ,如表 7 所示 ,女性对辅助词的认知差异没有男性高 ,而对系统提示的相关词的认知差异则比男性高。表 7　不同性别对某些类型检索词的意见分歧项目对通用组配词词的认知对提示词的认知男性方差 2. 52 2. 52 女性方差 2. 10 2. 55 F 1. 20 0. 99 临界值 1 1 　　总体而言 ,性别对用户的语言使用行为基本没有影响。这表明性别可能造成男性和女性在社会活动的其他方面有显著差异 ,但在网络搜索所用的语言上则不然。图 1　年龄因素对分类语言、通用组配词和提示的　　　相关词的认同度 (横坐标为出生年份 ) 　　笔者作了两组统计分析。一组是将波动较大的点去除 ,故区间是没有对齐的 ,得到了较为自然的结果。 3　年龄因素对用户语言使用行为的影响　　 iResearch提供的数据中 ,包括受访者的出生年在　　 56 现代图书情报技术总第 167期　2008年　 7期第另一组是将区间对齐到 1968 年至 1988 年之间进行回归分析。两组检验结果相同 ,如表 8所示 : 表 8　年龄因素与语言使用行为的回归分析问题对分类语言的认同度通用组配词的使用对提示的相关词的认同度对分类语言的认同度通用组配词的使用对提示的相关词的认同度区间下限区间上限 1963 1968 1965 1968 1968 1968 1988 1988 1988 1988 1988 1988 | r| 0. 745 0. 610 0. 062 0. 745 0. 646 0. 362 表 11　学历与语言使用行为的回归分析项目对分类语言认同度对通用组配词的使用对提示的相关词的认同度对分类语言的认同度对通用组配词的使用对提示的相关词的认同度统计量样本平均数样本平均数样本平均数样本方差样本方差样本方差 | r| 0. 033 0. 005 0. 984 0. 582 0. 852 0. 802 相关不相关不相关相关相关相关相关相关相关相关不相关相关相关不相关　　注意到在卡方检验中相关的问卷题目在回归分析中反而变成不相关。经过分析 ,认为这与回归分析中选取的回归指标有关。回归中所选取的样本平均数是一个子群总体特征的度量 ,无法反映微观情形。这表明学历因素对用户的语言使用行为确有影响 ,但影响复杂 ,不是简单的学历越高认同度就越高的线性影响。而是在这方面还有很多值得研究的问题。　　 8 结果表明 : 年龄因素对分类语言和通用组配表词的认知有较大影响 ,统计相关 ;但对系统提示的相关词影响不大 ,统计不相关。 4　学历因素对用户语言使用行为的影响　　在分析学历因素时 ,因为受访者中仅有 4 人为博士研究生 ,不具有代表性 ,所以将其归并入研究生 ,即博士和硕士合并为研究生进行分析。　　对学历和其他可组合的问卷题目 (单项选择 ) 或问卷选项 (不定项选择 ) 作列联表卡方检验 ,得到结果如表 9所示 : 表 9　学历因素与搜索中语言使用行为的　　　　　相关分析 (α = 0. 01) 问卷题目标签的使用浏览方式的使用分类语言显示方式对分类语言认同度对通用组配词的使用对提示的相关词的认同度用户的语言使用行为使用的词汇类型所用词汇的来源目的 :寻找知识性内容目的 :寻找导航性内容目的 :寻找常识性内容卡方检验值 14. 06 17. 70 27. 45 22. 26 26. 31 33. 92 33. 94 15. 55 20. 45 18. 46 9. 06 18. 45 5　专业教育对网络搜索中语言使用的影响 5. 1　实验设计　　( 1)实验目的和数据来源　　通过实验 ,考察用户对不同搜索引擎提示的相关词的认同度 ,进而考察用户的专业教育水平对系统提示的相关词的认同度的影响。　　选择两个有代表性的搜索引擎 : 百度和 Google。从日志挖掘结果所得到的高频词汇中选择 20 个词汇作为实验检索题目。　　被试者分别为 : 在北京大学内征集信息管理专业及相关专业高年级本科生和研究生 6 人作为实验组 ; 在北京大学内征集其他专业高年级本科生和研究生 6 人作为对照组。实验组和对照组的区分是为了研究信息管理的专业训练对搜索中语言使用行为产生的影响。　　( 2)统计方法与统计指标　　对于搜索引擎提供的相关词的准确性的研究 ,标准答案的构建使用 Pooling方法。由于样本量仅为 12, 故进行 Pooling时采用简单多数的方法 ,即当一个问题有 8个被试者认为是正确时 ,就认为是正确的。同样 , 在分组判断的时候 ,亦采用 Pooling方法 ,此时判断标准为 4个。两种情形下 ,正确比重均为 2 /3。　　基本评价指标采用查准率、对相关变量计算方差等统计指标 ,在对比过程中使用统计检验方法。卡方临界值 26. 2 26. 2 26. 2 20. 1 26. 2 32. 0 32. 0 26. 2 20. 1 13. 3 13. 3 13. 3 相关不相关不相关相关相关相关相关相关不相关相关相关不相关相关　　 9 显示大部分检验结果为相关 ,说明学历因素表对用户搜索中语言使用行为有较大的影响。进而 ,对表 9中可使用量表的 3道问卷题目作回归分析。按表 10将学历量化 ,形成不同学历子群 ,计算每个子群的样本平均数和样本方差 ,并进一步计算相关系数 r,得到表 11。表 10　学历量化表学历高中 (中专 )以下高中 (中专 ) 大专量化值 1 2 3 本科硕士 4 5 博士及以上 5 　　( 3)实验过程和实验内容设计　　① 在不划分实验组与对照组的情况下 ,将实验得到的结 57 X I NDA I TUSHU Q I GBAO J ISHU 　　 A N 情报分析与研究果进行 Pooling。以 Pooling结果为依据 ,对搜索引擎提示的相关词的准确性进行判断。　　② 在划分实验组与对照组的情况下 ,对实验得到的结果作 Pooling。重复上述同样的方法 ,并比较不区分、实验组、对照组 3组结果。　　③ 对用户是否有进一步点击意愿一项进行统计 ,将统计结果在实验组和对照组之间进行比较。　　( 2)被试征集　　在实验准备阶段同时征集被试者。按照实验设计 ,实验组和对照组分别同时征集。征集通过北京大学未名 BBS的部分公开版面进行 ,其中实验组在北京大学未名 BBS信息管理系版面进行。截至 2008 年 1 月 15日上午 ,所有 12 名被试人员全部确定 ,其中对照组覆盖社会科学、自然科学和工程科学高年级本科生和研究生 ,被试样本质量较好。　　( 3)实验过程　　实验于 2008年 1月 18日上午 10点在北京大学信息管理系 213室和 214室开始。在宣读实验指令并确认没有问题之后进行分组实验。在 213 室主要进行对照组的实验 ,在 214室主要进行实验组的实验。　　实验开始后 ,对照组的同学问题较多 ,经逐一解释后 ,能够正常进行实验。实验进展较为顺利 ,绝大部分被试者能够按照要求在浏览全屏信息后作出相应的判断 ,因此数据回收质量较好。平均每人需要 40 分钟 , 相对而言实验组所需时间稍长一些 , 并有“Think A2 ( loud” 出声思考 ) 现象 , 但由于设备有限未能及时 5. 2　实验过程与方法　　( 1)实验准备　　整个实验准备工作分以下 4阶段进行 : 　　① 在日志挖掘结果的基础上选定可用于实验的 20个关键词。选择标准是 : 　　1 )代表性。所选关键词必须是其所在类型中的代表性词汇。尽管一些词汇在所处类型中被搜索的比重较大 ,但是由于所表示的概念过为宽泛 ,因此不予选择。　　2 )检索意义。所选关键词必须具有完整独立的检索意义。如“ 企业 ” 银行 ” 、 “ 这类词汇由于不具有独立的检索意义而被剔除。为了检验这样的词汇对于用户的影响 ,仍然选择“ 医院 ” 作为一个题目。因此 ,具有独立检索意义这一要求是较为普遍的要求 ,但是存在例外。　　3 )非屏蔽词。在网络搜索中存在大量的涉黄、暴力和其他一些不健康的内容 ,这些内容通常会被搜索引擎屏蔽掉 , 而且也不提倡在搜索中使用这类词汇 ,故在实验中要剔除这类词语。　　另外 ,某些词汇尽管不包含在切词结果中 ,如“ 侵华日军 ” 王小丫 ” ,但可以预见并通过检验确认它们是高频、 “ 等搜索词时 ,也予以纳入。　　② 课题组召开实验准备会 (2008年 1月 15日 ) ,明确实验项目、注意事项和数据处理过程等事项 ,规范研究方法。　　③ 数据准备 ,对选定的 20 个检索词分别输入到百度、 Google和 Sogou这 3个搜索引擎上 ,复制返回结果 ,以备打印记录。　　( 4)数据清理　　实验结束后 ,所有数据得到及时清理 ,并转成 M i2 crosoft Office 2003 Excel格式的电子版文件备用。所有实验涉及到的实验指令、实验记录、样卷、被试填涂原始问卷和数据整理问卷清点封存备查。 5. 3　数据分析　　本实验要求被试者对搜索引擎返回的提示词是否与所给实验题目相关进行判断。首先 ,将实验组和对照组混合进行 Pooling,得到两个引擎的结果 ,如表 12 所示 : 表 12　根据全部 12名被试者进行 Pooling的结果　　　判定的两个搜索引擎返回的提示词的正确率统计指标样本平均正确率样本平均正确率方差 F检验值 F临界值百度 0. 760 0. 028 2. 002 2. 15 Google 0. 690 0. 058 纸版材料供实验使用。这项工作在实验前一天的晚上进行 , 主要是考虑到搜索引擎的�..."

You need to upgrade your Flash Player , or try to enable javascript in order see this document properly.