小結

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

採用相同的演算法作為語意擴展的排序，其研究結果指出在他們的研究假設下，隱性回 饋是能夠代替明確的顯性回饋，但隱性回饋是否能夠完全的取代明確回饋則需要更多的 研究佐證。

Joachims[18]嘗試以點擊資料判斷使用者搜尋時所得到的查詢結果是否相關，另外 結合眼動儀（eye tracking）作為實驗分析的工具，而他們的實驗就果顯示點擊紀錄在一 定程度上是能夠作為查詢結果相關性的判斷，但是並不完美。

Nichols[26]在研究中討論了採用各種隱性評比（implicit rating）對於資訊過濾應用 的好處與成本，根據其研究中的證據表明隱性評比有很大的潛力作為顯性評比的替代方 案，Nichols建議隱性評比可能結合現有的評價系統組成一個混合系統，是比較好的方 法。而其中一種方法是使用隱含的數據作為一種檢查率，如果評比是明確的項目，那麼 應該有一些對應的隱性數據，以確認文件實際上已經審查，如果沒有證據證明評估審查 的項目，那麼他們的評價應該被忽略或減少其重要性。反過來說，一個相對較長審查的 時間，可能需要提高其重要性。

2.6 小結

本章已針對傳統新聞網站面對擁有各式新穎功能的網路新聞入口網站時的劣勢進行深 入探討，並歸納出結合「社群」與「新聞內容」是一種增加網站黏性，促進新聞傳播與 良性互動的方式，並且使用者也期待獲取更多讀者新聞觀點、新聞脈絡、值得關注新聞 等重要新聞資訊。因此，本研究期望使用者透過本研所發展具新聞社群經營機制之新聞 平台所提供的包括讀者評論及回饋、讀者評分、新聞閱讀標註等互動功能，留下多樣化 的意見為網站內容加值，然而牽涉到團體間的互動討論就有可能面臨前面章節所描述的 團體極化或迷思現象，所幸研究學者已提出了一些建議準則來避免這些現象，而本研究 也基於上述互動機制所提供的使用者回饋資訊，推論出包括熱門度、分歧度及焦點分數

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

等支援社群經營之隱含資訊，以有效支援社群互動，且本研究收集使用者回饋資訊的策 略一併考量了專家所提出之建議，系統設計概念如圖 2.3 所示，詳述如下：

1. 使用者回饋選擇：本研究選擇新聞的評分、回應及瀏覽次數三個使用者回饋，其中 評分及回應是屬於顯性回饋，新聞的瀏覽次數是屬於隱性回饋，同時考量了顯隱回 饋，因此可以互補兩者的優缺點，進而推論出分歧度、話題性及熱門度三個社群分 數。

2. 新聞分歧度設計：分歧度的考量是根據使用者給予新聞的評分，評分的方式是採取 使用者必須先對新聞做出評分後，才能夠看到他人對於該篇新聞的分數方式進行，

此一設計是為了保持使用者每一次的評分完全是出於自身對於新聞的獨立看法，並 未受到他人評分的影響，以符合 Surowiecki[39]所提出的團體間獨立性要求。

3. 新聞熱門度設計：在新聞的熱門度上我們考量了顯性的使用者回應及隱性的使用者 點擊紀錄，由於點擊紀錄是一種隱性回饋，因此，即便使用者在社群中不是最活躍 的一群，較少做出明確的評分、回應等顯性回饋，其點擊紀錄也會被系統作為焦點 新聞推論的依據，此作法符合 Surowiecki[39]所建議的保持團體間多樣性。

4. 焦點分數推論：焦點分數是整合分歧度、話題性及熱門度三個社群分數所推論出來 的，將被用於焦點新聞的排序上，這個推論機制即是 Surowiecki[39]所提出的整合 性要求，並且推論過程考了分歧度及話題性兩個社群分數，試圖將能夠引起多方不 同看法的新聞，提昇至焦點新聞，鼓勵社群成員多發表不同的意見，此一作法符合 Janis[15]所提出避免團體迷思的建議。

透過這些使用者回饋收集策略，設計出基於讀者回饋探勘有助於新聞社群經營之新 聞資訊平台，並探討此一平台對於新聞社群經營的效益。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖 2.3 系統設計概念圖

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y