行政院國家科學委員會專題研究計畫 期末報告
社群網路的群聚性、連結強度與資訊傳遞效果之研究
計 畫 類 別 ： 個別型
計 畫 編 號 ： NSC 101-2410-H-011-002-
執 行 期 間 ： 101 年 08 月 01 日至 102 年 07 月 31 日 執 行 單 位 ： 國立臺灣科技大學企業管理系
計 畫 主 持 人 ： 欒斌 共 同 主 持 人 ： 陳苡任
計畫參與人員： 碩士班研究生-兼任助理人員：李玥萱 博士班研究生-兼任助理人員：邱于平
報 告 附 件 ： 出席國際會議研究心得報告及發表論文
公 開 資 訊 ： 本計畫可公開查詢
中 華 民 國 102 年 08 月 12 日
中 文 摘 要 ： 社群網站中的節點相互連結的特性，不但提升資訊傳遞的效 用，也讓使用者更容易地相互影響。本研究設計臉書的應用 程式來具體揭示個體連結模式對於資訊傳遞的影響。研究結 果顯示，群聚效應確實會顯著影響社群網站中的資訊傳遞情 況，也就是說當個體的個人網絡密度較高時，由於網絡成員 彼此相互連結的程度較高，資訊有較高的可能性在網絡中再 度被傳遞。其次，研究結果顯示連結在資訊傳遞過程同樣扮 演極為重要的角色。當個體間的關係屬於強連結時，會顯著 影響個體接收資訊內容。研究結果不只有助於提供網絡結構 理論的正向啟發，同時也能作為行銷實務業者在進行行銷活 動時的參考依據。
中文關鍵詞： 社群網站、資訊傳遞、臉書、群聚效應、連結強度 英 文 摘 要 ： The interconnection between nodes on social
networking site enhances the process of information dissemination and amplifies the influence within each other. This study designed a Facebook application to uncover the effects of individuals＇ connection patterns on information dissemination process on Facebook. The results showed that clustering effect have significant impact to information dissemination process on Facebook. That is, the one with higher network cluster members may has more readers during the dissemination process and the information has higher possibility to retransmit to the network. In addition, the results also verified that tie strength may also impact the efficiency of information
dissemination. The relationship with strong tie significant impacts their friend to receive the information. The findings of this study provide useful implications not only for theory in the network structure, but also useful references and suggestions to the marketing practitioners.
英文關鍵詞： Social networking site, information dissemination, Facebook, clustering effect, tie strength
社群網路的群聚性、連結強度與資訊傳遞效果之研究
The study of clustering effect, tie strength and the efficiency of information dissemination on social networking site
摘要
社群網站中的節點相互連結的特性，不但提升資訊傳遞的效用，也讓使用者更容易地相 互影響。本研究設計臉書的應用程式來具體揭示個體連結模式對於資訊傳遞的影響。研究結 果顯示，群聚效應確實會顯著影響社群網站中的資訊傳遞情況，也就是說當個體的個人網絡 密度較高時，由於網絡成員彼此相互連結的程度較高，資訊有較高的可能性在網絡中再度被 傳遞。其次，研究結果顯示連結在資訊傳遞過程同樣扮演極為重要的角色。當個體間的關係 屬於強連結時，會顯著影響個體接收資訊內容。研究結果不只有助於提供網絡結構理論的正 向啟發，同時也能作為行銷實務業者在進行行銷活動時的參考依據。
關鍵字：社群網站、資訊傳遞、臉書、群聚效應、連結強度
Abstract
The interconnection between nodes on social networking site enhances the process of information dissemination and amplifies the influence within each other. This study designed a Facebook application to uncover the effects of individuals’ connection patterns on information dissemination process on Facebook. The results showed that clustering effect have significant impact to information dissemination process on Facebook. That is, the one with higher network cluster members may has more readers during the dissemination process and the information has higher possibility to retransmit to the network. In addition, the results also verified that tie strength may also impact the efficiency of information dissemination. The relationship with strong tie significant impacts their friend to receive the information. The findings of this study provide useful implications not only for theory in the network structure, but also useful references and suggestions to the marketing practitioners.
Keywords: Social networking site, information dissemination, Facebook, clustering effect, tie strength
壹、緒論
社群網站(social networking sites, SNS)如 Facebook 與 MySpace 的使用已滲透於人們的日 常生活中，個體已習慣透過社群網站進行日常傳播資訊與聯繫互動(Wilson, Fornasier and White, 2010)，漸漸取代面對面與電話等溝通方式。Bakshy et al. (2012)即指出，社群網站是由 較佳的推薦與互動機制所建構成，導致現今人們幾乎每天都會進入社群網站瀏覽他人的近況 及更新當下發生的事情等，讓使用者輕鬆與外界交流。有別於傳統媒體，社群網站是由較佳 的推薦與互動機制所建構而成(Bakshy et al., 2012)，使用者間依據認識或感興趣的事物而連結 在一起，眾多連結當中可能是緊密或鬆散的，也可能有部分交織重疊在一起，進而建構社群 網站中的個人網絡(Katona, Zubcsek and Sarvary, 2011)。因此，在社群網站中，個體不再單純 的只是一個人，他做的任何舉動，發佈的任何資訊內容，都可能會直接或間接影響相鄰個體，
而這些相鄰個體又會進一步將資訊內容傳遞至個人網絡中。在此一眾多個人集合成的龐大社 交圈中，無形的形塑出極有效率的推薦機制，取代過去的搜尋引擎模式，讓使用者得以迅速 找到更好的產品及眾多實用資訊(Lipsman et al., 2012)。例如，當使用者在 Facebook 中發佈或 分享文章後，這些資訊會直接呈現在朋友與追蹤者的近況更新首頁，產生被動的資訊分享 (passive information sharing)狀態，讓使用者間可即時的進行瀏覽與留言互動，甚至可進一步 將文章分享出去。換句話說，社群網站讓廣播(broadcasting)的資訊傳遞與溝通形式變成分享 (sharing)概念，從個人主導變成團隊協作(collaboration)，讓個體有更多機會維持與發展人際關 係，進而使資訊能更有效的在網絡中進行傳遞(Haythornthwaite, 2002)。
過去許多研究多從個體的角度進行探究，試圖找出社群網站中較具影響力的個體特性 (Harrigan, Achananuparp and Lim, 2012)。然而，以個人網絡為基礎的資訊傳播不只是受到個體 層次的情況所影響，也會因為網絡結構的差異而影響到個體的資訊傳遞 (Katona, Zubcsek and Sarvary, 2011)。尤其在社群網站中更是如此，個體在社群網站中的網絡結構可能是緊密的、
鬆散的、甚至可能是相互重疊的，這些情況都可能會影響到網絡中的資訊傳遞狀況。網絡結 構指的是網絡中擁有的連結模式，其會影響使用者的行為(Katona, Zubcsek and Sarvary, 2011)。過去研究曾指出，當兩相關個體與同一第三方連結時，此網絡中的資訊傳遞狀況將更 有效率，且關係間的影響力更為龐大，其稱之為網絡封閉性(network closure)，主要原因在於 彼此都相互連結時，會增加額外的資訊流通路徑，進而增加訊息的可信度(Burt, 2005)。也有 學者指出，社會行為屬於一個複雜的感染(infection)狀態，當網絡中擁有許多多餘連結 (redundant ties)交織在一起時(也就是處於密集網絡 clustered network 時)，這些行為的感染力會 透過社會化的過程進一步被強化，而使行為被更快速的擴散出去(Centola and Macy, 2007)。
Katona, Zubcsek and Sarvary (2011)也曾指出，當網絡中擁有更多已採用服務的相鄰節點時，
這些相鄰關係能提供更多資訊與影響力，而使個體產生較高的採用可能性。因此，了解個體 網絡結構對資訊傳遞的影響是件非常重要的事情，能幫助我們釐清社群網站中資訊擴散情 況，進而應用到未來的社群行銷策略。再加上過去由於網絡結構的資訊較難被取得，因此，
相對來說較少研究透過實證的方式來探討此部分議題。社群網站的出現似乎克服了此項難題 (Sun et al., 2009)，個體在社群網站中的個人資料與互動狀態會直接紀錄於資料庫中，有利於 研究者評判個體的網絡結構。例如，從資料庫中即可知道節點 i 的個人網絡中，彼此相互連
結的狀況，進而了解個體的網絡密度。此外，社群網站中的資訊傳遞狀況也能輕易的被追蹤，
而這些資訊傳遞與溝通互動狀態屬於動態的過程，會隨相鄰個體而有所影響。也就是說，當 個體的朋友間大家都彼此認識時，一定比彼此不熟識的群體有更高的互動狀況，在信任程度 上也會有極大的差異。換句話說，這些社群網站中的互動狀況實際上都會被系統記錄下來，
提供過去難以被評估的資訊傳遞路徑更為視覺化的呈現與分析，進而有助於建立個人網絡拓 樸(topology) (Lewis et al., 2008)。此為本計畫之主要研究動機，並以群聚效應的概念來探討個 體在社群網站中的網絡結構對於資訊傳遞的影響。
除了群聚效應會影響社群網站中的資訊傳遞效果之外，本研究認為個體間的連結強度也 是影響因素之一。例如，兩群密度與人數一致的網絡中，一群是彼此都熟識的網絡比起另一 群僅是同班同學，雖然大家都認識，但平常除了上課之外，都比較少互動的群體來說，資訊 傳遞情況必定存在明顯差異。也就是說，個體可能因為跟這個朋友感情比較好，所以會主動 的去關心他正在吸收的資訊內容，或者當這則資訊是一個不熟的朋友所發佈的，個體可能根 本不想花費認知資源去了解(Granovetter,1982)。過去研究曾指出，連結強度有助於網路中的推 薦引擎建立、合作為基礎的安全性、網路搜尋與其他個人化功能奠定重要的基石(Chun et al., 2008)。連結強度越強，表示相互信任的程度越高，進而影響到成員交換資訊的意圖(Ridings, Gefen and Arinze, 2002)。事實上，過去研究即曾指出，消費者會主動從不同的來源搜尋資訊 內容，並給予不同的權重，其中又以強連結關係的資訊來源能擁有較高的權重與影響力(Steffes and Burgee, 2008). Steffes and Burgee (2008) 即指出，個體與強連結成員有更頻繁的互動，因 此這些強連結關係所提供的資訊內容將更有機會選擇去閱讀。也就是說，當關係強度高的時 候，個體間有較高的動機分享他們所擁有的資訊與資源給彼此，並樂於在人際網絡中提供協 助(Granovetter,1982; Krackhardt, 1992)。據此，研究在釐清網絡效應後，將個體間的連結強度 代入一併探討，作為傳遞時會產生的權重依據，以獲得更完整的推論。
貳、文獻回顧
一、 社群網站中的資訊傳遞
社群網站(social networking sites, SNSs)指的是允許：(1)個體在有限的系統中，建立公開或 半公開的個人檔案；(2)透過列表明確闡明與個體連結的其他個體；(3)藉由觀看連結列表讓個 體歸屬於網絡中的網路為基礎的服務(Boyd and Ellison, 2007)。基於這些功能，社群網站的使 用有助於個體連結他人，進而建構社群網站中的個人網絡。其更準確的反應出世界是由網絡 所組成的，而非團體的無中介社群結構(Ellison, Steinfield and Lampe, 2007; Weimann, 1991)。
在各式各樣社群網站中，以 Facebook 最為人熟知且最多人使用，此平台甚至被喻為世界上第 三大國家作為銜接實體與虛擬連結的橋樑，目前已超過 10 億使用者加入。如同其他的社群網 站，Facebook 允許使用者透過個人檔案(personal profiles)、私人訊息(message)、分享連結(shared links)、留言評論(comment)等方式與他人互動，這些互動方式是非同步(asynchronous)且可編 輯的(editable)(Boyd and Ellison, 2007)。一旦使用者間鍵入友誼關係(friendship relationships)產 生連結時，使用者在個人動態時報中發布文章或上傳個人相簿等行為都能直接被個人網絡中 的朋友從塗鴉牆(News Feed)中看到，並進一步與之溝通互動。換句話說，Facebook 的塗鴉牆
會直接廣播網絡內朋友在網站中的行為舉止，產生被動的資訊分享(passive information sharing) 狀態(Sun et al., 2009)。除了一般的訊息與留言式互動之外，Facebook 更提供一些利於使用者 散播資訊的有用工具，例如讚(likes)、分享(share)、標記(tag)等(Liang et al., 2011; Pempek, Yermolayeva and Calvet, 2009)。當個體閱讀完他人分享的資訊後，可以選擇按讚展現認同的 姿態，甚至是把資訊再次分享到自己的個人網絡中，使資訊不斷的在各個網絡中流通。
在 Facebook 中的互動對象大部分都是從實體環境即已存在的社會連結與聽眾轉移而來 (Boyd and Ellison, 2007)，屬於非匿名的方式與他人進行連結與溝通，相比起其他匿名的社群 網站來說，無論在互動或自我呈現上都受到較多的限制(Nosko, Wood and Molema, 2010; Ross et al, 2009; Zhao, Grasmuch and Martin, 2008)。使用者在上面說的話與行為都無形的被實體社 會連結所監督，當你在社群平台中說謊時，可能會直接被其他人戳破。過去即有學者指出，
個體在 Facebook 中 會透過正向 (positive)或誠實(honest)的自我呈現策略 (self-presentation strategies)展現自我(Kim and Lee, 2011)。一方面，由於 Facebook 的資訊呈現屬於高度透明化，
使用者間均可輕易識別彼此在社群網站中所發布留言與互動對象，例如，使用者能透過「關 於我」、「網誌」與「狀態更新」，甚至是「個人照片分享」等傳遞與揭露自身資訊，導致使用 者會選擇性揭露偏向正面的訊息，進而形塑 Facebook 中的個人形象(Zhao, Grasmuch and Martin, 2008)。另一方面，Facebook 中的連結關係通常是從實體環境而來，彼此間屬於長期 維繫關係，此時，使用者會選擇較誠實的揭露跟自己有關的事情來呈現自我，藉此獲得社會 支持(social support)與幸福感(subjective well-being)，而非只單純講自己好的一面(Kim and Lee, 2011; Skinstad, 2008)。
根據上述所提，無論是自我呈現策略、自我揭露的資訊內容，抑或是 Facebook 中的社交 連結形式是由實體轉移而來，都一再的讓使用者認知到社交圈中的個體較值得信賴(Boyd and Ellison, 2007; Taylor, Lewin and Strutton, 2011)。此時，個體在 Facebook 中所提供的資訊內容 也是較可信的，無論是網站連結、影片、照片、部落格文章等內容。但即使在信任的前提之 下，Facebook 中仍存在著資訊過載的問題。假定使用者平均有 300 個朋友，每人每天都只發 布一篇資訊內容就有 300 篇文章在個人的 Facebook 動態訊息中傳遞，勢必有許多資訊內容不 會被觀看到，更不用說被他人所分享散布出去。許多研究者與行銷人員皆試圖從不同角度釐 清影響社群網站中的資訊分享行為的因素，藉此能找出適合的方式來傳遞品牌與產品資訊。
本研究認為，由於 Facebook 的網絡是由一個個使用者的個人網交織與重疊而成，網絡的緊密、
鬆散程度，甚至是相互重疊的程度極大可能是影響到網絡中的資訊傳遞的重要因素。因此，
本研究將從網絡結構中的群聚效應來探討 Facebook 中的資訊傳遞效果。
二、 群聚效應與資訊傳遞的關係
過去研究即從兩個角度探討連結模式對社會行為的影響，首先，弱連結的強度(strength of weak ties)假定即指出，當網絡中具有許多長連結(long ties)時，社會行為的影響與傳遞情況會 明顯快且範圍廣於密集網絡 (Granovetter, 1973)，主要的原因在於網絡中並無多餘的連結，此 時行為能較快速地擴散出去。然而，也有學者指出，社會行為屬於一個複雜的感染(infection) 狀態，當網絡中擁有許多多餘連結(redundant ties)交織在一起時(也就是處於密集網絡 clustered network 時)，這些行為的感染力會透過社會化的過程進一步被強化，而使行為被更快速的擴
散出去(Centola and Macy, 2007)。社群網站的興起，讓越來越多使用者利用這些平台分享資訊 與溝通互動，其不但提供個體將弱連結關係能有發展與強化的機會，也改善了過去弱連結可 能會逐漸消逝的情況(Kim and Lee, 2011)，使連結模式在社群網站中同樣也扮演重要的角色，
進而形塑使用者的社會認知與互動。Katona, Zubcsek and Sarvary (2011)也曾指出，當網絡中 擁有更多已採用服務的相鄰節點時，這些相鄰關係能提供更多資訊與影響力，而使個體產生 較高的採用可能性。因此，本研究認為在社群網站中的群聚效應會影響到其資訊傳遞的效果。
群聚(clustering)指涉的是個體網絡中的連結密度狀況。緊密的網路(dense network)指的是較 為親近或完整的網絡，在此網絡中節點間彼此認識(Sohn, 2009)。Girvan and Newman (2002) 即指出緊密網絡擁有較多連結，通常都是緊密結合(close-knit)與界線清楚(well-defined)的社 群，因此，團體內的成員較願意給彼此互相幫助與獎勵。換句話說，網絡密度不只是指出個 體與相鄰節點在網絡中的親近度，同時也指出哪些節點之間是相互連結的狀態(Scott, 2000)。
反之，鬆散的網絡(sparse network)則是一開放式或放射狀的網絡，網絡中的成員間較難以相 互認識(Sohn, 2009)。網絡封閉理論即指出，當兩個相關的個體同時連結到相同的第三方時，
網絡在傳遞資訊時會更有效率，進而對關係有更強的影響力(Burt, 2005; Coleman, 1988)。由於 第三方創造額外的路徑提供資訊流通，讓兩個相關的個體產生更高的信任程度。此外，Katona, Zubcsek and Sarvary (2011) 也指出，在相同的連結數的情況下，相比起稀少互連的網站而言，
一連串彼此高度連結的個體對潛在採用者有較高的影響力。這些較多互連的密集網絡讓資訊 流通有更多的傳遞通道，因此，讓資訊能夠更容易的散佈出去(Watts, 2002)。換言之，網絡密 度即是用來描述資訊在網絡中可能流通或散佈的程度(Katona, Zubcsek and Sarvary, 2011;
Stephen et al., 2012)，又以群聚係數(Clustering coefficient)來加以衡量(Watts and Strogatz, 1998)。當個體網絡的群聚係數越高，表示網絡中成員相互認識的程度越高，也就是網絡密度 越高。據此，本研究主張在 Facebook 中，個體的網絡群聚係數越高，也就是網絡越緊密，此 時資訊傳遞的效果越佳。並提出以下假說：
H1:群聚效應會顯著影響個體在社群網站中的資訊傳遞效果。
三、 連結強度與資訊傳遞的關係
連結(tie)存在於任何具有產品、服務、社會支持或資訊的交換與資訊分享的溝通者之間 (Haythornthwaite, 2002)。人與人透過相互連結的方式形成關係網絡(又稱之為社會網絡 social network)，在這個網絡中，個體被視為一個個的點，而透過一條條的線來連結個體間的關係 (Scott, 1990)。事實上，社會網絡的結構包含了三個要素，分別為行動者 (Actors)、關係 (Relationships)與連結(Linkages)。在社會網絡中所定義的人、事、物都統稱為行動者，其存在 於各種不同的網絡中，並扮演不同的角色(Scott, 1990)，當行動者希望或意圖與另一位行動者 建立某種形式的關係時，需要透過某些途徑直接或間接的產生連結，方有助於形成關係鏈。
在關係網絡的連結中，實際上具有強度上的差異，即是 Granovetter (1973)所提出的連結強度 (tie strength)概念。連結強度在社會網絡分析中極為重要，其代表的是兩個節點間可計量的連 結特性(Petroczi, Nepusz and Bazso, 2007)，Granovetter (1973)即將連結強度定義為時間量(the amount of time)、情感強度(the emotional intensity)、親密度(the intimacy)(或相互信任程度 mutual confiding)與互惠服務(the reciprocal services)的結合，各個變數間是相互獨立的，但卻具內部
相關。連結是一種正向且對稱的關係，並能進一步分為強連結與弱連結的關係存在。
強連結(strong ties)指的是你真正信任(trust)的朋友，同時你跟對方的社交圈(social circles) 有緊密重疊者(Granovetter, 1973; Haythornthwaite, 2002)。強連結關係有較高層次親密性的交流 (exchanges a higher level of intimacy)、自我揭露程度更高(more self-disclosure)、情感與工具的 交換(emotional and instrumental exchanges)、互惠服務中的交換(reciprocity in exchanges)，及頻 繁的互動(frequent interaction)與時間承諾(time commitment) (Granovetter,1982; Marsden and Campbell, 1984; Walker et al., 1994)。Granovetter (1983)即指出，連結強度越強，影響彼此的可 能性也越高，因其具備高度的相似性。且當關係強度強的時候，個體間有較高的動機分享他 們所擁有的資訊與資源給彼此，並樂於在人際網絡中提供協助(Granovetter,1982; Krackhardt, 1992)。換言之，強連結關係傾向於擁有較高的時間承諾與高互動頻率，並具備較強的友誼情 感(Granovetter, 1973)。然而，這些密切連結的個體間卻可能擁有極為類似的資源與同質性高 的資訊內容，進而抑制個體散佈資訊的意願，此時，個體間即需要弱連結來作為各個團體間 的橋樑，將彼此串連起來，並有助於不同資訊的流通(Granovetter, 1982)。
另一方面，點頭之交(loose acquaintances)指的即是弱連結(weak ties)，其對於激發出創意的 想法或找工作(Constant, Sproull, and Kiesler, 1996)有所幫助，同時也能促進團體中知識的傳遞 (Hansen, 1999)。弱連結更可能與其他不同的團體成員相聯繫(Granovetter, 1973)，過去研究指 出，當資訊 透過弱 連 結來傳遞時 ，能散 佈 給更多人， 且橫跨 到 更多的社會 距離 (social distance)(ex.路徑長度 path length)。主要原因在於，擁有許多弱連結的個體，處於能夠散佈創 新的較佳位置，因為這些連結中某些具備成為局部橋樑(local bridge)的可能，同時，他們會讓 我們所接收的資訊內容產生更多的差異化，因此，過去在組織的分析中，常將這樣的角色命 名為聯繫個體(liaison persons)( Harary et al., 1965)。Putnam(2000)則進一步指出，橋樑(bridging) 代表的是藉由各個弱連結關係，將一個個異質性的密集網路串連起來形成大型的社會網絡。
換言之，不同的關係也讓個體扮演了不同的角色(Gilbert and Karahalios, 2009)，弱連結有助於 資訊的流通，強連結則有助於集體行為(Chwe, 1999)。據此，本研究提出以下假說：
H2:連結強度會顯著影響個體在社群網站中的資訊傳遞效果。
參、研究方法
一、 研究程序
本研究主要透過 Facebook 平台提供的程式來進行兩階段的實驗，進而蒐集研究所需的互 動資料與傳遞結果。由於在蒐集 Facebook 中的資料前需要先得到使用者的授權，因此在設計 應用程式前，本研究需要先決定那些互動資料是需要傳播者提供的，那些資料是不需要的。
一來能先篩選 Facebook 中的資料庫資料(dataset)，二來也能藉此避免受試者不願意授權攸關 於個人隱私的資料，而不願意觀看本研究所操弄的資訊內容。由於本研究在驗證群聚性對資 訊傳遞影響的同時，需要一併檢視連結強度是否在其中扮演重要的角色，因此，本研究需要 先獲得連結強度的預測模型，以利後續的分析情況。
第一階段的實驗，本研究招募受試者進入實驗室中進行。在進入正式實驗前，受試者須先
登入 Facebook，此時會出現要求存取授權的視窗，此一授權要求為程式運作之必要條件，因 Facebook 將依據程式所取得的授權內容來提供資料存取的權限。接下來，給予受試者關係強 度的題項，因本研究將關係強度視為一連續性的範圍(以 0 到 100 作為關係的標準)。受試者 儘可能的在 30 分鐘內對 Facebook 朋友進行關係強度的衡量(rate)，本研究總計有 145 位參與 者進行，總計衡量 6813 個關係強度。事實上，若是完全隨機的從 Facebook 的朋友群中挑選 朋友進行施測，可能會導致大多數被抽出的朋友是連結關係較弱的一群。因為對於大部分的 Facebook 使用者而言，超過 80%以上的朋友多屬於連結較弱的一群，因此，為了能夠抽出連 結較強的關係，又為了避免抽出的對象都是強連結的個體，故本研究一方面先將近期與受試 者在塗鴉牆中有密切互動的朋友進行排序(包含點讚、留言、Tag 次數等等)，並冀望能從中抽 取連結關係較強的個體，另一方面又從其他朋友群中隨機抽出對象，進行關係強度的衡量。
此外，本研究進一步從資料庫中取得 Facebook 的互動資訊，經由受試者授權後，預計擷取一 個月為基準的塗鴉牆中互動資訊內容，作為受試者本身與測試連結強度的基本資訊內容來比 對。藉由這兩部分衡量的目的在於找到友誼的關聯性，藉此得到關係強度的預測指標 (predictor)。
第二階段的實驗，主要針對群聚效應對社群網站的資訊傳遞影響部分，本研究設計一個具 備資訊特徵的 Facebook 應用程式，除了透過此程式將訊息傳遞至社群網站中，也藉此程式自 動從使用者的個人資料與動態時報中蒐集相關個人與互動資料。最初的傳遞者會將本研究所 設計過的資訊分享至個人的動態時報中，Facebook 會進一步將此訊息傳播至塗鴉牆中，供此 傳遞者的網絡成員觀看。除了這位傳遞者之外，其他訊息接收者與再傳遞者均不知訊息的傳 遞內容與過程皆是在進行實驗，只單純的從 Facebook 中接收到別人傳遞的訊息，有意願分享 此訊息的接收者會再將訊息傳遞出去。本研究設定一周的資訊傳遞期間，無論個體是否有進 一步將訊息分享出去，只要授權觀看此訊息內容，並連結到資訊網頁的訊息接收者，其相關 資料與訊息接收的時間點都會透過系統協助監控與蒐集。整體資訊設計與資料取得程序如圖 1 所示。
圖 1 實驗程序
設計 Facebook 應用程式
蒐集傳遞者的基 本資料與互動資
訊
監控資訊傳遞與 接收的狀況
繪製訊息傳播的 路徑
於資料庫中儲存 資訊
資料分析
二、 研究開發工具與擷取資料
本研究所欲擷取的 Facebook 資訊屬於多重社會關係(multiple social relationships)中的動態 資料(dynamic data)，且需要先取得資訊傳遞者的授權，方能獲得資訊傳遞者與接收者的相關 資料。因此，本研究擬透過 Facebook 的開發者平台建置一個訊息相關的應用程式，讓瀏覽訊 息的個體在瀏覽的時候，一併將個人相關資訊記錄下來。在軟體的部分，研究人員使用 Microsoft Windows Server 2008 R2 Standard 為作業系統，配合 AppServ 2.5.9 網頁整合套裝軟 體所提供的伺服器軟體 Apache 與資料庫軟體 MySQL 作為儲藏資料的平台。選用 PHP 及 JavaScript 作為程式語言來進行網頁的開發，並透過 Facebook 所提供的 SDK 來存取社群網路 上的資訊 (如表 1 所示)。
表 1 軟體開發環境
網頁語言 AppServ 2.5.9 Package – PHP 5.2.3 JavaScript
SDK Facebook PHP SDK 3.1.1
網頁伺服器 AppServ 2.5.9 Package – Apache 2.2.4 資料庫 AppServ 2.5.9 Package – MySQL 5.0.45 作業系統 Microsoft Windows Server 2008 R2 Standard
本研究透過 Facebook 的資料庫獲得的基本資料與互動資料，實際上也是資訊傳遞者與接 收者在觀看資訊內容前需要授權(grant permission)的資訊。本研究需要先決定那些資訊需要受 試者授權，藉此能避免受試者不願意授權其他攸關個人隱私的資訊內容，而不願意進一步瀏 覽資訊。這些 Facebook 提供的資訊內容屬於標準檔案格式，有利於資料編碼(coding)與比較 (comparison)(Lewis et al., 2008)。因此，當使用者授權進入應用程式獲得資訊後，使用者的個 人檔案基本資料(包含 Facebook 朋友數、與每位朋友間的共同朋友數)、動態時報中的互動資 訊與互動頻率都會即時的自動儲存至 MySQL 資料庫中，藉此瞭解傳遞者的網絡特質。除了 Facebook 中的互動資料之外，資訊的起始點到停止點所有傳遞與接收資訊的個體的狀況，也 都會被系統直接記錄下來。透過訊息傳遞者與接收者 ID 與時間點的資料，有助於本研究繪製 出本研究所設計的資訊內容在 Facebook 中的傳遞路徑圖(spreading path)，並從中明確觀察到 個體能將資訊傳遞給多少人與多少層次。訊息終止處通常是接收者無意願再傳遞(retransmit) 資訊，此時，這位接收者的朋友將無法得知訊息內容。
三、 衡量方式 (1) 連結強度的衡量
本研究在實驗頁面中讓受試者衡量與該朋友連結強度，先讓受試者登入 Facebook 並授權 後即可進行實驗頁面的填答(如表 2 所示)。前五題題目為 Gilbert and Karahalios (2009)依據 Granovetter(1973)與 Marsden and Campbell(1984)所建立來衡量連結強度的題項，其中，題項 一是直觀的詢問關係強度，第二至五題則是依據 Granovetter(1973)的連結強度構面來發展，
而時間量已可透過客觀的資料庫數據取得而不再詢問。而第六題則是本研究為了避免雖然雙
方的情感強度很強，但這卻只是展現在非 Facebook 時的互動方面，透過此題項可讓研究有機 會發現並刪去朋友關係難以在資料庫中取得的樣本。這部分是讓受試者利用橫桿(bar)上的移 動滑輪(dragging a slider)來主觀評判與朋友的關係強度，因本研究將關係強度視為一連續性的 範 圍 ( 以 0 到 100 作 為 關 係 的 程 度 ) 。 使 用 連 續 性 而 非 離 散 尺 度 的 主 要 原 因 在 於 ， Granovetter(1973)即曾指出，連結強度可能是一個連續性(continuum)的存在，只是過去並無資 料庫可供學者進行分析驗證。今日，我們可透過 Facebook 的資料庫的互動資訊來具體分析關 係強度對互動行為的影響。
表 2 連結強度的衡量題項 1.你跟這位朋友的關係有多強?
2.你跟這位朋友開口借錢(3000 元或更多)的感覺有多自在?
3.假設你在找工作，這位朋友能在各方面給你的幫助有多少?
4.假設這位朋友把你從 Facebook 朋友名單中刪去，你會有多難過?
5.假如你離開 Facebook 到別的社群網站，你有多麼希望待這位朋友前往?
另一方面，在預測變數的部分，本研究針對過去文獻的整理，將 Facebook 的個人與互動 資料區分為衡量連結強度的六大構面進行。其後，本研究透過 OLS 迴歸分析來探討使用者在 社群網站中的互動狀況與實際連結強度間的關係，其中，Si 是代表關係強度中第 i 個朋友，
Pi 為各預測變數，εi 為誤差項目。並利用逐步迴歸的方式，冀望能透過最少的變項來達成對 依變項的預測力。
(2) 群聚效應的衡量
節點 i 的網絡群聚程度可利用群聚係數(Ci)來加以衡量，群聚係數指的是以此節點為中心 的網絡範圍，相鄰節點間互相連結(interconnected)的程度(Watts and Strogatz, 1998;Whitacre, Sarker and Pham, 2011)。具體而言，在節點 i 的網絡中，具有 ki 個皆與節點 i 相鄰的節點，這 些 節 點 中 彼 此 皆 相 互 連 結 (maximum possible number of connections) 的 最 大 可 能 性 為 ki(ki-1)/2，實際上相鄰節點相互連結的程度則以 ei 表示(Whitacre, Sarker and Pham, 2011)。因 此，利用相鄰矩陣 J 表示，實際相連程度(ei)可定義為：
更具體說，節點 i 的群聚係數可定義為 ki 個相鄰節點的實際相連程度(ei)(triplet number)與 最大可能連結程度 ki(ki-1)/2(triangle number)的比值，可寫成：
此外，由於本研究透過程式擷取的 Facebook 個人資料是以再傳播者為主的個人網絡。是 Si =α+βi Pi+εi
以，ki 即是再傳播者的 Facebook 總朋友數。實際相連程度(ei)(triplet number)則是再傳播者的 Facebook 中，朋友間相互認識的程度，也就是再傳播者與所有朋友的共同朋友數除以二。除 以二的原因在於，計算節點 i 和 j1 與 j2 的共同朋友時，會重覆計算相互連結的關係。
(3) 傳遞效果的衡量
前述已知，資訊在社群網站中的傳遞過程都會被系統直接記錄下來，包含起始點到停止點 所有傳遞與接收資訊的個體的狀況，據此能清楚看出傳遞者將訊息傳遞多少層次，多少位使 用者觀看到此訊息，進而協助繪製出整個資訊傳遞路徑。然而，由於本研究針對網絡程度、
網絡群聚度、連結強度的衡量部分都以接收到最初的傳遞者 i (t=1)提供訊息的再傳遞者(t=2) 為主，也就是再傳遞者(t=2)的網絡結構，以及與接收者(t=3)的關係。研究並未考量第三層的 接收者(t=3)再將訊息傳遞後的結果。此外，在超過第三層後資訊的效果可能受到其他因素所 影響，包含時間性、個體重複看到多次訊息的可能性等，可能會干擾整體研究結果。因此，
在傳遞效果的部分，本研究僅計算再傳遞者(t=2)分別將訊息傳遞給多少位使用者(t=3)。
與此同時，本研究將利用 Pajek 軟體來進行社群網站中的訊息路徑繪製。Pajek 是一個用 來分析與視覺化擁有成千上萬人數聚集的大型網絡的一種軟體，可執行大型網絡演算法
（subquadratic）。資料檔案中包含行動者在某一觀察時刻的網路位置的時間標誌，並可分類屬 性相同的節點與反映出節點的連接關係，因而可生成一系列交叉網路，並對這些網路進行分 析。透過 Pajek 軟體的協助，有助於本研究了解在大型網絡中的資訊傳遞狀況(如圖 2 所示)。
在程式進行資料蒐集後，本研究先在整體的訊息傳遞路徑中先進行 nodes 的篩選。凡 node 數 少於 3 個的傳遞狀況將不予計算，藉此降低誤差的情況發生。
圖 2 資訊傳遞路徑
肆、資料處理與分析
一、 連結強度
在第一階段中，總計招募 145 位受試者(包含 68 位男性與 77 位女性)進入實驗室參與實 驗，受試者的平均年齡為 20.78 歲(S.D. = 0.98)，平均朋友數為 302 位(S.D. = 195.89)。受試者
被要求在 30 分鐘內衡量它與 Facebook 中朋友的關係強度，在此階段中共有 6813 個友誼關係 強度被衡量。接著，程式蒐集參與者與其朋友的互動紀錄。其中，塗鴉牆的總發文數為 42,323 篇，96,696 張照片，48,898 次被標籤在照片中，2,715 個相簿, 629 次打卡，366 篇網誌，93 個短片，154,765 則私人訊息，124,337 次評論與 217,998 次按讚數。
迴歸分析結果指出，本研究針對連結強度產生的模型與資料的適配度是良好的(Adj.
R2=0.42, p<0.001)，換言之，此預測模型在 Facebook 中的預測力可達 42%。本研究進一步從 公式中解釋連結強度各構面的影響力。其中，Si 指的是參與者與其朋友 i 的關係強度，Pi 指 的是連結強度的構面，εi 則是指誤差值。基本公式如下所示:
二、 群聚性
在資訊傳遞的過程中，總計有 30 位接收者在第一天即受到最初傳遞者的影響，而觀看到 訊息內容，接著又將這些資訊內容傳遞至個人的塗鴉牆中。在七天的期間，總計透過這 30 位 傳遞者將訊息傳遞給 684 位 Facebook 中的使用者(包含 294 位男性與 390 位女性)，平均接收 者為 23 位(S.D.=14.93)。在開始計算這 30 位傳遞者的群聚係數之前，本研究需要先取得這些 個體網絡中所有朋友相互認識的程度。在所有網絡中的平均共同朋友數為 20359 位(S.D.=
14461.28)。本研究進一步透過迴歸分析來驗證研究所提出的假說。首先，假說一驗證的是群 聚效應會顯著影響個體在社群網站中的資訊傳遞效果。本研究透過公式求取各傳遞者的群聚 係數，並進一步利用迴歸分析檢視群聚效應。研究結果指出，網絡群聚性會正向影響資訊的 傳遞狀況(β=0.91, t=9.54, p<0.001)，Ｈ１獲得支持。
Table 2. Network Effects
Dependent variable Independent variable β t p Dissemination effect Cluster .91 9.54 .001*
*p<.05
假說二所欲驗證的是連結強度對社群網站中的資訊傳遞影響，此部分可由前述的預測模 型來進行分析，也就是利用此模型先衡量資訊傳遞過程中，傳遞者與接收者雙方的實際連結 強度。研究分析結果顯示，684 位 Facebook 中的資訊接收者中，連結強度高於 50 分者共 495 位(72%)(M=73.26; SD=13.26)，本研究將這群個體視為強連結關係。另外，低於 50 分連結強 度的個體共 189 位(28%)(M=21.49; SD=18.05)，本研究將這群個體視為弱連結關係。本研究進 一步將兩群群體進行卡方分析，研究結果顯示，連結強度確實會影響個體傳遞資訊結果 (X2=136.89; p<.001)，資訊透過強連結關係傳遞出去的比例顯著高於弱連結關係。
伍、結論與建議
透過社群網站的串連，讓我們能更輕易且公開化的看到人與人之間的互動關係與資訊傳 遞狀況(Lewis et al., 2008)，它將過去難以被記錄下來的社交互動等資訊內容，完整並系統化 的進行記錄，而這部分的資訊內容，恰好有助於進行人際關係的比較與分析(Petroczi, Nepusz and Bazso, 2007)。同時，藉由多重社會關係的動態資料蒐集，讓我們能更清楚的釐清連結關 係中的資訊傳遞行為。因此，本研究設計 Facebook 應用程式進行兩階段的實驗，來蒐集資訊
傳遞過程與互動資料等相關，藉此釐清傳遞者的資訊傳遞影響力。首先，本研究利用群聚效 應來驗證使用者在 Facebook 中的網絡連結情況對於資訊傳遞的影響。研究結果顯示，群聚效 應確實會顯著影響社群網站中的資訊傳遞過程，也就是說當個體的個人網絡密度較高時，由 於網絡成員彼此相互連結的可能性較高，讓資訊有更佳的傳遞效果。研究結果再次證實網絡 密度有助於檢視資訊能在網絡中流通的容易程度(Katona, Zubcsek and Sarvary, 2011; Stephen et al., 2012)。其次，探究社群網站中的資訊傳遞狀況與個體連結強度間的關係。研究結果顯 示，連結越強的關係確實有較佳的傳遞效果，換句話說，連結強度在社群網站中的資訊傳遞 過程扮演極重要的角色。
本研究提出以下幾點學術意涵，首先，過去探討訊息傳遞效果多集中在個人層面的特性 (Harrigan, Achananuparp and Lim, 2012)，本研究則認為資訊傳遞過程同樣會受到網絡結構的影 響，尤其是在社群網站中。因此，本研究從網絡結構概念中的群聚效應來觀察社群網站中的 實際資訊傳遞狀況，進而驗證群聚性確實會影響到資訊傳遞。研究結果再次證實 Katona, Zubcsek and Sarvary (2011)與 Stephen et al. (2012)所宣稱的概念，網絡密度有助於檢視資訊能 在網絡中流通的容易程度；第二，在探討個體的傳播力時，主要是以自評(Sohn, 2009)或請受 試者登入其 Facebook 帳號而觀看相關數據(Kim and Lee, 2011)的方式為主，本研究則透過設 計發展 Facebook 程式，一旦受試者授權後即自動擷取 Facebook 中的實際資訊傳遞狀況與相 關資訊內容，獲得更客觀的觀察數據，進而繪製訊息的傳遞路徑，並比較不同網絡差異的傳 遞效果。此外，這種資料蒐集與分析方式，也可供未來學者作為一項參考；第三，過去大多 數的研究並未具體使用連續性的量化資料來衡量連結強度，進而建構出關係強度的預測模 型，同時對於各個資訊的取得及與各構面間的關係亦無明確的描繪。此項缺口，在社群互動 的時代中能進一步被彌補與釐清，因為個體間的互動資訊已被資料庫完整的記錄下來。本研 究直接從 Facebook.com 下載受試者與朋友間的互動資訊，除了能避免問卷調查偏誤(Butts, 2003)與回想友誼時產生的瑕疵(Brewer, 2000)，同時，Facebook 所提供的標準化檔案樣板讓資 料能夠更清楚的被整理、編碼與比較，因此，本研究從受試者的授權資料來加以分析朋友間 的互動關係。
在實務意涵的部分，首先，從社群網站中的資訊傳遞過程更清楚的了解社群行銷與網路 口碑的運作方式；第二，行銷人員能依據本研究的結果，直接找出較能影響資訊傳遞的使用 者進行資訊的散佈。例如，在資訊傳遞的初始階段，即能在最終用戶與潛在傳播者中找尋個 人網絡較密集的個體，從這些較容易影響其社交圈接收到資訊的個體作為訊息的起始點，能 有效的傳遞資訊；第三，對於策展人而言，不只是該增加社群網站的朋友數量，同時應透過 一些活動的方式，讓這些朋友成為共同朋友，進而建立許多群聚，以促進更好的社會影響力。
這些都是可以從實務中延續思考的手段，也有待未來研究驗證的方向。
本研究有以下幾點限制，首先，本研究採用群聚效應來驗證網絡結構對訊息傳遞的影響，
但內容的影響力仍需要未來學者加以釐清。第二，本研究所獲得的資料皆從 Facebook 資料庫 中擷取，雖然使用者多公開真實的資訊，但我們仍無法確認這些數據的真實性。第三，未來 學者仍須進一步重新定義社群網站中的傳播者與再傳遞者間，甚至是意見領袖的差別，進而 有利於檢視傳遞者在社群網站中所扮演的角色。
陸、參考文獻
Albrecht, T.L. and Adelman, M.B. (1987). Communicating social support. Sage, Newbury Park.
Bakshy, E., Hofman, J. M., Mason, W. A. and Watts, D. J. (2011). Everyone's an influencer:
quantifying influence on Twitter. Proceedings of the fourth ACM international conference on Web search and data mining New York, NY, USA: ACM, 65-74.
Boccaletti, S., Latora, V., Moreno, Y., Chavez, M. and Hwang, D. U. (2006). Complex networks:
Structure and dynamics. Physics Reports, 424(4-5), 175-308.
Boyd, D. M. and Ellison, N. B. (2007). Social Network Sites: Definition, History, and Scholarship.
Journal of Computer-Mediated Communication, 13(1), 210-230.
Brewer, D. D. (2000). Forgetting of friends and its effects on measuring friendship networks. Social networks, 21(4), 361-373.
Brown, J. J. and Reingen, P. H. (1987). Social ties and word-of-mouth referral behavior. Journal of Consumer Research, 14(3), 350-362.
Burt, R. S. (2005). Brokerage and closure: and introduction to social capital. Oxford University Press, USA.
Butts, C. T. (2003). Network inference, error, and informant (in)accuracy: a Bayesian approach.
Social networks, 25, 103-140.
Centola, D. (2010). The spread of behavior in an online social network experiment. SCIENCE, 329, 1194-1197.
Centola, D. and Macy, M. (2007). Complex contagions and the weakness of long ties. American Journal of Sociology. 113(3), 702-734.
Chun, H., Kwak, H., Eom, Y.-H., Ahn, Y.-Y., Moon, S. and Jeong, H. (2008). Comparison of Online Social Relations in Volume vs. Interaction: A Case Study of Cyworld. IMC’08, 57-70.
Chwe, M. S. Y. (1999). Structure and strategy in collective action. American Journal of Sociology, 105(1), 128-156.
Coleman, J. S. (1988). Social capital in the creation of human capital. American Journal of Sociology, 94, 95-120.
Constant, D., Sproull, L. and Kiesler, S. (1996). The Kindness of Strangers: The Usefulness of Electronic Weak Ties for Technical Advice. Organization Science, 7(2), 119-135.
Donath, J. and Boyd, D. (2004).Public displays of connection. BT Technology Journal, 22(4), 71-82.
Dover, Y., Goldenberg, J. and Shapira, D. (2012). Network Traces on Penetration: Uncovering Degree Distribution from Adoption Data. Marketing Science, Article in Advance, 1-24.
Ellison, N., Steinfield, C. and Lampe, C. (2007). The benefits of Facebook friends: Exploring the relationship between college students’ use of online social networks and social capital. Journal of Computer-Mediated Communication, 12(4), 1143-1168.
Gilbert, E. and Karahalios, K. (2009). Predicting Tie Strength With Social Media. CHI 2009, Boston, Massachusetts, USA, 211-220.
Girvan, M. and Newman, M. E. J. (2002). Community structure in social and biological networks.
Proceeding of the National Academy of Science of the United States of America, 99(12), 7821-7826.
Gonzales, A. L., Hancock, J. and Pennebaker, J. W. (2010). Language style matching as a predictor of social dynamics in small groups. Communication Research, 37(1), 3-19.
Granovetter, M.S. (1973). The Strength of Weak Ties. The American Journal of Sociology, 78(6), 1360–1380.
Granovetter, M. S. (1983). The Strength of Weak Ties: A Network Theory Revisited. Sociological Theory, 1, 201-233.
Gratton, E., Fantini, S., Franceschini, M.A., Gratton, G. and Fabiani, M. Measurement of scattering and absorption changes in muscle and brain. Philos. Trans. R. Soc. London, B, 352 (1997), pp.
727–735.
Hansen, M. T. (1999). The Search-Transfer Problem: The Role of Weak Ties in Sharing Knowledge Across Organization Subunits. Administrative Science Quarterly, 44(1), 82-111.
Harrigan, N., Achananuparp, P. and Lim, E.-P. (2012). Influentials, novelty, and social contagion:
The viral power of average friends, close communities, and old news. Social Networks, In Press.
Harary, F., Norman, R. Z. and Cartwright, D. (1965). Structural Models: An Introduction to the Theory of Directed Graphs. New York: Wiley.
Haythornthwaite, C. (2002). Strong, Weak, and Latent Ties and the Impact of New Media. The Information Society: An International Journal, 18(5), 385-401.
Katona, Z., Zubcsek, P. P. and Sarvary, M. (2011). Network Effects and Personal Influences: The Diffusion of an Online Social Network. Journal of Marketing Research, 48(3), 425-443.
Kim, J. and Lee, J.-E. R. (2011). The Facebook paths to happiness: Effects of the number of Facebook friends and self-presentation on subjective well-being. Cyberpsychology, Behavior, and Social Networking. 14(6), 359-364.
Krackhardt, D. (1998). Simmelian ties: super, strong and sticky. In: Kramer, R., Neale, M. (Eds.), Power and Influence in Organizations. Sage, Thousand Oaks, CA
Lewis, K., Kaufman, J., Gonzalez, M., Wimmer, A. and Christakis, N. (2008). Tastes, ties, and time:
A new social network dataset using Facebook.com. Social Networks, 30, 330-342.
Liang, T.-P., Ho, Y.-T., Li, Y.-W. and Turban, E. (2011). What drives social commerce: the role of social support and relationship quality? International Journal of Electronic Commerce, 16(2), 69-90.
Lipsman, A., Mudd, G., Rich, M., & Bruich, S. (2012). The power of 'like': How brands reach (and influences) fans through social-media networking. Journal of Advertising Research, 52(1), 40-52
Nosko, A., Wood, E. and Molema, S. (2010). All about me: Disclosure in online social networking profiles: The case of FACEBOOK. Computers in Human Behavior, 26(3), 406-418.
Pempek, T. A., Yermolayeva, Y. A. and Calvert, S. L. (2009). College students' social networking
experiences on Facebook. Journal of Applied Developmental Psychology, 30(3), 227-238.
Petroczi, A., Nepusz, T. and Bazso, F. (2007). Fuzzy Clustering and the Concept of Bridgedness in Social Networks. Proceedings of the International Workshop and Conference on Network Science.
Ridings, C. M., Gefen, D. and Arinze, B. (2002). Some antecedents and effects of trust in virtual communities. Journal of Strategic Information Systems, 11(3-4), 271-295.
Ross, C., Orr, E. S., Sisic, M., Arseneault, J. M., Simmering, M. G. and Orr, R. R. (2009).
Personality and motivations associated with Facebook use. Computers in Human Behavior, 25(2), 578-586.
Scott, J. (1990). Social Network Analysis. Thousand Oaks, CA: Sage Publication.
Sohn, D. (2009). Disentangling the effects of social network density on electronic word-of-mouth (eWOM) intention. Journal of Computer-Mediated Communication, 14(2), 352-267.
Sparrowe, R. T., Liden, R. C., Wayne, S. J. and Kraimer, M. L. (2001). Social networks and the performance of individuals and groups. Academic of Management Journal, 44(2), 316-325.
Steffes, E. M. and Burgee, L. E. (2008). Social Ties and Online Word of Mouth. Internet Research, 19(1), 42-59.
Stephen, A. T., Dover, Y., Muchnik, L. and Goldenberg, J. (2012). The effect of transmitter activity on information dissemination over online social networks. Available at SSRN:
http://ssrn.com/abstract=1609611.
Sun, E., Rosenn, I., Marlow, C. A. and Lento, T. M. (2009). Gesundheit! Modeling Contagion through Facebook News Feed. Proceedings of the Third International Conference on Weblogs and Social Media, AAAI Press, San Jose, CA (2009).
Taylor, D. G., Lewin, J. E. and Strutton, D. (2011).Friends, fans, and followers: do ads work on social networks? How gender and age shape receptivity. Journal of Advertising Research, 51(1), 258-275.
Tong, S. T., Van Der, H. B. and Langwell, L. (2008). Too much of a good thing? The relationship between number of friends and interpersonal impressions on Facebook. Journal of Computer-Mediated Communication. 13, 531-549.
Van den Bulte, C. and Wuyts, S. (2007) Social Networks and Marketing. Relevant Knowledge Series. Boston, MA: Marketing Science Institute.
Vilpponen, A., Winter, S. and Sundqvist, S. (2006). Electronic word-of-mouth in online environments: exploring referral network structure and adoption behavior. Journal of Interactive Advertising, 6(2), 63-77.
Walker, M. E., Wasserman, S. and Wellman, B. (1994). Statistical Models for Social Support Networks. In Wasserman, S. and Galaskiewicz, J. (eds.) Advances in Social Network Analysis:
Research in the Social Behavioral Sciences. Newbury Park, CA: Sage, 53-78.
Wasserman, S. and Faust, K. (1994). Social Network Analysis: Methods and Applications. New York: Cambridge University Press
Watts, D. J. (2002). A Simple Model of Information Cascades on Random Networks. Proceedings
of the National Academy of Science, 99, 5766–5771.
Watts, D. J. and Dodds, P. S. (2007). Influentials, networks, and public opinion formation. Journal of Consumer Research, 34(4), 441-458.
Watts, D. J. and Strogatz, S. H. (1998). Collective dynamics of 'small-world' networks. Nature, 393, 440-442.
Weimann, G. (1991). The Influentials: Back to the Concept of Opinion Leaders? Public Opinion Quarterly, 55, 267–79.
Whitacre, J. M., Sarker, R. A. and Pham, Q. T. (2011).Effects of adaptive social networks on the robustness of evolutionary algorithms. International Journal on Artificial Intelligence Tools, 20(5), 783-817.
Wilson, K., Fornasier, S. and White, K. M. (2010).Psychological Predictors of Young Adults' Use of Social Networking Sites. Cyberpsychology, Behavior, and Social Networking, 13(2), 173-177.
Zhao, S., Grasmuck, S. and Martin, J. (2008). Identity construction on Facebook: Digital empowerment in anchored relationships. Computers in Human Behavior, 24, 1816-1836.
國科會補助專題研究計畫出席國際學術會議心得報告
日期：102 年 8 月 12 日
一、參加會議經過
第 23 屆環太平洋管理國際研討會由中國管理教育工作者協會(ACME)舉辦。ACME 的目標是位管 理學者和實踐者提供資訊交流的平台，同時加強學術和非學術組織在環太平洋地區的合作。就此次會 議而言，ACME 旨在探討形塑網絡與協作的機會與挑戰，並進一步協助推進管理理論與實踐。會議地 點是在 Monte Carlo Hotel, Las Vegas, Nevada, USA, 發表的文章是從國科會計畫(社群網路的中心性、連 結強度與資訊傳遞效果之研究)中，所研究出的一部分成果，題目是 Network effect: Information diffusion in social networking site。藉由此次研討會的參與，除了對於目前研究有所幫助之外，也認識許多相同 領域的學者，未來有望能進一步合作。
二、與會心得
首先，需要感謝主辦單位(ACME)花費許多時間精力準備此次研討會，及國科會提供經費讓我們 能完成整個研究，讓我能有此機會在拉斯維加斯的國際研討會中與眾多學者交流互動。在參與研 討會前夕，由於需要重新釐清整篇文章的架構與邏輯，讓我能更清晰的繪製出整篇研究框架。在 交流的過程中，與會學者們提供許多寶貴建議，也有助於完善此篇研究，回國後，也會繼續修改 這篇文章，期許在接下來能投稿國際期刊。同時，也感謝研討會頒發最佳論文獎給我們。
在研討會中也巧遇大學時期的恩師蔡禎騰副教授，能在美國見面，又剛好參與同一場研討會，
真是令人難以置信的緣分。在會議的過程中，也認識許多 International Journal of Management Theory and Practices 的 Editorial Board，同時也談到關於合作研究與研究室交流的事項，回國後將進一步 討論相關事宜。
計畫編號 NSC101－2410－H－011－002－
計畫名稱 社群網路的中心性、連結強度與資訊傳遞效果之研究 出國人員
姓名 欒斌 服務機構
及職稱 國立台灣科技大學企管系教授 會議時間
2013 年 7 月 11 日至2013 年 7 月 13 日
會議地點 Monte Carlo Hotel, Las Vegas, Nevada, USA
會議名稱
第 23 屆環太平洋管理國際研討會
The 23th Annual Meeting of INTERNATIONAL CONFERENCE OF PACIFIC RIM MANAGEMENT
發表題目 網絡效應：社群網站中的資訊傳遞
Network effect: Information diffusion in social networking site
附件五三、發表論文全文或摘要
Network effect: Information diffusion in social networking site
Pin Luarn (corresponding author)
National Taiwan University of Science and Technology
No.43, Sec. 4, Keelung Rd., Da’an Dist., Taipei 106, Taiwan (R.O.C.) luarn@mail.ntust.edu.tw
Yu-Ping Chiu
National Taiwan University of Science and Technology D9808105@mail.ntust.edu.tw
Jen-Chieh Yang
National Taiwan University of Science and Technology D10008104@mail.ntust.edu.tw
This research was sponsored by the National Science Council of Taiwan, under the project number NSC 101-2410-H-011 -002 -
Network effect: Information diffusion in social networking site
Abstract
Social website has become part of our lifes for us to spread information and connect each others, the huge online social networks becomes a powerful recommendation and interaction mechanism system. This study designed a Facebook application to uncover the effects of individuals’ connection patterns on information diffusion process on Facebook. The results showed that both degree and clustering effect have significant impact to information dissemination process on Facebook. That is, the one with more connections and higher network cluster members will has more readers during the dissemination process and the information has higher possibility to retransmit to the network. The findings of this study provided useful implications not only for theory in the network effect, but also useful references and suggestions to the marketing practitioners.
Keywords
Social website, information diffusion, Facebook, network effect, clustering effect
Introduction
People use social website to perform many different function-marketing tools, connect with people, form revolutions and more.
Social website has become part of our lifes for us to pass on information and connect eachothers. The social website is a tool for people to communicate and maintain relationships, therefore, the user unit is individual with their actual social network as foundation and further develop online social network (Jahan and Ahmed, 2012). With the development of SNS, SNS has now become a tool for organization or event holder to promote (Arora, 2012). The information distribution pattern of SNS is different from the traditional broadcasting which is basically communicating information to as many people as possible with no need to know the receivers. SNS, on the other hand, distribute information on the individual network basis; the effect of the information distribution in the social network shall be affected by the individual's power of effect in the social network (Jahan and Ahmed, 2012).
The emergence of social network sites (e.g., Facebook, Twitter) has the potential to dramatically alter an individual’s exposure to new information (Bakshy et al., 2012; Wilson, Fornasier and White, 2010). It changed the form of communication into collaboration and sharing, and bring the idea of tribe into community and becoming a deliberative community with diversity, which enables individual to maintain and develop relationships with each other (Jahan and Ahmed, 2012; Wan and Yu, 2012; Zhou, 2012).
Besides, social network sites also provide functions for their users to share information within their social networks easily (Jahan and Ahmed, 2012; Liang et al., 2011). Facebook’s “Share” button and Twitter’s “Tweet” button are samples of this feature (Harrigan, Achananuparp and Lim, 2012). With this feature, people can share the news with all of their friends immediately, and instantly receive responses from others who are interested. In this thread, the huge online social networks may become a powerful recommendation and interaction mechanism system (Arora, 2012; Hinson, 2011).
The primary objective in this study was to uncover the effects of individuals’ connection patterns on information diffusion process in online social networks. Network effects, relates to the influence of the structure of connection patterns, which can distinguish in degree effect and clustering effect (Katona, Zubcsek and Sarvary, 2011). Degree means the number of connections an individual has. Katona, Zubcsek and Sarvary (2011), point out the more connections also brings the higher degree. The development of SNS greatly increases the degree of one’s weak ties and support on forming and maintaining weak ties, because the technology is well-suited to maintaining such ties cheaply and easily (Donath and Boyd, 2004). Thus, this study supposed that when a user has more connections on SNS than others have, they have more chance to receive more information than others and has higher
possibility to spread information to more people. In addition to the number of connections, the density of connections in a group may also affect the individual on receiving information. Watts (2002) claimed that denser networks have a stronger influence on its member and more possible paths for information to travel, which makes information flows easier. Thus, this study also suggested that the higher the network cluster, the more easily to disseminate information in the network.
The appearance of Facebook provides a way to evaluate the path of information dissemination which is difficult in the past. Via the connecting of Facebook, users can examine the record of interaction between people more easily and publicly, and further build up personal network topology (Lewis et al., 2008). Facebook record the social interaction completely and systematic which was difficult to be recorded, and these information are helpful on analyzing interpersonal relationships (Petroczi, Nepusz and Bazso, 2007). Therefore, this study take Facebook as a SNS sample, and simulates an information-spreading process via building a program to record the situation and timing of dissemination, disseminators and receivers. This study collected the related data of dissemination process to investigate the correlation between disseminator’s influential power in information spreading and disseminator’s network effect. The results are able to understand how social networks can be used to provide better target marketing strategies.
Theoretical Background
The information is disseminated on SNS
Boyd and Ellison (2007) define SNSs as web-based services, which allow individuals to (1) construct a public or semi-public profile within a bounded system, (2) articulate a list of other users with whom they share a connection, and (3) view and traverse their list of connections and those made by others within the system. Based on these three functions, the users of SNSs can connect with whom they wanted to and eventually structure SNSs with their personal networks. This more accurately mirrors unmediated social structures, where “the world is composed of networks, not groups” (Ellison et al., 2007; Weimann, 1991).
Structural variations around visibility and access are the primary ways that SNSs differentiate themselves from each other;
SNSs are variations in the information and communication tools, which incorporate both social and technological forces caused users to have different practice and behavior in each SNSs (Boyd and Ellison 2007). Scholars have observed SNSs by features and user base, an SNS can either be anonymous or nonymous, serve diverse audiences or target specific demographics, designed for meeting new people or maintain pre-existing social connections (Boyd and Ellison, 2007; Ellison, Steinfield and Lampe, 2007; Ross et al., 2009). They represent rich and popular communication interfaces for hundreds of millions of users. Users can exhibit their demographics as well as their preferences by carefully editing their profiles, and reveal their likely communication patterns (Katona, Zubcsek and Sarvary, 2011).
Facebook, the first rank SNS, is considered to be the third largest country in the world. It is a social communication tool designed to allow users to contact and communicate with other users (Nosko, Wood and Molema, 2010; Ross et al, 2009), which is nonymous, maintain pre-existing social connections and diverse audiences, but its function can also serve user to meet new people with common interest. Users can convey desirable information about themselves (via features such as About Me, Notes, and Status Updates routinely found on SNS) and can select attractive, self-promoting photographs (Mehdizadeh, 2010). For instance, people can send messages to their friends, share their pictures, and maintain a profile page with personal information. They can also join virtual groups to interact with others based on common interests (Ellison, Steinfield and Lampe, 2007; Hinson, 2011; Pempek, Yermolayeva and Calvert, 2009). Besides the basic message and comment interaction, Facebook also provides other easy access and useful tools for users to spread information, such as like, share, or tag (Liang et al., 2011; Pempek, Yermolayeva and Calvet, 2009).
The main purpose of social network sites is sharing information with friends (Hinson, 2011; Liang et al., 2011). Boyd and
Ellison (2007) and Taylor, Lewin and Strutton (2011) also suggested that Facebook’s friends are mostly came from pre-existing social connections, that can cause individual to consider the information from Facebook is more reliable than other commercial message and anonymous WOM. Also, the interconnection between nodes in social network enhances the process of information dissemination and amplifies the influence within each other. Therefore, this study discussed the influence of network effect during the information dissemination, based on network structure point of view.
Network effect
Network effects, relates to the influence of the structure of connection patterns (Katona, Zubcsek and Sarvary, 2011). Brown and Reingen (1987), and Vilpponen, Winter and Sundqvist (2006) confirmed that individuals’ WOM behavior is influenced by the properties of social relationships among them, such as network structure. It can be distinguished to degree effect and clustering effect.
The relationship between degree effect and information disseminate
Degree means the number of connections an individual has (Katona, Zubcsek and Sarvary, 2011). It is the probability of the number of links per node has over the entire network (Dover, Goldenberg and Shapira, 2012).
Gonzales, Hancock and Pennebaker (2010) claimed that with Facebook visualizing and displaying the friends’ connections, a large number of Facebook friends could remind users of their social connections and boost their self-esteem, which could enhance their subjective well-being level. Besides, because the technology is well-suited to maintaining weak ties cheaply and easily, SNSs could greatly increase on forming and maintaining weak ties (Donath and Boyd, 2004). These weak ties is a bridge social capital that allowing users to create and maintain larger, diffused networks of relationships from which they could potentially draw resources (Donath and Boyd, 2004). Lim and Putnam (2010) and Granovetter (1982) also claimed that loose connections between individuals may provide useful information and new perspectives for one another but typically less on emotional support. Thus, this study suggested that the degree will significant impact information disseminate on Facebook. Based on prior works, this study proposes the following hypothesis:
H1: As network degree increases, the level of information dissemination will be wider.
Furthermore, Krackhardt (1998) claimed that to evaluate the influence of individuals’ contacts should not only count the number of related actors but also need to examine how those relationships are embedded in the entire network of relationships. This study shall discuss how clustering impact the information disseminate on Facebook.
The relationship between clustering effect and information disseminate
Clustering characterizes the density of connections in the network. Dense network means a closed or integrated network, in which the alters know each other well and the dilute network is an open or radial network where the alters hardly know each other (Sohn, 2009). Girvan and Newman (2002) also suggested that denser networks have more connections and are usually close-knit and well-defined communities, which is benefit for a seed because in-group members are likely to help and reward each other. Thus, network density does not indicate how close the ego and the alters are in the network, but reveal which the nodes are interconnected (Scott, 2000). Clustering coefficient is used to measure the extent to which a set of members are interconnected (Watts and Strogatz, 1998). It is clear that this measure might be relevant in a context in which these members exert an influence on another member.
Network closure theory proposes that when two related individuals are connected to the same third parties, the network becomes more effective at transmitting information, and the affected relationships ultimately become stronger (Burt, 2005; Coleman, 1988). The shared third parties create redundant paths for information flow, leading to increased trust between the two related actors.
