1. 引言
依托互联网强大的实时、交互、动态等特性，短视频成为人类获取信息的重要途径。为进一步吸引以及维持受众的媒介，短视频的内容创作与平台渠道开始进一步推动内容领域的垂直细分化[1]。用户的能动性不断增强，在使用短视频APP中会根据自己的感知价值作出评价，对后面的使用行为造成影响，消费者会基于感知所得和所失进行产品效用的整体性评估[2]。
个性化推荐服务成为了各个短视频平台吸引新用户、巩固老用户的重要因素。平台不断加强推荐内容精准性、优化推荐展示与时机、提升推荐易用性[3]。受众对电子商务个性化推荐技术的接受意向受到诸多因素的影响如个人信任倾向中的信任立场、系统信任中感知第三方有效性和感知安全有效性、技术特性中的感知易用性和感知有用性、主观规范中的个人规范和社会规范[4]。个性化推荐系统通过学习用户的行为数据和偏好，旨在提供与用户兴趣相匹配的信息，从而提升用户体验和满意度[5]。每个用户都是信息的传播者或接受者，满意度程度直接影响平台选择及体验，如何及时捕捉用户的短视频使用的习惯，从而及时改变推荐服务，从而增加用户满意度就变得尤为重要。
2. 理论模型与研究假设
2.1. 满意度理论模型
满意度是指用户在使用产品或享受服务的过程中产生的一种主观感受，这种主观感受直接影响后续产品或服务的继续使用，以及影响未来选择的产品或者服务。用户满意是得到满足后的一种心理反应，取决于商品的实际消费效果和消费者预期的对比，是指个人通过对产品的可感知效果与他人的期望值相比较后所形成的愉悦或失望的感觉状态[6]。
目前影响较大的有美国顾客满意度模型(ACSI)、中国顾客满意度模型(C-CSI)和欧洲顾客满意度模型(ECSI)。美国顾客满意度模型(ACSI)由美国密西根大学经管学院教授克拉埃斯·福内尔(Claes Fornell) [7]提出，该模型主要包含六个变量，分别是感知质量(Perceived quality)、感知价值(Perceived value)、顾客预期(Customer expectations)、顾客满意度(Customer satisfaction)、顾客抱怨(Customer complaints)、顾客忠诚(Customer loyalty)。中国顾客满意度模型(C-CSI)融入了中国顾客的使用特征，由六个变量组成，包含品牌形象、预期质量、感知质量、感知价值、顾客满意度、顾客忠诚。欧洲顾客满意度模型(ECSI)由欧洲质量组织等机构的组织下提出的，该模型主要包含了企业形象、顾客期待、感知质量、感知价值、顾客满意度、顾客忠诚。
2.2. 信息系统成功模型
信息系统成功模型在当代仍然有着关键的作用，特别是在与满意度模型等的结合，解决了许多研究中的实际问题，模型中的因子对系统满意度的研究有着极大的意义。信息系统成功模型是美国学者Delone和Mclean在分析前人研究成功的基础上，总结出来的六个指标变量，分别是：系统质量、信息质量、系统使用、用户满意、个人影响和组织影响。随着信息系统成功模型在各个企业中的不断应用发展，以往的模型已经不足以支撑当代复杂的企业发展，因此亟需在其中添加或改变变量来实现D&M模型的转换升级。这其中，信息质量、系统质量和服务质量能够更加地符合现代信息系统产品的研发和运营[8]。
2.3. 研究假设
在阅读大量关于ACSI模型和C-CSI模型的文献之后，本研究结合了中国顾客满意度模型(C-CSI)、美国顾客满意度模型(ACSI)和D&M信息系统成功模型，以推荐内容质量、系统质量、推荐服务质量、推荐更新质量为前提变量，以用户满意度和用户忠诚为结果变量，建立了短视频平台推荐服务的用户满意度模型，如图1所示。
Figure 1. Short video platform promotes service user satisfaction model
图1. 短视频平台推进服务用户满意度模型
刘鸣筝等人认为系统质量是指用户生产内容依托的短视频应用的系统质量，并将系统质量设置为易用性、功能性、可靠性、适应性和安全性5个次级准则[9]。系统的可靠性用推荐内容质量来衡量，功能性用推荐更新质量来衡量，并且功能性影响可靠性。推荐内容质量是指平台推荐服务为用户推荐内容的新颖、原创等特征，推荐内容质量越好，用户满意度越大。推荐服务质量是指平台推荐服务，包括客户回复等的质量对用户满意度的影响，推荐服务质量越好，用户满意度指数越高。推荐更新质量是指平台的推荐更新、速度能否满足用户需求，对用户满意度有着极大影响。
基于以上分析，提出以下假设：
H1：推荐更新质量正向影响推荐内容质量；
H2：推荐内容质量正向影响系统质量；
H3：推荐服务质量正向影响系统质量度；
H4：推荐服务质量正向影响推荐服务的满意度；
H5：系统质量正向影响推荐服务的满意度。
其次，短视频平台用户的满意度直接影响用户忠诚。美国学者Richard L. Oliver曾经将用户忠诚分为四个逐渐递进的维度，由低到高分别是认知忠诚、情感忠诚、意向忠诚和行为忠诚，最终形成用户对产品、服务的忠诚[10]。用户在使用短视频的时候，这四个维度也在无形中逐渐递进。邓朝华等人认为较高服务质量的移动即时通讯服务不仅会吸引新的顾客，也能保留原有的顾客，甚至是将竞争者的用户吸引过来[11]。所以，推荐服务质量对用户的拉新、保留特别重要，也会直接影响用户忠诚。
基于以上分析，提出以下假设：
H6：用户对推荐服务的满意度正向影响用户忠诚；
H7：推荐服务质量正向影响用户忠诚。
3. 研究设计与数据收集
3.1. 研究对象的选取
快手作为国内较为热门的短视频平台，用户画像丰富，同时快手的当下战略更多的是面对下沉市场，普及大量地级市以及乡村，所以本文的问卷调查对象要涉及多方面的选择。首先最重要的是选择20~40岁比较年轻的用户群体，因为他们对推荐服务比较清楚，并且感知比较准确，有着一定的主见，能调查提出宝贵意见。其次还要研究20岁以下及40岁以上的用户群体，了解他们如何接触快手平台的，有没有受到推荐服务的影响等问题。
3.2. 量表设计
本文结合中国顾客满意度模型(C-CSI)和美国顾客满意度模型(ACSI)，引入信息系统成功模型(D&M模型)，加入新提出的因素创立顾客满意度模型，把模型中的影响因素设置为一级指标。之后再设置一个衍生指标，作为一级指标的具体化。采用李克特5级量表进行评分，即非常同意5分、同意4分、不确定3分、不同意2分、非常不同意1分。一级指标和二级指标如表1所示。
Table 1. Scale design
表1. 量表设计
影响因素/一级指标 |
二级指标/具体分析项 |
用户满意度 |
A1 快手平台推荐服务能满足我的期望 A2 我认为刷到的短视频能达到我的预期 A3 平台推荐给我的内容是多样、丰富的 A4 我认为快手服务非常精确推荐 |
用户忠诚 |
B1 我没使用过除了快手之外的短视频平台 B2 当其他平台推出新的推荐服务时，我考虑过转移平台 B3 我会向其他人推荐快手平台 B4 我乐意接受平台推荐的新东西 |
推荐内容质量 |
C1 我会有耐心地看完推荐的视频内容 C2 推荐视频的标题、封面都易于接受 C3 推荐内容的时长我能够接受 C4 快手推荐的短视频内容符合我的兴趣爱好 |
系统质量 |
D1 我使用快手时，没有出现过误触等操作失误情况 D2 使用该平台时，未遇到系统故障或错误 D3 对平台推荐服务的整体系统质量都满意 D4 平台界面设计和体验都很好 |
推荐服务质量 |
E1 在平台上购买推荐的产品或服务时，质量是让我满意的 E2 快手推荐的内容符合我的当下需求 E3 在平台上搜索时，推荐给我的内容满足我预期 E4 客服能够快速解决我在使用时反馈的一些问题 |
推荐更新质量 |
F1 快手平台的推荐服务更新频率很快 F2 平台总是根据我的观看记录实时更新推荐内容 F3 系统根据我的最近浏览记录更新的内容是精准无误的 F4 当我的关注领域发生变化时，推荐系统能够很快反应 F5 快手不会给我推送重复或者过时的内容 F6 平台推荐内容紧跟时事和流行趋势 F7 平台推荐的视频等内容注重原创性和新颖性 |
3.3. 数据收集
本文的问卷分为两部分。第一部分是对调查者基本情况的了解，第二部分是量表设计问卷问题。问卷采用问卷星发放，通过小红书、快手、微信朋友圈、微信群等进行转发收集。本文问卷调查地点几乎包括全国，主要调查地点为浙江省、贵州省、四川省、辽宁省、海南省等省份，共收回有效数据334份。调查者中男女比例相近，分别为47.3%、52.7%，保证了受众性别的均衡，问卷数据中21~40岁的用户占64.4%，满足对年轻用户的研究需求。同时86.2%的用户受过高等教育，对推荐服务有一定的自我见解。
3.4. 结构方程模型设计
根据满意度理论模型在Amos里面做出初始结构方程模型路径图，形成平台推荐服务对用户满意度的结构方程模型。该模型中有6个结构变量，其中e1~e31为显变量的误差，e32~e35为潜变量误差，初始模型路径图如图2所示。
4. 研究结果
4.1. 样本的相关性分析
相关性分析是指对两个及以上变量进行分析，描述它们的相关性，以此来验证变量质量是否有较强的联系，能否构建模型。一般来说相关性越强越好，本文用SPSS26.0对有关平台推荐服务的6个变量做了相关性分析，如表2所示，各个变量两两之间相关性均较强。
Figure 2. Initial path diagram of the model
图2. 模型初始路径图
Table 2. Variable correlation analysis
表2. 变量相关性分析
|
用户满意度 |
用户忠诚 |
推荐内容
质量 |
系统质量 |
推荐服务
质量 |
推荐更新
质量 |
用户满意度 |
1 |
|
|
|
|
|
用户忠诚 |
0.801** |
1 |
|
|
|
|
推荐内容质量 |
0.838** |
0.811** |
1 |
|
|
|
系统质量 |
0.814** |
0.802** |
0.837** |
1 |
|
|
推荐服务质量 |
0.815** |
0.816** |
0.839** |
0.852** |
1 |
|
推荐更新质量 |
0.827** |
0.819** |
0.829** |
0.836** |
0.872** |
1 |
**在0.01级别(双尾)，相关性显著。
4.2. 信度检验
本文首先对六个维度，总共27个问题的量表进行Cronbach’s Alpha系数分析，利用spss对收集到的334份有效数据进行信度检验。从表3中可以看出来，用户预期的信度系数为0.821，用户忠诚的信度系数为0.810，推荐内容质量的信度系数为0.863，系统质量的信度系数为0.863，推荐服务质量的信度系数为0.864，推荐更新质量的系数为0.888表明问卷的信度较高。
Table 3. Reliability coefficient of questionnaire scale
表3. 问卷量表信度系数
测量变量 |
测量题数 |
Cronbach’s Alpha系数 |
用户满意度 |
4 |
0.821 |
用户忠诚 |
4 |
0.810 |
推荐内容质量 |
4 |
0.863 |
系统质量 |
4 |
0.863 |
推荐服务质量 |
4 |
0.864 |
推荐更新质量 |
7 |
0.888 |
4.3. 效度检验
4.3.1. 结构效度检验
本文通过对数据进行处理之后，利用spss26.0对数据的KMO值以及巴特利特球形检验指标进行检验，如表4所示。可以看出KMO值是0.981，巴特利特球形检验指标不足0.05，说明本文的数据具有较好的结构效度。
Table 4. KMO values and Bartlett sphericity test
表4. KMO值以及巴特利特球形检验
KMO值以及巴特利特球形检验 |
KMO取样试切性量数 |
0.981 |
巴特利特球形度检验 |
近似卡方 |
6423.583 |
自由度 |
351 |
显著性 |
0.000 |
4.3.2. 收敛效度检验
本文在Amos Output中将estimate的数据提取并加工计算、处理得出相对应的CR和AE值，包括用户满意度、用户忠诚、推荐内容质量、系统质量、推荐服务质量、推荐更新质量在内的六个变量指标进行CFA分析。所有负荷量除了B1、B2和F6题项，都在0.7以上，比较显著，其CR值在0.80以上，平均变异数萃取量AVE在0.5以上，因此该模型研究具有实际意义，如表5所示。
Table 5. Convergence validity test
表5. 收敛效度检验
路径关系 |
标准化系数 |
CR (组合信度) |
AVE (收敛度) |
A1 |
<--- |
用户满意度 |
0.715 |
0.823 |
0.537 |
A2 |
<--- |
用户满意度 |
0.758 |
A3 |
<--- |
用户满意度 |
0.728 |
A4 |
<--- |
用户满意度 |
0.729 |
B1 |
<--- |
用户忠诚 |
0.696 |
0.817 |
0.529 |
B2 |
<--- |
用户忠诚 |
0.658 |
B3 |
<--- |
用户忠诚 |
0.782 |
B4 |
<--- |
用户忠诚 |
0.767 |
C4 |
<--- |
推荐内容质量 |
0.765 |
0.863 |
0.611 |
C3 |
<--- |
推荐内容质量 |
0.784 |
C2 |
<--- |
推荐内容质量 |
0.783 |
|
|
C1 |
<--- |
推荐内容质量 |
0.794 |
D4 |
<--- |
系统质量 |
0.809 |
0.864 |
0.613 |
D3 |
<--- |
系统质量 |
0.786 |
D2 |
<--- |
系统质量 |
0.782 |
D1 |
<--- |
系统质量 |
0.754 |
E1 |
<--- |
推荐服务质量 |
0.784 |
0.864 |
0.614 |
E2 |
<--- |
推荐服务质量 |
0.742 |
E3 |
<--- |
推荐服务质量 |
0.799 |
E4 |
<--- |
推荐服务质量 |
0.807 |
F7 |
<--- |
推荐更新质量 |
0.708 |
0.889 |
0.533 |
F6 |
<--- |
推荐更新质量 |
0.692 |
F5 |
<--- |
推荐更新质量 |
0.708 |
F4 |
<--- |
推荐更新质量 |
0.74 |
F3 |
<--- |
推荐更新质量 |
0.741 |
F2 |
<--- |
推荐更新质量 |
0.743 |
F1 |
<--- |
推荐更新质量 |
0.776 |
4.4. 结构方程模型分析
4.4.1. 模型拟合
结构方程模型基于协方差矩阵来分析变量之间关系，基本假设：样本共变异数矩阵 = 模型共变异数矩阵。Amos软件提供的是其中常用的5种模型估计参数的方法，本文选择对样本数量要求较少(<500)的GLS法对模型初始路径进行运算，如图3所示。
Figure 3. Sample initial path graph operation
图3. 样本初始路径图运算
在Amos中进行运算后，会生成一个Amos Output的文件，文件中的Model Fit栏的数据显示本课题研究数据的拟合度。本文分别对卡方/自由度(CMIN/DF)、RMSEA (近似均方根误差)、IFI (增值拟合指数)、TLI (测试理论指数)、CFI (比较拟合指数)、GFI (优化拟合指数)进行了检验，均在可行区间内，如表6所示。
Table 6. Model fit statistics
表6. 模型拟合度统计
指标 |
参考标准 |
实测结果 |
CMIF/DF |
1~3为优秀，3~5为良好 |
3.103 |
RMSEA |
<0.05为优秀，<0.08为良好 |
0.079 |
IFI |
>0.9为优秀，>0.8为良好 |
0.894 |
TLI |
>0.9为优秀，>0.8为良好 |
0.882 |
CFI |
>0.9为优秀，>0.8为良好 |
0.894 |
GFI |
>0.9为优秀，>0.8为良好 |
0.870 |
4.4.2. 假设检验
模型路径关系是假设检验的一个必要前提，P值列***代表相关极强，P值列**代表相关性一般，*代表P值小于0.05，相关性较弱。如果P值是一个常数，则代表该模型路径不相关，不能用来验证假设。本文通过Amos中的Amos Output对模型路径关系数据进行提取，如表7所示，所有数据均达标，有强相关性。
Table 7. SEM model path verification results
表7. SEM模型路径检验结果
路径 |
Estimate |
S.E. |
C.R. |
P |
推荐内容质量 |
<--- |
推荐更新质量 |
1.000 |
0.072 |
13.869 |
*** |
系统质量 |
<--- |
推荐内容质量 |
0.619 |
0.049 |
12.594 |
*** |
系统质量 |
<--- |
推荐服务质量 |
0.459 |
0.039 |
11.861 |
*** |
用户满意度 |
<--- |
系统质量 |
1.275 |
0.114 |
11.177 |
*** |
用户满意度 |
<--- |
推荐服务质量 |
−0.374 |
0.057 |
−6.566 |
*** |
用户忠诚 |
<--- |
用户满意度 |
1.068 |
0.108 |
9.874 |
*** |
用户忠诚 |
<--- |
推荐服务质量 |
0.182 |
0.047 |
3.840 |
*** |
根据路径分析表得知，满意度模型路径支持假设检验，具体如表8所示。
Table 8. Hypothesis testing analysis
表8. 假设检验分析
原假设 |
内容 |
检验情况 |
H1 |
推荐更新质量与推荐内容质量呈正相关关系 |
支持 |
H2 |
推荐内容质量与系统质量呈正相关关系 |
支持 |
H3 |
推荐服务质量与系统质量度呈正相关关系 |
支持 |
H4 |
推荐服务质量与对推荐服务的满意度呈负相关关系 |
支持 |
H5 |
系统质量与对推荐服务的满意度呈正相关关系 |
支持 |
H6 |
用户对推荐服务的满意度与用户忠诚呈正相关关系 |
支持 |
H7 |
推荐服务质量与用户忠诚呈正相关关系 |
支持 |
5. 结论与展望
5.1. 主要结论
本文是以快手为例的用户对平台推荐服务的满意度研究，在综合中国顾客满意度模型(C-CSI)、美国顾客满意度模型(ACSI)以及信息系统成功模型的基础上，加入推荐更新这一变量，构建了新的满意度理论模型，建立结构方程模型进行拟合验证假设。最后总结出以下几点：
1) 选择以多个模型进行结合构建模型，使其符合当今全球化的趋势，也符合当下快手APP走向海外市场的情况，能够使用该模型对各国使用短视频平台的推荐服务满意度进行研究。同时，加入了一个推荐更新质量，主要是用于研究推荐更新的速度、质量等内容，符合当下快节奏社会下用户对各种软件的使用需求，也就是更快速的获取信息。此外，通过SPSS、Amos等软件，进行探索性因子分析、验证性因子分析和结构方程模型分析，整个定量分析过程信度、效度检验，更具科学性。
2) 包括快手在内的短视频平台需要注重推荐系统整体质量的提升，不能只看重某一方面的提升，需要对其他影响用户满意度的推荐服务系统的因子进一步研究提升，否则可能会使用户产生其他的逆反心理。
3) 平台推荐服务虽然与用户满意度呈反向相关，不会直接影响用户满意度从而间接影响用户忠诚，但是平台推荐服务质量会直接影响用户忠诚。一方面，对于一些用户来说，可能对快手APP或者其他短视频平台已经形成依赖关系，所以整个系统不会对他们影响太大，反而倾向于把平台的推荐服务质量与其他平台进行比较，这类用户更多的是快手平台的资深用户。另一方面，对于一些用户来说，推荐服务质量和推荐内容质量形成的系统质量会先影响他们对快手短视频平台的满意度再达到用户忠诚，这类用户多数是快手平台的新用户或者使用不多的用户，他们会从多种因素评价各类软件的使用。因此，各类短视频平台不仅要提高系统的整体质量吸引新用户和留住使用不多的用户，同时还要集中提升某一因素的质量，提升老用户的忠诚。
5.2. 不足与展望
本文的写作过程中遇到了许多困难，包括数据的有限和研究的单一等，存在许多不足和展望的地方：
1) 本文的问卷调查中，发布了很多给包括爷爷奶奶一辈的快手APP体验者，由于大家对问卷的不熟悉，也可能没有自己的主见，对数据造成一定的干扰，因此可能未来可能需要线下走访进行数据调查，并研究老年群体的短视频平台推荐服务满意度。
2) 包括快手在内的短视频平台近年来蓬勃发展，用户基数极大，本文主要讨论了六个基本方面，但是这些数据研究的研究对象是大量的快手用户群体，并没有对用户进行细分。未来可以从用户的细分化进行研究，比如对资深的用户或者脱坑的用户研究平台推荐服务是否与用户满意度呈负相关，但是直接影响用户忠诚等。因此，本文的研究总体来说比较广泛，后续的研究也需要像研究平台的某一项功能一样，深入研究某一类型的用户。
3) 本文研究的平台推荐服务对用户满意度的影响，是基于问卷的实证研究，同时构建结构方程验证假设，方法都是基于量化的角度。未来的研究可以考虑用量化和质化相结合的方法进行研究，交叉验证假设。同时，该模型中还未考虑到用户所处群体对其使用短视频软件的影响，未来将会从群体规范等方面继续进行下一步研究。
NOTES
*通讯作者。