近年來(lái),隨著移動(dòng)互聯(lián)網(wǎng)的蓬勃發(fā)展和移動(dòng)設(shè)備的廣泛應(yīng)用,移動(dòng)社交網(wǎng)絡(luò)日益壯大。然而,隨著移動(dòng)社交網(wǎng)絡(luò)整體規(guī)模的不斷擴(kuò)大,用戶開始出現(xiàn)滿意度降低、活躍度下降等現(xiàn)象,部分用戶不再持續(xù)使用甚至徹底放棄使用移動(dòng)社交網(wǎng)絡(luò)平臺(tái)。此現(xiàn)象使移動(dòng)社交網(wǎng)絡(luò)平臺(tái)的收益有所下降,給移動(dòng)社交網(wǎng)絡(luò)平臺(tái)的進(jìn)一步發(fā)展造成了嚴(yán)重阻礙。因此,如何有效提升移動(dòng)社交網(wǎng)絡(luò)用戶的滿意度和活躍度,進(jìn)而減少用戶流失的可能性,已經(jīng)成為移動(dòng)社交網(wǎng)絡(luò)研究領(lǐng)域重點(diǎn)關(guān)注的問(wèn)題。目前,移動(dòng)社交網(wǎng)絡(luò)使用行為領(lǐng)域的相關(guān)研究,大多未對(duì)用戶不持續(xù)使用行為進(jìn)行深入研究,主要聚焦于促進(jìn)用戶停止使用平臺(tái)的影響因素研究。然而,不持續(xù)使用行為包括多種不同嚴(yán)重程度的行為。其中,永久放棄使用或轉(zhuǎn)移至其它平臺(tái)為程度較重的不持續(xù)使用行為,而降低使用頻率、暫時(shí)不使用、短暫放棄又再使用等則為程度較輕的不持續(xù)使用行為,即間歇性中輟行為。對(duì)于移動(dòng)社交網(wǎng)絡(luò)平臺(tái)而言,采取措施保留程度較輕的不持續(xù)使用用戶的經(jīng)濟(jì)效益更高。目前,鮮有學(xué)者對(duì)程度較輕的間歇性中輟行為進(jìn)行深入研究,且對(duì)抑制用戶停止使用平臺(tái)的影響因素的研究不夠深入。因此,有必要對(duì)移動(dòng)社交網(wǎng)絡(luò)用戶間歇性中輟行為的影響因素展開深入研究...

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1技術(shù)路線圖

3(2)現(xiàn)實(shí)意義移動(dòng)社交網(wǎng)絡(luò)為用戶帶來(lái)了全新的社交體驗(yàn)，龐大的用戶群體也為企業(yè)實(shí)現(xiàn)商業(yè)價(jià)值提供了新的機(jī)遇。然而，隨著移動(dòng)社交網(wǎng)絡(luò)的發(fā)展，用戶產(chǎn)生了不持續(xù)使用行為，對(duì)平臺(tái)進(jìn)一步創(chuàng)造更高的經(jīng)濟(jì)效益造成了阻礙。本文聚焦于移動(dòng)社交網(wǎng)絡(luò)用戶的間歇性中輟行為，綜合考慮了促進(jìn)和抑制用戶停止使用....

圖2-1移動(dòng)社交網(wǎng)絡(luò)用戶間歇性中輟行為影響因素模型

15響。其中，沉浸體驗(yàn)為抑制用戶停止使用移動(dòng)社交網(wǎng)絡(luò)平臺(tái)的影響因素，分為享受、專注和時(shí)間失真三個(gè)維度。享受、專注和時(shí)間失真為反映型指標(biāo)，因此本文構(gòu)建了二階模型進(jìn)行研究。圖2-1移動(dòng)社交網(wǎng)絡(luò)用戶間歇性中輟行為影響因素模型第二節(jié)研究設(shè)計(jì)一、變量測(cè)量與量表設(shè)計(jì)據(jù)《艾媒報(bào)告》數(shù)據(jù)顯示，微....

圖3-1假設(shè)檢驗(yàn)結(jié)果

25第四節(jié)結(jié)果討論本研究通過(guò)PLS-SEM檢驗(yàn)移動(dòng)社交網(wǎng)絡(luò)疲勞、沉浸體驗(yàn)與間歇性中輟行為之間的關(guān)系，還探討了功能過(guò)載、信息過(guò)載、社交過(guò)載及沉浸體驗(yàn)對(duì)移動(dòng)社交網(wǎng)絡(luò)疲勞的影響。相較于CBSEM，PLS-SEM可同時(shí)處理反映型指標(biāo)及形成型指標(biāo)，更適用于處理復(fù)雜的結(jié)構(gòu)模型，且可輕松處理二....

圖4-2SEM-MA二、SEM-MANN組合模型分析

30塊”和“沉浸體驗(yàn)子模塊”。三個(gè)子模塊的拓?fù)浣Y(jié)構(gòu)類似，各自包含一個(gè)輸入層、一個(gè)隱藏層和一個(gè)輸出層。以“功能過(guò)載子模塊”為例，輸入變量為SEM中潛在變量“功能過(guò)載”的觀測(cè)變量，即FUN1、FUN2和FUN3，隱藏層為“功能過(guò)載”神經(jīng)元。其次，三個(gè)子模塊的輸出均連接至“移動(dòng)社交網(wǎng)絡(luò)....

本文編號(hào)：4034310