张 瑞 胡丽娜 黄 炜，2*

(1.湖北工业大学经济与管理学院，湖北 武汉 430068；2.武汉晴川学院商学院，湖北 武汉 430204；3.湖北省循环经济发展研究中心，湖北 武汉 430068)

随着互联网技术快速发展，虚拟社区成为人们通过计算机网络相互交流的平台。同时，知识经济的兴起促使人们在虚拟社区中进行知识搜寻、知识交流等活动。虚拟学术社区被定义为一种新兴的虚拟社会组织，社区成员可以在其中进行知识共享与学术互动[1]，并以其高度开放性和交互性成为知识交流的重要场所[2]。近年来，以经管之家、小木虫、丁香园、ResearchGate、Academia等为代表的国内外虚拟学术社区不断发展，使得学术知识获取与问题解决变得更加便捷，提高了知识传播效率，间接促进了个人学术水平提升和科研团队进步。

虚拟学术社区的发展离不开成员的知识交流和持续贡献行为[3-6]。知识交流是成员之间通过各种活动和互动交流专业知识与想法，并在其中有所获益的过程，受个体差异、信息质量、社区特征、社会影响等诸多因素的影响[7-10]。由于知识具有独享性，成员必须有意愿和动力才能促成社区知识的流动，例如Law S P等[11]探究发现，参与者之间的信任对分享和获取知识的态度有积极影响；孙富杰[12]提出，用户满意度和激励因素是影响学术虚拟社区知识交流的主要因素。随着人和人之间的社会互动逐渐增多、社会联结逐渐加强，个人决策不再单一取决于决策者本身，其最终决策还会受到邻居行为的影响[13]。向希尧等[14]指出，个体所在知识网络边界不仅取决于地理邻近关系，还受到社会关系邻近影响。不少研究表明，流动主体之间的亲密程度对知识流动有显著影响[15]。吴小兰等[16]利用科学网的全体用户好友关系数据构建知识流动网络，挖掘4个明显的流动路径。从知识主体的角度而言，知识分享和贡献意愿取决于社区的知识成本和知识收益[17]。但知识交流过程涉及主体双方的互动，邻近成员的行为选择也会影响社区的知识交流情况。目前仿真研究中，考虑双方关系对社区成员行为决策变化尚不多见，因此，从微观层面进一步考虑邻近性对知识交流的影响，明晰虚拟学术社区知识交流过程具有一定的必要性。本文尝试建立知识交流多智能体仿真模型，模拟虚拟学术社区中成员微观行为决策，重点考虑邻居对社区成员决策的影响，探索不同条件下个性特征和知识效用参数引起的成员决策变化，总结变化规律，以期为促进知识交流的发生和科研人员良性互动以及虚拟学术社区持续发展提供有益参考。

1 相关研究综述

虚拟学术社区是供学术科研工作者基于一定的学术资源在其中进行知识搜寻和知识共享的在线社交平台[18-19]。社区成员类型可划分为知识提供者、知识接受者和知识评价者，成员相对稳定、交流内容专业、交流态度严谨[20-21]。社区中用户之间信任关系是影响知识交流的重要因素[22]，成员之间的信任、互惠规范均能正向促进知识贡献，对知识交流有促进作用[23-26]；绩效期望、社会影响、感知信任和激励显著促进知识交流[27]。进一步考虑，知识主体主观性决定了知识交流意愿，用户本身特质成为影响知识交流效率关键所在。袁永旭等[28]基于SBM-Tobit模型指出用户积极性和社区成员质量等均对知识交流效率有显著正向影响；杨瑞仙等[29]提出，社区成员质量越高，知识交流效率越高；不同性格成员参与知识交流的动机不同，其行为主要分为投机、利他、自私3种行为[30]，其中利他行为对知识交流的促进作用最大；而自私行为使知识粘性增加，从而使得知识转移能力下降，阻碍知识交流进行[31]。

与线下社区相比，虚拟学术社区中知识隐瞒、知识囤积等反知识生产行为更容易发生[32]，只有小部分人选择主动进行知识贡献，而大多数人则很少进行知识贡献或什么都不做[33]。这种行为将严重阻碍知识交流和知识创造过程[34]，因此，如何减少知识隐瞒、促进用户间知识交流是社区发展建设的关键问题。刘虹等[35]基于MOA理论揭示动机、能力、机会3个维度均对学术社交网络用户知识共享意愿有影响作用。谭春辉等[36]则基于用户评论与Kano模型根据用户不同需求特点提出相应策略以优化虚拟学术社区。研究成员之间的知识交流行为不仅是研究虚拟学术社区的关键，更是促进学术发展和创新的重要途径。

多智能体仿真能直接对所要研究的人、物等进行建模，分析其内在联系。现有虚拟社区方面的研究通过制定智能体规则，借助仿真平台建模，模拟微观层面智能体的交互演变，观察群体中研究对象的动态演化规律[37]。如许子熙等[38]将社区用户的贡献和交互视为Agent在激励机制驱动下的协同行为；Wei X等[39]结合过度自信理论，实现了不同过度自信场景下的在线社交网络信息传播多智能体仿真模型；Ichimura T等[40]利用模拟仿真，发现利他行为可以抑制对多人有关共同对象的自私行为，且有助于激活SNS社区。现实生活场景中，人的行为特征数据通常难以全面获取，通过多智能体仿真方法能够用智能体替代人类参与者，模拟人和人之间的交互。Chen L等[41]在分析城市居民垃圾回收行为策略中，便将后悔愉悦度和个性特征引入基于多Agent模型。基于此，本文通过多智能体仿真探究虚拟学术社区用户行为，全面分析不同场景下用户知识交流决策行为演化机制与规律，以期为学术社区建设和科学知识进步作出一定贡献。

2 模型构建与设计

2.1 模型框架描述

在虚拟学术社区中，个体与个体的知识交流模式是将隐形知识转化为显性知识的过程[42]。知识的流动依赖于用户之间的交流与互动，每个用户在交互中扮演着发起者、组织者和参与者等多个角色[43]。虚拟学术社区的活力取决于用户对于知识交流的活跃度与参与度。本文将虚拟学术社区用户决策简化为是否参与知识交流活动，主要包括发帖、评论、浏览等行为[44]。

从理性经济人的角度，人们更倾向于进行给自己带来收益的决策，或者说付出代价最小的决策，通过多方考虑和评价得到行为决策的最高价值[45]。虚拟学术社区中，人们对知识交流决策结果进行预期，并探索和选择代替方案[46]。如果带来了知识收益(结果相比于其他行为决策更好)，就进行当前行为决策，否则不进行。假定社区成员以“接受”或“拒绝”两种态度与他人进行互动。

人的最终行为结果并不完全由外部环境决定，为了真实反映人的决策过程，陈艾琳[47]指出，在个体面临决策时，需将决策的预期结果与其人格特征结合思考并进行权衡，以提高决策水平。本文构建成员知识交流决策行为概念模型如图1所示，旨在探究知识效用参数和个性特征对知识交流的影响。在外部效用函数因子的影响下，成员结合自身个性特征进行内部决策加工，综合得出最后的决策结果。

图1 社区成员接受与拒绝决策行为概念模型

2.2 理论模型设计

2.2.1 构造知识效用函数

后悔理论认为，成员在实际决策中不仅会考虑目标方案效用，并且还会与其他备选方案进行对比，从对比结果中感到后悔或喜悦，并尽量避免选择让自己感到后悔的方案[48]。结合虚拟学术社区成员在知识交流中的心理分析和后悔理论，假设成员在参与知识交流前，首先会考虑接受或者拒绝两种决策分别带来的效用价值，并对比两种决策带来的正负向差异。

当接受知识交流带来的效用价值大于拒绝的效用价值时，成员会感到喜悦；反之，则会感到后悔。因此，成员对于决策事件的感知价值包括结果的效用价值和后悔—喜悦价值两部分。令A、B方案分别表示成员接受和拒绝知识交流，x和y分别表示A、B两种不同方案的结果。决策者选择A的感知价值为：

U(x,y)=V(x)+R(ΔV(x,y))

(1)

ΔV(x,y)=V(x)-V(y)

(2)

其中，V(x)和V(y)分别代表成员选择A方案和B方案后获得的效用价值，R(ΔV(x,y))为后悔喜悦价值。成员的选择有如下结果：①如果成员选择A方案，拒绝B方案，则当R(ΔV(x,y))>0时，意味着成员对当前决策感到满意。在这种情况下，R(ΔV(x,y))是一个幸福值；②当R(ΔV(x,y))<0时，则意味着成员对当前决策感到后悔，此时R(ΔV(x,y))是一个遗憾值；③当R(ΔV(x,y))=0时，表示成员认为无论选择接受还是拒绝知识交流，这两个决定的感知价值是相同的，不会对任何一个选择感到喜悦或后悔。

在现实生活中，个体的行为决策会受到群体及其他个体行为的直接影响，其最终决策不仅取决于自身的性格特征，还取决于邻居的特征[49]。成员会表现出基于邻居决策的模仿行为，并结合自己的性格特征和邻居的决策信息作出决策。

假设成员1和成员2是彼此的邻居，每个人都根据对方的决策信息做出决策。现假设成员1和成员2的行为策略集分别为S1={G1接受,G2拒绝}、S2={I1接受,I2拒绝}。该模型涉及的参数包括成员人数、知识交流成本、知识交流收益以及收益损失等。

为了表现社区成员在知识交流过程中的交互行为，根据成员1和成员2的行为策略集，进化博弈可以衍生出4种行为策略组合：(接受，接受)、(接受，拒绝)、(拒绝，接受)和(拒绝，拒绝)。结合模型中的参数，可以得到上述4种行为策略下成员1和成员2的收益矩阵，如表1所示。

表1 4种行为策略的收益矩阵

b表示知识交流收益，包括获得更多学术资源、有新的科研项目合作和社区奖励等；c表示知识交流成本，包括时间成本、物质成本、学术资源以及信息技术成本等；n表示社区成员总数；k代表持续进行知识交流的成员比例；f代表利益损失。由于虚拟学术社区的开放性，一些成员可能表现出投机心理和搭便车行为。他们不真正参与知识交流，但可以从其他成员知识交流的过程中获益。基于这种情况，本文引入利益损失f来代表惩罚，并假设b>f。

因此，成员接受知识交流的期望收益E1为：

(3)

成员拒绝知识交流的期望收益E2为：

(4)

如果成员没有进行决策，则收益为0。

假设A表示成员接受知识交流，B代表拒绝知识交流。根据上述博弈情况，A和B得到的结果是：

(5)

(6)

因此，成员的后悔—喜悦价值是：

(7)

其中，当成员接受知识交流时，ΔV=V(A)-V(B)；拒绝知识交流时，ΔV=V(B)-V(A)。在本研究中，w表示影响后悔—喜悦程度的外界因素，如：临近成员行为影响、社区影响等，使后悔—喜悦程度呈线性变化；1/t2表示后悔—喜悦程度随时间呈非线性变化，即后悔—喜悦程度随时间急剧减弱。

由式(1)可知，接受知识交流的效用函数U(A)[50]为：

(8)

拒绝知识交流的成员的效用函数U(B)为：

(9)

2.2.2 个人性格特征匹配

每个成员的个性特征和参与知识活动的动机不同，在社区内面对知识交流时的态度和行为决策也不尽相同。对于是否进行知识交流很大程度上取决于成员自身因素。有研究指出，成员是“利他主义者”还是“利己主义者”可能会对其在学术虚拟社区知识交流的具体行为产生影响[51]。为验证成员特征的影响，本文将成员划分为利己型、中立型或利他型3种类型，其中利己型和利他型两种特征与决策变化关系较为密切，如表2所示。

表2 社区成员特征分类

在信息不完全情况下，个体在决策前会对其邻居的决策行为进行预估，并对比自身情况决定是否进行模仿，表现出一种学习行为，以此作出最终决策[52]。因此，本文综合考虑自身和邻居的特征，用概率分布描述3类社区成员策略改变阈值，其中P1表示利己型、P2表示中立型、P3表示利他型。成员特征匹配定义如下：

定义1：不同类型成员决策改变阈值服从概率分布：Pi～Uniform(m,n)，其中，i=1,2,3。则有P1～Uniform(0,0.3)、P2～Uniform(0.3,0.8)、P3～Uniform(0.8,1)。

定义2：成员个体间的个性特征概率匹配度为Mapping(Pi,Pj)∈(0,1)，其中i,j=1,2,3，表示个体与个体之间相似程度的概率，也可以看作成员间相互模仿的概率，服从均匀分布。

如果两个成员特征类型一致，即i=j，则Mapping(Pi,Pj)=Uniform(0.8,1)；类型相差不大，|i-j|=1，则Mapping(Pi,Pj)=Uniform(0.3,0.8)；类型相差较大，|i-j|=2，则Mapping(Pi,Pj)=Uniform(0,0.3)。个体之间的个性特征越相似，表明个体在面对同一事件时的态度越相似，模仿概率越大；相反，模仿概率越小。

2.2.3 模仿策略表达机制

根据式(8)、(9)计算成员和邻居(接受或者拒绝知识交流)的效用，并将成员自身决策效用与邻居效用对比，若邻居决策中不存在更高效用，则不进行模仿学习；若存在，则选择效用值最高者为学习对象，以概率的方式进行模仿，模仿概率[53]为：

(10)

其中Ui为邻居中效用最大值，Uj为自我效用值；r为信息噪声，其值越大，模仿概率越小。拒绝模仿的概率为1-Pi。

如果模仿概率P(j→i)落在Mapping(Pi,Pj)范围内，即模仿概率大于拒绝模仿的概率时发生模仿行为，其下一时刻的决策将与被模仿者当前时刻的决策一致，则发生模仿行为，否则不发生。成员之间越相似，拒绝模仿的概率越小，越容易进行模仿。

如果模仿概率未落在Mapping(Pi,Pj)范围内，成员不发生模仿，下一时刻的决策可能会改变，也可能不变。成员在下一时刻改变决策的概率是决策改变阈值超过其分布区间的概率。改变决策的概率为[50]：

Pcq=P(X>Pi)

(11)

社区内成员是否参与知识交流的最终决策通过每个人的特定活动、状态和行为特征来体现。本文通过采用个性特征匹配度表示个体间模仿决策的程度，具体决策过程如图2所示。

图2 知识交流中成员互动决策过程图

3 多智能体仿真分析

3.1 仿真环境和参数设置

本文将社区成员互动作为影响个体行为决策的关键因素，综合考虑自身与邻居影响以及其他影响因素的作用，应用多智能体仿真技术模拟社区内成员个体微观决策的变化情况。利用Anylogic平台开发虚拟学术社区的知识交流仿真系统，主模型如图3(a)所示。KnowledgeAgent类中每个成员对应一个KnowledgeAgent对象，如图3(b)所示。

图3 多智能体仿真模型

其中KnowledgeAgent类表示社区成员的集合，变量n表示社区成员总数。主模型中的统计变量有Naccept和Nrefuse，分别表示接受知识交流和拒绝知识交流的成员数量；Time表示每次实验进行的时间。为了使实验更接近于真实情况，事件event用于控制时间Time的变化。

KnowledgeAgent中的参数、变量的设置和定义如表3所示，其中主要的参数定义及设置如下：

1)Personcharacter表示社区成员的个性特征。Personcharacter={1,2,3}，Personcharacter=1表示利己型，Personcharacter=2表示中立型，Personcharacter=3表示利他型，3种类型成员对应数量分别为n1、n2和n3。

2)Decisionrefuse是一个布尔变量，表示成员是否拒绝在第t天进行知识交流活动。如果该值为真，则成员接受知识交流；否则为拒绝。

3)Modifyrate1和Modifyrate2分别表示状态从accept转变为refuse的概率和状态从refuse转变为accept的概率。

3.2 模拟实验结果

3.2.1 个性特征分布的影响

初始状态下，通过随机方式选取一定比例成员作为社区初期进行知识交流的用户。用户比例可参考满足虚拟学术社区生存发展实际需要，也可根据仿真需要适度调整。本研究设定初始模型中成员总数为n=100，网络类型为随机，每个Agent连接数为8。在t=0时，成员接受和拒绝知识交流比例分别为40%和60%。与个人决策相关参数设置为b=100、c=70和f=80。移除前的最长时间Td设置为30天。每次实验为期100天。

选择个性特征分布3个极端组和一个混合组验证成员个性特征对决策的影响。不同个性特征分布下群体决策呈现不同规律，如图4所示。

图4 社区成员个性特征分布的影响

1)在成员全为利己型性格特征情况下，初始时总体上接受的人数多于拒绝的人数，但紧接着发生跳转变化，拒绝人数多于接受人数，整体图线趋于稳定，原因是利己型成员较为注重自身利益，倾向于独立自主决策，不易被其他成员所影响而改变决策，且图像呈现的结果也与本文一开始的设定相符合。

2)成员全为利他型时，总体接受人数较多，图线相比图4(a)起伏较大且伴有多次交叉。这是由于利他型成员以他人或社区利益为重，倾向于做有利于大部分人的决策，其存在能提高社区活动积极性，由此推动知识交流顺利且高效地进行。当拒绝人数较多时，利他型成员为了他人或社区的利益，保证知识交流的持续进行，可能会主动发起知识交流活动，呼吁社区成员参与其中，使得接受知识交流人数逐渐增多。拒绝和接受的人数存在一定程度的波动，但总体来看，接受人数明显高于拒绝人数。

3)在全为中立型成员的情况下，图像展现的结果综合了全为利己型成员和全为利他型成员两种情况，相比于全为利己型成员的图像波动较为剧烈，相比于全为利他型成员的图像波动较为缓和，说明社区中立者在实际决策过程中中和了利己和利他两者的特点。总体拒绝人数明显高于接受人数。

4)假设成员群体个性特征分布为利己型占30%，中立型占30%，利他型占40%，展示了最贴合实际的场景。总体上来看，接受人数多于拒绝人数，图像的多次交叉变换也展现了真实社区中不同成员决策变化过程。3种类型成员的混合存在使得接受和拒绝决策变化较为频繁，但总体人数相对较为稳定，接受和拒绝人数大抵一致。

3.2.2 社区环境因素的影响

针对不同社区环境因素设计并运行多组仿真实验，调整效用参数，观察知识交流过程中社区成员决策的演化规律。

1)b对决策行为的影响

首先c和f设置为固定值80，知识交流成本等于因拒绝知识交流而造成的损失。在此前提下，将知识效用参数b的值分别设置为200、120和100，模拟实验观察分析运行结果，分析知识交流收益对社区成员决策行为的影响，如图5所示。

图5 知识收益对决策行为的影响

从图中发现接受和拒绝人数均有一定程度的波动，且伴有多次的决策状态变化。随着b值的增大，图像从两条线的多次交叉变换到总体拒绝人数占多数，表示Ui和Uj之间的差异越大，成员决策状态就越稳定；随着b值减小，图线交叉变化频繁，表示成员决策状态一直在改变，状态变得不稳定，选择接受和拒绝的人数不相上下。

在实际情况中，无论接受还是拒绝，如果b值够大，成员均能在社区中获得稳定的知识收益，反映了社区中常见的“搭便车”现象。同时，成员判断出当前决策对自己有利时便会积极参与到当前的交流中，不会冒险轻易改变决策，决策状态趋于稳定。反之，b值越小，决策状态越难于稳定，波动明显。在社区知识交流活动中，社区平台层面可以给予适当的激励，如资源开放、等级奖励等方式来使社区成员在活动时达成共识，避免决策的反复改变造成自身的损失，有助于成员社区活动决策的稳定。

2)c、f对决策行为的影响

设置b=120不变，调整c和f，可以确定c和f之间的大小关系在成员行为的宏观趋势中起决定性作用，如图6所示。

图6 知识交流成本和利益损失对决策行为的影响

①当c>f，即当知识交流成本大于因未进行知识交流而造成的损失时，群体决策为拒绝占多数。从实际出发来看，当成员在社区中付出的时间、精力或分享的资源和知识没有得到相应的知识收益时，根据社会交换理论，成员并没有达到在社区里学习的目的，知识交流的意愿将会减弱，表现出决策拒绝状态。

②当c

3.3 结果分析

虚拟学术社区的主体是人，而人的行为会受很多因素的影响而发生改变。社区用户行为的变化一定程度上会影响社区的整体活动和发展，因此，了解虚拟学术社区用户行为心理及其变化对于虚拟学术社区的发展和建设具有重要作用。通过多智能体仿真模拟实验展现了成员面对知识交流时的决策变化对系统整体变化的影响，反映了个性特征和系统环境因素的重要性，具体为：

1)成员个性特征分布影响主要表现为利己型人格对知识交流有一定程度的抑制作用，该特征人群不易受邻居影响，拒绝参与知识交流人数明显多于接受人数；中立型人格对知识交流促进作用不明显，原因是这类人具有有限理性，不会轻易改变决策；利他型人格在社区活动中能够相互影响，对知识交流有较为显著的正向促进作用，使得系统达到一个平衡状态。

2)知识收益决定了群体决策状态的稳定性。成员进行知识交流的共同目的是获得知识收益，他们从中获益越多，对决策结果的满意程度越高，越不会轻易改变当前决策，群体决策状态越稳定；相反，收益越少，出于自身考虑，为了获得更多收益，成员会改变当前决策而导致整体决策状态难于稳定，不利于知识交流活动的稳定持续进行。

3)群体决策的宏观趋势取决于知识交流成本和未进行知识交流的收益损失。当知识交流成本等于收益损失时，接受和拒绝知识交流的人数大致相同。同时，成本越小，成员所获得的相对知识收益越多，更多成员倾向于接受知识交流；当知识交流成本大于收益损失时，成员往往为达到损失最小化而拒绝进行知识交流；情况相反时，成员倾向于接受知识交流。

4 启示与建议

4.1 完善社区互利互惠规范，增强优质用户粘合度

相关研究表明，虚拟学术社区科研合作在对称互惠共生模式下最为稳定[54]。本研究中，同样证明系统处于全为利他型特征成员时，最终呈现接受人数大于拒绝人数的稳定状态。可见，提升虚拟学术用户共享意识、鼓励用户合作共赢能有效改善社区整体知识交流环境。完善互利互惠规范能有效降低虚拟学术社区中的“封闭主义”和“投机主义”，对构建和谐的知识交流网络发挥积极作用。有研究表明，知识型社区搜寻者可以提升自我效能，增强内部动机转变为贡献者[55]。从社区角度，可设置有效的学术反馈、社会认可等评价制度，进而增强用户的自我效能感和参与动机。同时，为满足目标用户需求，虚拟学术社区的内容质量是增强用户粘性的关键。构建合理的质量保障与控制机制，能确保用户质量以及高质量内容产出，营造和谐良好的社区交流环境。

4.2 实施差异化激励机制，促进知识价值良性循环

在虚拟学术社区中，频繁改变决策不仅会增加时间和知识成本，也会在一定程度上增大个体的心理后悔值，使得知识效用价值减小。本研究显示，知识收益的大小与系统稳定性密切相关，同时知识收益增大并未显著改变系统参与知识交流的人数，反而助长了社区“搭便车”行为。主要原因在于虚拟学术社区中，知识具有公共财产性质，是否参与知识交流得到的知识收益差异并不明显。一方面，保证虚拟社区较高的基础知识收益能够提高参与知识交流的群体决策稳定性，避免成员决策的多次转变造成自身损失；另一方面，可以实施差异化激励机制，提高知识收益的差异化程度，如根据用户贡献程度给予对应的提升等级、金币或积分奖励等[56]。创造高回报的社区氛围，牢固树立用户的积极参与意识，使成员达成参与知识资源创造可以带来高价值效益的共识，实现社区知识价值的良性循环。

4.3 提高资源服务质量，构建动态平衡合作新生态

前景理论认为，人们失去利益的痛苦要大于得到同等利益的快乐[57]。本文发现，知识交流成本和收益损失共同决定群体决策的宏观趋势。在知识交流成本相等的情况下，人们对未进行知识交流而造成的损失较为敏感，显著影响接受和拒绝人数。因此，为保证用户参与率，虚拟学术社区应尽量降低成员知识交流的时间和参与成本，提高技术层面的支持，如多开放一些公共学术资源、根据成员需求进行活动个性化推荐等。此外，虚拟学术社区内容具有数量大、价值高的特点[58]。通过学术交互促进科研人员最终合作是虚拟学术社区的根本功能和价值所在[59]。开展论文分享、案例研讨、项目招标等各项学术活动，有助于深化用户之间的科研合作，帮助用户建立个人科研网络。科研用户在虚拟学术社区中的自我实现需要是维持知识交流的关键，提升学术社区的资源服务质量，立足全方面深化知识融合与创新是促进虚拟学术社区可持续发展的核心方向。

5 结 语

虚拟学术社区知识交流遵循复杂的内在机制，用户的社会网络关系、社会心理等决定了最终的知识交流效果。本文将心理学理论、行为决策以及演化博弈相结合，考虑后悔和有限理性的成员交互行为，依此构建虚拟学术社区知识交流多智能体模型。从社区环境和个性特征两个层面进行描述，对不同性格特征主体之间交互影响进行设定。通过仿真分析发现，社区成员性格特征比例与系统内的知识交流接受人数密切相关，知识收益能够有效约束成员决策改变，知识交流成本和收益损失的有效结合能够大大促进用户决策最终倾向于选择接受。最后针对结果给出合理的建议。

同时，本研究构建的虚拟学术社区知识交流模型具有一定的假设限制，模型中变量个数考虑不够全面，知识收益的量化设置相对单一，后续研究可增加相关资料的收集，完善相关影响因素，进一步提升模型的解释力。