开放科学(资源服务)标识码(OSID)：
The research stems from a paradox in contemporary innovation management. While crowdsourcing platforms are celebrated for aggregating diverse perspectives, prior studies have predominantly focused on structural aspects—organizational frameworks, incentive models, or technological infrastructure—overlooking the cognitive dynamics that underpin creative emergence. To address this gap, the study integrates the Associative Memory Model, a cognitive psychology framework, with a multi-method analysis of 20 real-world innovation challenges hosted on Zhubajie, a leading Chinese crowdsourcing platform. By examining 294 contributors and 1 128 knowledge artifacts across industries such as healthcare, education, and technology, the study uncovers how group-level knowledge diversity cascades into individual creative breakthroughs.
Three groundbreaking findings redefine conventional wisdom in innovation research. First, diversity trumps volume: the variety of knowledge types—factual data (e.g., market statistics), illustrative examples (e.g., case studies), and paradoxical statements (e.g., “How to reduce costs while enhancing product quality”)—profoundly enhances the novelty of solutions. This aligns with the cognitive activation mechanism, where exposure to heterogeneous ideas triggers “remote associations” in participants' memory networks, enabling unconventional problem-solving pathways. Second, quality over quantity: contrary to the “more is better” paradigm, excessive solution proposals often induce cognitive overload, stifling creativity, while curated diversity in knowledge types fosters deeper problem comprehension and cross-domain synthesis. Third, the power of paradox: non-solution contributions, particularly paradoxical statements that juxtapose conflicting goals, emerge as unexpected catalysts for innovation. These contradictions disrupt mental rigidity, compelling contributors to reconcile opposing ideas and generate disruptive solutions.
The theoretical contributions of this work are manifold. It advances innovation scholarship by introducing a dynamic, ecosystem-oriented perspective that reconceptualizes crowdsourcing platforms as living knowledge management systems. Moreover, the study bridges critical gaps in understanding how macro-level group knowledge flows interact with micro-level cognitive processes to generate novelty. Additionally, it expands the theoretical framing of digital knowledge artifacts, revealing their dual role as both knowledge repositories and active creativity catalysts. This study also provides empirical verification for the cross-level model of crowdsourcing innovation, demonstrating how individual knowledge contributions aggregate to enhance group-level knowledge heterogeneity, which in turn stimulates further individual innovation.
From a practical standpoint, the findings offer actionable insights for organizations seeking to optimize their crowdsourcing initiatives. The evidence strongly suggests that platform designers should prioritize features that facilitate diverse knowledge expression over those that merely increase participation volume. Specifically, interface elements that visually map knowledge relationships (e.g., semantic networks, knowledge graphs) and algorithms that strategically surface contradictory viewpoints could significantly enhance creative outcomes. For platform managers, the research underscores the importance of cultivating a culture that values all forms of knowledge contribution—not just polished solutions—through recognition systems and reward structures that specifically incentivize paradoxical thinking and illustrative case-sharing.
Looking ahead, the study identifies fertile ground for future exploration. Temporal dynamics of how the benefits of knowledge diversity fluctuate across a challenge's lifecycle remain unexplored. Industry-specific moderators, such as the impact of regulatory constraints in healthcare versus the fast-paced tech sector, could further refine open innovation strategies. Additionally, expanding creativity metrics beyond novelty to include feasibility, scalability, or user adoption potential would offer a more holistic view of innovation outcomes. While the research provides robust evidence for knowledge diversity's role in creativity, it acknowledges limitations. The sample, though diverse, may not fully capture sector-specific nuances, and emerging forms of digital knowledge expression (e.g., multimedia content) warrant deeper integration into theoretical models. These gaps, however, underscore the dynamic nature of crowdsourcing research and call for sustained interdisciplinary collaboration.
开放科学(资源服务)标识码(OSID)：
在快速变化的市场环境中,创新是企业维持长期竞争优势与满足消费者多样化需求的关键因素。Rosenkopf &Mcgrath[1]指出,新颖产品及商业模式开发不仅能响应新市场需求,还能开辟蓝海领域。信息通信技术(ICT)的迅猛发展为组织提供了解决复杂问题的新工具与平台。尤其是面对高度不确定性的市场环境,传统方法常显不足。ICT的引入使组织能将问题公之于众,利用互联网的广泛连接与信息的快速传播,从全球范围征集创新方案。Levine &Prietula[2]、Malhotra &Majchrzak[3]研究发现,开放式创新模式正成为组织应对复杂挑战的重要战略。众包模式应运而生,促进创新资源全球共享。
众包创新作为一种新兴模式,受到越来越多组织的青睐,其能够跨越地域、行业和专业界限,快速汇聚全球创新资源,并通过公开竞争和激励机制激发参与者的积极性和创造力,进而产生颠覆性创新成果。Piezunka &Dahlander[4]指出,众包模式能提高问题解决效率,促进创新思维碰撞与融合;Vrontis等[5]认为,借助众包知识这一外部知识源,企业可挖掘外部智慧,有效利用内部知识库,从而提升企业创新绩效。然而,众包在实践中面临知识产权保护、质量控制、信任建立等诸多挑战,对众包创新协作机制认识不足会限制众包潜力的发挥。因此,探究在线协作对众包创新绩效的影响机制尤为重要。
众包社群作为异质性知识的宝库,不同于传统集体协作模式,众包平台不仅是一个静态知识库,更是一个充满活力的知识管理生态系统,有利于促进弱连接间的探索性学习,激发新思想碰撞。参与者带着独特知识汇聚一起,会极大地丰富创新搜索维度,尤其是当参与者为创新产品的最终用户时,其价值更为显著[6-9]。此外,众包平台可搭建企业与外部利益者的“桥梁”,使企业以前所未有的深度和广度汲取外部知识,进行探索式学习,并将新知识转化为创新源泉。研究表明,这种外部聚焦的知识管理机制能显著增强企业知识解译能力,促进组织创新[10-11]。然而,现有研究多聚焦个体间社会互动,如社会资本积累[2],关于集体/群体知识积累(尤其是异质性知识积累)对个体创新的影响关注较少。
个体通过创建数字知识工件共享知识,构建公开可访问的知识库,社区成员可从中学习群体智慧[3,12]。随着内容的不断积累,社区行为模式开始演变,以适应新知识资源[13]。尽管数字工件作为众包协作核心机制已获得广泛认可,但其内容状态如何影响新解决方案生成有待深入探索[14]。因此,本研究聚焦知识内容构建方式的多样性,即丰富、多元的知识内在结构,旨在探究在众包环境中作为特殊知识内容的数字工件对众包协作的作用。进一步,基于个体创造力联想模型[15],聚焦数字知识工件内容所蕴含的知识关联多样性,本研究认为丰富的异质性知识关联更有可能激发群体内部新解决方案的生成。借鉴Drazin等[16]的研究,构建跨层次众包社区知识共享模型。其中,众包个体能增加知识关联,丰富社区知识异质性;群体知识多样性能够激励成员丰富知识关联,形成良性循环,最终促进个体创新解决方案的不断涌现。
基于此,本研究边际贡献体现在以下3点:首先,引入动态视角,将众包平台视为一个创新生态系统,强调群体异质性知识共享在激发个体创新方面的核心作用,可弥补众包创新过程中群体知识流动与转化机制研究的不足。其次,揭示群体层面知识关联多样性对解决方案新颖性的显著影响,可凸显众包创新中集体专业知识多样性的独特价值,深化对群体知识多样性与创新关系的理解。最后,将数字知识工件视为知识存储和共享的载体,揭示其对于激发创造力的重要价值,为数字知识工件理论研究提供新视角。
“创意涌现”是指个体或群体在特定环境中通过知识交互和重组生成新颖且有用解决方案的过程。众包环境中的创意生成本质上是一个知识关联与重组的动态过程。尽管创意研究存在多维分析框架[17],但学者普遍强调新颖性的核心地位[18],因其直接反映开放式创新突破常规的能力。本研究以联想记忆模型为核心理论视角,系统阐释群体知识关联如何通过认知激活、群体互动和平台赋能三重机制协同影响个体创意涌现。联想记忆模型是认知心理学中解释个体通过记忆中的知识关联生成新想法的重要理论框架,其核心观点在于创造力源于个体能够从记忆中提取并组合多样化知识元素,进而形成新知识。该理论框架不仅揭示了知识关联的作用路径,更解释了众包平台如何通过数字化设计拓展传统创造力边界。
1.1.1 认知激活机制:知识关联的多样性效应
知识关联是指不同知识元素之间的连接关系,这些连接可以是逻辑上、语义上或经验上的。知识关联多样性被认为是激发创造力的重要因素[15,17]。联想记忆模型认为,创造力源于记忆中知识节点的非常规组合[15]。在众包环境中,这一认知过程通过3类知识关联得以强化:①事实类知识,其搭建起解决方案间的逻辑“桥梁”;②示例类知识,其通过类比迁移拓展问题空间;③悖论类知识,其通过制造认知冲突打破思维定势[19]。这种多样性设计能够多维度激活参与者的记忆网络,产生“远距离联想”效应。研究发现,当群体知识关联类型超过临界多样性时(通常大于等于3类),个体解决方案的新颖性得以显著提升,验证了认知激活机制的存在。
1.1.2 群体互动机制:知识生态的动态演化
众包平台将个体联想记忆外化为群体知识网络,形成独特的创新生态系统。这一系统通过3个特征维持动态平衡:①知识工件可迭代性,其使得关联得以持续深化;②交互记录可审查性,其可确保联想路径的可追溯性;③群体评价筛选功能(如投票),其能优化知识关联的质量分布,有效解决传统头脑风暴中的“共同知识问题”[20],使非主流但具有潜力的关联得以保留和发展。在知识关联数量相近情况下,高互动性社区创新产出新颖度比低互动性社区更高,凸显出群体互动机制的关键作用。
1.1.3 平台赋能机制:数字媒介的增强效应
现代众包平台通过3类技术赋能强化联想记忆效果:①语义网络可视化工具将抽象关联具象化;②智能推荐算法基于用户行为预测潜在有价值的关联;③实时协作功能支持跨时空知识重组。这些技术特征共同构成数字增强型联想记忆系统,其创新效能体现在:一方面,通过降低认知负荷减少信息过载,提升关联效率;另一方面,通过扩大搜索半径扩展知识触达范围,提高突破性创新概率。这种赋能机制解释了为何线上众包相比线下协作能产生更多跨领域解决方案。
1.2.1 知识关联种类的影响
联想记忆模型研究揭示接触多样化关联知识(无论是自我知识还是他人知识)对个人创造力的多重激励作用[21],这种多样性不仅能触发额外的偶然性联想,还为新颖解决方案的诞生铺平了道路[15],促使个体更加关注关联间的不一致性,通过调和冲突减少心理紧张。此外,关联知识多样性构建了一个认知框架,使个体能够以更具创造性的方式组织信息,从而激发创造性思维的产生[22]。尤为重要的是,它促使个体避免陷入单一或主导联想模式,拓宽了个体思维边界。
在群体层面,累积的关联知识多样性同样对创造力具有积极影响[3,17]。本研究认为,群体内知识多样性通过个人贡献的汇聚而增强,进而促进更多样化的知识分享行为。这种多样性服务于多重目的:它促使群体成员全面考虑问题,将个人暴露于多样化事实与示例中,识别并解决矛盾,激发进一步创新,并展示知识进化与综合,以指导团队行为,促进更多知识共享行为[23-24]。
表1系统梳理不同知识类型(事实、示例、悖论、解决方案)在众包知识工件贡献中的具体表现。其中,事实类知识有助于建立解决方案之间的联系,促进新颖思路的萌发[3]。示例类知识则通过实例或隐喻展示类似问题的解决路径,促进知识转移,激发灵感的产生[21]。悖论类知识揭示目标间的矛盾,容易导致创造性冲突,迫使解决方案更具创新性[19]。解决方案则能激发连锁反应,催生更多创意[22,25]。因此,每种知识类型对新颖解决方案的生成均至关重要,而不同类型知识多样性累积对个体与群体创造力具有深远影响[21]。
表1 不同知识类型在众包知识工件贡献中的表现
Table 1 Different types of knowledge and their forms of crowdsourcing knowledge artifacts
知识类型简要描述众包知识工件表现形式事实类知识与问题陈述相关的感知或客观数据、统计数据、图表或既定做法目前有1万人在使用这个工具明年会有一款新产品问世我们的竞争对手正在做xxx;我们公司就有这类问题悖论类知识问题内或问题间存在自相矛盾或与常识相悖,但对其进行深入分析后可能会揭示更深层次真理我们如何在不失去高端市场情况下低价销售软件如何在不损失客户情况下增加维护收入示例类知识通过具体实例或案例说明特定问题中的抽象概念或原理在X公司,他们多年来一直在做这样的事情,看起来我们可以按照X的方式来做吗解决方案 针对特定问题或挑战提出具体方法、步骤或策略我认为我们可通过创新服务来解决问题通过设计来满足市场需求通过提供解决方案来创造新市场
群体积累的关联知识多样性与个体新颖解决方案生成间的关系可归因于以下认知机制:首先,知识类型的细分有助于减少认知负荷与信息过载,通过组成有意义的子集来增强认知吸收,使个体能够灵活处理信息而不受外界干扰[19]。其次,多样化知识关联能激发群体成员的联想能力,通过语义启动机制激活其记忆中的相关知识,促进创意产出[19]。最后,群体知识多样性有助于避免共同知识问题的出现[20],因为它鼓励跨类型知识贡献,能降低所有贡献均为共有信息的风险,从而产生新颖性解决方案。据此,本研究提出如下假设:
H1:众包群体贡献的知识关联种类越多,个体贡献的解决方案新颖程度越高。
1.2.2 知识关联数量的影响
在探究知识关联对众包创意涌现的影响时,除知识关联种类外,还需考虑知识关联数量和解决方案数量,其提供了比较不同知识关联内容及作用属性的独特视角。其中,知识关联数量是指群体在解决特定问题时所积累的关联总数,是创造力研究中的一个重要变量。与关联种类的多样性不同,数量累积侧重于关联潜在组合机会。根据联想记忆模型[15,17],关联数量增加能够提升不同关联元素相互碰撞并融合成新关联的概率,通过创造新组合路径,为解决方案的新颖性提供可能。
值得注意的是,尽管关联数量增加在理论上有助于创造力提升,但其对解决方案新颖性的实质性影响却相对有限。这主要归因于以下几个方面:①相关性识别与知识组合难度。在众包环境中,参与者往往来自不同专业背景,他们的知识交集有限。因此,在众多关联中识别出两个既相关又能有效组合的关联点变得尤为困难[15],这种高难度组合要求会限制关联数量在促进新颖性方面的积极效应。②认知负荷与信息过载。随着关联数量的增加,参与者需要处理的信息量急剧上升,这可能导致认知资源过度消耗和信息处理瓶颈出现[26]。Piezunka &Dahlander[4]的研究指出,在众包创新挑战中,信息量激增往往会使得全面阅读和深入理解变得不切实际,从而增加认知干扰和压力。③知识质量与新颖性的关联。一般而言,并非所有关联都能直接转化为新颖的解决方案。群体累积的关联数量虽然庞大,但其中可能包含大量重复或无关的信息,这不足以代表实质性的独特知识[22]。相比之下,当共享不同领域围绕核心问题的知识时,知识之间的交叉融合更有可能激发独特视角和见解[20]。综上所述,知识关联数量虽在一定程度上能增加关联组合机会,但其对解决方案新颖性的影响相对复杂且有限。据此,本研究提出如下假设:
H2:与众包群体贡献的知识关联数量更多时相比,当众包群体贡献的知识关联种类更多时,个体贡献的解决方案新颖性程度更高。
1.2.3 解决方案数量的影响
在探讨外部知识源对众包创新的价值时,学者普遍认为群体贡献的核心应聚焦于多样化解决方案,因为解决方案种类的丰富性往往与最终生成的高质量解决方案正相关[27-28],这一观点预设解决方案数量增加能够直接促进整体创新质量的提升。然而,也有研究持有不同观点,认为并非所有类型的知识贡献都对新颖性解决方案的产生具有同等重要的影响。尤其是那些与先前已有解决方案直接相关的知识关联类型,可能并不总是创造力产生的源泉。Smith[29]强调,过度接触已有解决方案可能会限制个体思维发散,导致个体难以跳出既定框架构思新想法;Girotra等[30]进一步证实了这点,他们发现依赖他人解决方案的团队在创造力和解决方案新颖性上表现不佳,既无法生成更多数量的解决方案,也无法在创新性上取得突破;Nijstad等[26]指出,过度关注他人解决方案而忽视其它类型知识交流,可能会引发认知干扰和创意思维阻塞。因此,需重新审视知识关联在众包创新中的作用,尤其是非解决方案类知识关联对于激发新颖性的潜在贡献。基于此,本研究认为知识关联价值不仅体现在直接产生的解决方案上,更在于它们如何促进对问题本身的深刻理解与多元视角的碰撞,故提出如下假设:
H3:与众包群体贡献的解决方案数量更多时相比,众包群体贡献的非解决方案知识关联种类更多时,个体贡献的解决方案新颖性程度更高。
本研究选取国内众包平台“猪八戒网”上的20个创新挑战案例作为研究对象,内容涵盖互联网产品设计、市场营销、软件开发、教育培训、文化创意、电子商务、金融服务、医疗健康、智能硬件、物流配送、旅游服务、环保科技、社交媒体、游戏开发、农业科技、智能交通、文化传播、教育科技和智能家居等多个行业领域。这些案例参与人数在70～200人之间,平均每个案例的参与人数为115人。每个案例的解决方案数量在15～60个之间,平均每个案例产生32个解决方案。挑战时长统一控制在6～10天,平均时长为7.5天,以确保参与者有充足的时间进行深入思考和交流,同时避免因时间过长导致参与度下降。这些案例的多样性和广泛性为本研究提供了丰富的数据基础,本文所选众包案例的描述性统计结果如表2所示。
表2 众包案例描述性统计结果
Table 2 Descriptive statistics of crowdsourcing cases
案例编号行业领域 挑战主题 参与人数(人)解决方案数量(个)挑战时长(天)1互联网产品设计设计一款优化用户体验的移动应用界面1504572市场营销制定一项针对年轻消费者的品牌推广策略1203083软件开发开发一款基于人工智能的客服系统20060104教育培训设计一套在线教育平台课程体系902575文化创意创造一部以环保为主题的微电影剧本802066电子商务优化电商平台用户购物体验1805097金融服务设计一款面向中小企业的金融产品1003588医疗健康开发一款健康管理应用的初步原型1304079智能硬件设计一款智能家居设备用户界面11030710物流配送优化物流配送路径算法140451011旅游服务设计一款旅游行程规划工具9525712环保科技提出一项减少塑料污染的创新方案8520613社交媒体设计一项提升用户活跃度的社交媒体功能16050914游戏开发为一款休闲游戏设计关卡7515615农业科技提出一项提高农作物产量的创新技术7018616智能交通设计一项优化城市交通流量的解决方案12035817文化传播设计一项推广非物质文化遗产的创新活动9022718教育科技开发一款基于虚拟现实的教育应用10030819金融服务提出一项提升用户理财体验的创新方案11028720智能家居设计一款智能家居设备语音交互功能95257
为确保数据的广泛性和准确性,本文通过猪八戒平台公开接口和网页抓取工具(Python的BeautifulSoup库)获取每个挑战案例相关数据,具体包括:①挑战描述,抓取每个挑战的详细描述,如问题背景、目标、约束条件等;②解决方案,收集每个挑战中参与者提交的所有解决方案文本;③讨论帖与评论,抓取每个挑战下的讨论帖及其相关评论,分析参与者之间的知识交流与互动;④投票记录,记录每个解决方案的赞成票数和反对票数,评估其受欢迎的程度和质量。随后,本文对数据进行清洗和整理,剔除重复和无效数据,确保数据的准确性和一致性。另外,本文还对文本数据进行分词和关键词提取,以便后续分析。
参与流程方面,所有参与者首先完成众包平台注册,以便能够持续跟踪并参与到挑战中来。平台主页清晰呈现了挑战问题描述及提示,引导参与者深入思考并贡献解决方案。值得注意的是,其中有12项挑战还特别提供了关于创新问题的补充说明,包括事实、示例、悖论甚至解决方案思路,旨在进一步丰富参与者认知框架,促进更富创意的解决方案的产生。此外,众包主办方积极营造开放、互动的讨论氛围,鼓励参与者不局限于提交解决方案,还积极参与讨论、为他人帖子投票(赞成或反对),以及在讨论帖下方发表评论,以形成更为紧密的知识交流网络,共同推动创新思维碰撞与融合。
(1)被解释变量。个体贡献解决方案的新颖性为本文被解释变量,是衡量众包环境中个体创新绩效的关键指标。尽管创意涌现(或创意生成)包含多维度特征,本研究重点考察其新颖性,即解决方案的原创性与突破性程度。这主要基于以下考量:①新颖性是众包创新区别于内部研发的核心价值[27],其不仅是衡量个体创新能力的重要指标,也是评估众包平台创新效果的关键指标;②研究设计通过专家评分和群体投票机制已隐含对众包创意实用性基础的认可;③多产性则受参与者数量而非知识关联的影响,在预研究中其与新颖性呈高相关性。因此,本文选取新颖性作为因变量,以有效捕捉众包环境中个体创新绩效的本质特征。
为全面评估解决方案的新颖性,本研究采用多维度测量方法,具体如下:①新颖性评分。基于Amabile[31]构建的创新性评估框架,邀请企业创新高管或创新团队核心负责人担任评审团成员,对每个解决方案的新颖性进行评分。评分采用Likert-7级量表,其中1代表“非常不新颖”,7代表“非常新颖”。②技术合理性评分,本文引入技术合理性维度评估解决方案的技术可行性,采用Likert-7级量表,1代表“非常不合理”,7代表“非常合理”。③潜在竞争优势评分。本文还引入潜在竞争优势维度,以评估解决方案在市场竞争中的潜在优势。采用Likert-7级量表,1代表“非常不具备竞争优势”,7代表“非常具备竞争优势”。
为确保评分效率和准确性,本文设定灵活的评分策略。当解决方案数量不超过25个时,评审团对所有解决方案进行评分;当解决方案数量超过25个时,采用随机抽样方法,抽取30%的样本进行评分。
(2)核心解释变量。为捕捉群体知识关联对个体创新绩效的影响机制,本文中自变量包括知识关联多样性、知识关联数量、非解决方案类知识关联多样性和解决方案数量。知识关联多样性反映群体知识交流广度和深度,采用Blau[32]提出的异质性测量方法,计算公式为1减去各种知识类型帖(事实、示例、悖论和解决方案)比例平方和的累加值(即
为群体第i种知识类型帖所占比例,n=4)。该变量值越大,表示知识关联多样性程度越高。知识关联数量反映群体知识贡献总量,通过计算所有参与者在创新挑战过程中发布的4种知识类型中任意一种类型帖的总数进行测算。非解决方案类知识关联多样性反映非直接解决方案类知识的多样性,亦采用Blau[32]的异质性指数进行测量,但仅包含事实、示例和悖论3种知识类型,排除解决方案类型,该变量反映非直接解决方案类知识的多样性。解决方案数量反映群体贡献的解决方案总量,通过统计所有参与者发布的解决方案帖的总数进行测算。
(3)控制变量。为控制个体层面潜在因素的影响,本文将个人贡献的知识关联多样性和个人贡献的解决方案数量设为控制变量,以确保研究结论的严谨性和可靠性。其中,个人贡献的知识关联多样性反映个体知识交流的广度和深度,采用Blau[32]提出的异质性指数进行测量,计算公式为1减去个体帖中各种知识类型(事实、示例、悖论和解决方案)比例平方的累加值(即为个体第i种知识类型帖所占比例)。该指数值越大,表明个体知识关联多样性越强。个人贡献的解决方案数量反映个体在创新过程中的活跃程度,通过统计个体在创新挑战过程中发布的解决方案帖的总数进行测算。
本研究探讨众包环境中群体层面因素对解决方案新颖性的影响,基于个体水平(样本量为n=294)和群体水平(样本量为n=20)两组数据进行描述性统计与相关性分析,结果如表3所示。在此基础上,构建一个多层次分析模型,旨在揭示群体层面知识关联特性如何影响个体贡献解决方案的新颖性。本文将个体贡献的解决方案的新颖性视为因变量(个体水平),引入群体层面自变量,这些变量聚焦众包群体中知识关联的相关性,以探究群体智慧如何间接或直接塑造个体贡献的新颖性。同时,为控制潜在干扰因素,本文纳入两个重要的个体层面知识因素作为控制变量:一是个人贡献的知识关联多样性,用以衡量个体知识整合广度与灵活性;二是个人贡献的解决方案数量,反映个人参与活动的积极程度和经验。通过将这些因素纳入模型,以便更准确地分析群体与个体层面变量对解决方案新颖性的联合影响。
表3 描述性统计与相关性分析结果
Table 3 Results of descriptive statistics and correlation analysis
变量均值(标准差)12345671.个体贡献的解决方案的新颖性3.19(1.49)12.知识关联多样性0.49(0.14)0.15*13.知识关联数量128.55 (70.65)0.14*0.49**14.非解决方案知识关联多样性1.02(0.02)0.19*0.47**-0.11*15.解决方案数量0.71(0.11)0.16*-0.63***-0.27**-0.69***16.个体贡献的知识关联多样性0.37(0.27)0.16*0.48**0.33**0.12*-0.42**17.个体贡献的解决方案数量8.53(9.72)0.31**0.15*0.47**-0.19*-0.030.41**1
注： ***表示p<0.001,**表示p<0.01,*表示p<0.05,下同
构建个体水平方程:
Y_ino=β0+β1X_div+β2X_vol+γ1C_indiv+γ2C_sol+ε
(1)
其中,Y_ino表示个体贡献的解决方案的新颖性,X_div表示群体水平知识关联多样性,X_vol表示群体水平知识关联数量,C_indiv表示个体贡献知识关联多样性,C_sol表示个体贡献解决方案数量,ε为随机误差项。
构建群体水平方程:
β0=γ00+μ0
β1=γ10
β2=γ20
(2)
其中,γ00为总截距,μ0为群体截距的随机误差,γ10、 γ20分别为知识关联多样性和知识关联数量的固定效应(总体)斜率。
为控制个体差异对结果的潜在影响,纳入两个随机效应控制变量:①个体贡献的知识关联多样性,反映个体知识整合能力;②个体贡献的解决方案数量,反映个体参与度和经验积累。
如表4所示,假设H1和假设H2检验结果均展现了清晰的统计支持。模型拟合方面,调整R2和RMSE等关键指标表明模型具备较高拟合度。群体贡献的知识关联多样性(群体水平)显著正向影响个体贡献解决方案的新颖性(γ=1.51,p<0.05),此关系在控制个体贡献解决方案数量与知识关联多样性后依然稳健,假设H1得以验证。相反,群体贡献的知识关联数量与个体新颖性之间无显著关联(γ=-0.001, p>0.05),凸显出知识关联多样性相较于知识关联数量更有优势,在个体创新贡献中发挥关键作用,假设H2得到验证。
表4 多层次模型分析结果(一)
Table 4 Multi-level model analysis results (1)
变量估计值(标准差)T值方差分量(标准误差)Wald p值总体比例(%)模型统计固定效应 截距2.64***(0.31)8.70———R2=0.14 群体贡献的知识关联多样性1.51*(0.71)2.15———调整R2=0.13 群体贡献的知识关联数量-0.001(0.001)0.93———RMSE=1.41随机效应-2LL=1 067.12 个体贡献的知识关联多样性——0.43(0.87)0.4430.26 个体贡献的解决方案数量——0.004(0.008)0.280.31残差——1.99(0.17)—69.43
群体贡献的知识关联多样性和知识关联数量差异化作用主要体现在以下几个方面:首先,多样性知识关联传播机制。通过平台互动功能(如讨论帖、评论、投票等),多样化数字知识工件在群体中广泛传播,这些关联通过语义启动机制激活个体记忆网络中的相关知识节点,从而激发新的联想和创意[17]。其次,多样性知识关联认知机制。多样化知识关联可为个体提供广泛的知识工件,这些工件会激活其记忆网络中的不同节点,通过组合机制生成跨领域创新解决方案[21]。再次,知识关联数量带来的认知负荷和信息过载。随着知识关联数量的增加,参与者需要处理的信息量急剧上升,有可能会导致认知资源过度消耗和信息处理瓶颈[26],从而限制关联数量在促进新颖性方面的积极效应。最后,知识质量与新颖性的关联。并非所有关联都能直接转化为新颖的解决方案,群体积累的关联数量可能包含大量重复或无关的信息,不足以代表实质性独特知识的出现[22]。
如表5所示,调整R2与RMSE等统计指标表明模型拟合程度较高。群体贡献的非解决方案知识(如悖论)多样性能显著提升个体解决方案的新颖性,而解决方案数量无显著影响(γ=1.66, p>0.05)。这表明,创意涌现更依赖于群体知识结构的丰富性,而非单一解决方案的数量,假设H3得到验证。这表明,在众包环境中,群体层面非解决方案类型知识关联多样性较之于解决方案数量更能提升个体创新成果的新颖性。本文认为非解决方案类知识关联(如事实、示例、悖论)通过提供多样化认知框架促进跨领域知识融合,帮助个体更全面地理解问题,从而激发个体更具创造性的解决方案[21]。例如,悖论类知识可揭示目标间的矛盾,导致个体创造性冲突,迫使解决方案更具创新性[19]。
表5 多层次模型分析结果(二)
Table 5 Multi-level model analysis results(2)
变量估计值(标准差)T值方差分量(标准误差)Wald p值总体比例(%)模型统计固定效应 截距1.31(1.46)0.89———R2=0.18 群体贡献的非解决方案知识关联多样性17.75**(6.69)2.65———调整R2=0.17 群体贡献的解决方案数量1.66(1.71)0.98———RMSE=1.38随机效应-2LL=1 038.89 个体贡献的知识关联多样性——0.34(0.65)0.5425.46 个体贡献的解决方案数量——0.006(0.01)0.220.48残差——1.91(0.17)—74.05
为进一步验证研究结果的稳健性,本文另设多层次模型,以Amabile[31]提出的标准为指引,将解决方案的创新性(结合新颖性与潜在竞争优势)作为因变量进行分析。结果显示,解决方案创新性与新颖性指标在评估群体贡献效应时表现出高度一致,假设H3得到验证。通过结合新颖性和潜在竞争优势两个维度,不仅能捕捉解决方案的独特性,还反映其在市场中的潜在价值[31]。群体贡献的非解决方案知识关联多样性在促进解决方案新颖性和竞争优势方面表现出高度一致,进一步验证其在激发个体创新绩效方面发挥关键作用。
本研究通过分析众包群体中知识贡献关联多样性对个体生成新颖解决方案的影响,得出如下研究结论:
(1)知识关联多样性的积极作用。当群体内部积累了丰富且多样化的关联性知识时,其成员倾向于贡献出更多具有新颖性的解决方案。这一发现揭示知识多样性与个体创造力间的正向联系,强调集体知识库在激发个体创新潜力方面发挥关键作用。
(2)群体知识多样性与个体新颖性的关系。在控制个体层面知识关联数量和解决方案贡献量的前提下,群体层面知识关联多样性与个体解决方案的新颖性显著相关,进一步印证了众包社区知识环境作为外部刺激源对个体创造力具有不可忽视的影响。
(3)群体知识多样性具有主导效应。值得注意的是,个体贡献的解决方案的新颖性更多与群体层面积累的知识关联多样性紧密相关,而非仅由个体自身的知识关联多样性所决定,这一发现凸显了群体知识共享与协作对提升个体创新成果质量的主导作用。
(4)数量并非决定性因素。研究发现,无论是群体积累的知识关联数量(包括解决方案类和非解决方案类知识关联)还是解决方案数量,均未能直接影响个体贡献解决方案的新颖性。这一结论强调知识贡献质量(尤其是多样性和深度)在众包创新模式中的核心地位。
(1)为创新知识管理系统设计提供了一个新视角。本研究将众包平台视为一个动态、活跃的知识管理系统,强调异质性知识共享是众包创新的核心驱动力。这一视角不仅拓宽了知识管理系统设计思路,还揭示其应具备多样化知识展示功能(如词云、超链接标签等),以提高知识可见性、共享性和集成效率。更重要的是,它强调异质性知识在澄清知识缺口、激发创造性冲突、揭示先前方案局限性等方面的积极作用,从而推动创新讨论不断深化[33-34]。此外,还指出创新知识管理系统应具备适应性特征,确保知识的多样性与均衡性,避免知识类型单一。这一发现为未来知识管理系统设计提供了新方向,强调其动态能力调整的重要性。
(2)为理解在线群体协作机制提供了新视角。研究发现,即使在人际互动有限情况下,众包社区中的数字工件也能成为促进协作创新的关键因素。这一发现揭示数字工件在在线群体协作中发挥“桥梁”作用[2,14]。随着众包的发展,群体成员更多地通过与数字工件的互动来构建合作基础,而非传统个人对个人的交流模式。因此,数字工件不仅是表达自我和描述解决方案的工具,更是推动个体知识增长和协作创新的舞台[12,21]。可聚焦数字工件在在线协作机制中的核心地位,探索其如何促进知识共享、激发创新和达成社会认同[35-36]。这一发现为在线协作机制研究提供了新路径,强调数字工具在群体协作中的重要性。
(3)异质性知识价值的再审视。关于异质性知识在创新中的作用,本研究提供了不同于以往研究的独特视角。一方面,相关学者肯定异质性知识在拓宽知识边界、激发新颖想法方面的潜力[37-38];另一方面,相关学者指出知识差异可能会带来误解和沟通障碍[33,39]。本研究通过区分知识类型和问题类型模块化视角,提出一种新的解释框架,即通过优化知识类型的多样性配置,而非简单追求问题类型的多样化,来促进新颖解决方案的产生[27]。这一观点不仅调和了现有文献中关于异质性知识价值的争议,还为实践者提供了更为具体和可行的建议。即应鼓励群体成员根据各自专业背景和知识优势,以最熟悉和最舒适的方式贡献其关联知识,从而最大化群体创新潜力。
在当今竞争日益激烈的市场环境中,创新已成为组织保持核心竞争力的关键驱动力。通过搭建并持续优化众包平台、鼓励多样化知识贡献以及完善激励机制,管理者可显著提升众包活动的创新成效,以便在激烈的市场竞争中赢得持续竞争优势。首先,为有效提升从众包群体中获取新颖解决方案的概率,可充分利用众包平台,积极鼓励贡献者以多元化知识形态(如事实、实例、悖论及解决方案等)参与创新挑战,共同构建一个丰富的知识库。研究发现,需促进各类知识广泛关联,不局限于解决方案的单一形式,从而催生出更具成效的创新策略。从动态知识管理系统视角出发,那些通过众包模式推动创新的组织应积极鼓励社区成员贡献多样化知识类型,以不断丰富和拓展公共知识关联网络。其次,在众包平台设计上,可融入技术元素(如词云展示、复杂算法筛选等),来凸显不同知识类型的多样性和丰富性。这些技术不仅能够高效过滤并呈现新生成的实例、事实与悖论,还能确保所有知识内容以直观、持久且易于访问的方式展现给每位参与者。此外,鼓励众包成员在评价他人观点时不应停留在简单的认可或提炼层面,更要勇于添加自己的独特知识,形成深层次知识交流与碰撞。最后,为引导群体以恰当且富有成效的方式参与众包活动,管理者需优化激励机制。除表彰并奖励最佳个人解决方案贡献者外,还可表彰最佳知识贡献者,促进更多高质量知识的涌现,从而在潜移默化中构建积极向上的知识共享与创新文化氛围。
本文存在如下不足:首先,本研究涉及的20个创新挑战问题及其发布公司背景各不相同,这一多样性揭示创新问题性质与公司(或行业)背景之间可能存在特定关联,这对新颖解决方案的生成具有重要影响。为更精准地剥离并量化这些背景因素的作用,未来可通过向不同群体提出一致的创新挑战问题,来减少问题背景对研究结果的影响,从而更加细致地揭示众包创新机制。其次,关于知识关联多样性知识原型的探讨虽包括4种主要类型,但这一范畴不止于此。未来可致力于扩展知识原型边界,深入探索多样化知识类型如何通过协同作用共同促进新颖创意的涌现。最后,在线协作环境中知识多样性的时间效应是一个值得深入探讨的复杂问题。虽然初期高知识多样性能为众包创新活动注入活力并提供丰富的创意资源,但随着时间推移,这种多样性也有可能成为一把“双刃剑”。过量的知识关联多样性可能会增加参与者的认知负担,导致决策过程变得复杂而混乱,进而增加创新收敛难度。因此,未来可重点分析在线协作过程中知识多样性的动态变化及其对创新产出的影响,以期为实践者提供更具针对性的时间管理策略和知识管理建议。
[1] ROSENKOPF L, MCGRATH P. Advancing the conceptualization and operationalization of novelty in organizational research[J]. Organization Science, 2011, 22(5): 1297-1311.
[2] LEVINE S S, PRIETULA M J. Open collaboration for innovation: principles and performance[J]. Organization Science, 2014, 25(5): 1414-1433.
[3] MALHOTRA A, MAJCHRZAK A. Managing crowds in innovation challenges[J]. California Management Review, 2014, 56(4): 103-123.
[4] PIEZUNKA H, DAHLANDER L. Distant search, narrow attention: how crowding alters organizations' filtering of suggestions in crowdsourcing[J]. Academy of Management Journal, 2015, 58(3): 856-880.
[5] VRONTIS D, THRASSOU A, SANTORO G, et al. Ambidexterity, external knowledge, and performance in knowledge-intensive firms[J]. The Journal of Technology Transfer, 2017, 42(2): 374-388.
[6] SCUOTTO V, DEL GIUDICE M, DELLA PERUTA M R, et al. The performance implications of leveraging internal innovation through social media networks: an empirical verification of the smart fashion industry[J]. Technological Forecasting and Social Change, 2017, 120(7): 184-194.
[7] PRPIC J, SHUKLA P P, KIETZMANN J H, et al. How to work a crowd: developing crowd capital through crowdsourcing[J]. Business Horizons, 2015, 58(1): 77-85.
[8] ASHOK M, NARULA R, MARTINEZ-NOYA A. How do collaboration and investments in knowledge management affect process innovation in services[J]. Journal of Knowledge Management, 2016, 20(5): 1004-1024.
[9] CARAYANNIS E G, GRIGOROUDIS E, DEL GIUDICE M, et al. An exploration of contemporary organizational artifacts and routines in a sustainable excellence context[J]. Journal of Knowledge Management, 2017, 21(1): 35-56.
[10] MESSENI PETRUZZELLI A, ALBINO V, CARBONARA N, et al. Leveraging learning behavior and network structure to improve knowledge gatekeepers' performance[J]. Journal of Knowledge Management, 2010, 14(5): 635-658.
[11] DEZI L, CILLO V, USAI A, et al. Equity crowdfunding in technology transfer strategies and licensing[J]. International Journal of Technology Management, 2018, 78(1/2): 28-51.
[12] KANE G C, RANSBOTHAM S. Content as community regulator: the recursive relationship between consumption and contribution in open collaboration communities[J]. Organization Science, 2016, 27(5): 1258-1274.
[13] MAJCHRZAK A, MALHOTRA A. Effect of knowledge-sharing trajectories on innovative outcomes in temporary online crowds[J]. Information Systems Research, 2016, 27(4): 685-703.
[14] FARAJ S, VON KROGH G, MONTEIRO E, et al. Special section introduction-online community as space for knowledge flows[J]. Information Systems Research, 2016, 27(4): 668-684.
[15] MEDNICK S A. The associative basis of the creative process[J]. Psychological Review, 1962, 69(2): 220-232.
[16] DRAZIN R, GLYNN M A, KAZANJIAN R K. Multilevel theorizing about creativity in organizations: a sensemaking perspective[J]. Academy of Management Review, 1999, 24(2): 286-307.
[17] DEUJA A, KOHN N W, PAULUS P B, et al. Taking a broad perspective before brainstorming[J]. Group Dynamics: Theory, Research, and Practice, 2014, 18(3): 222-230.
[18] TERWIESCH C, XU Y. Innovation contests, open innovation, and multiagent problem solving[J]. Management Science, 2008, 54(9): 1529-1543.
[19] CARLILE P R. Transferring, translating, and transforming: an integrative framework for managing knowledge across boundaries[J]. Organization Science, 2004, 15(5): 555-568.
[20] STASSER G, BIRCHMEIER Z. Group creativity and collective choice[M]. New York: Oxford University Press, 2003.
[21] NICOLINI D, MENGIS J, SWAN J. Understanding the role of objects in cross-disciplinary collaboration[J]. Organization Science, 2012, 23(3): 612-629.
[22] PAULUS P. Groups, teams, and creativity: the creative potential of idea-generating groups[J]. Applied Psychology: An International Review, 2000, 49(2): 237-262.
[23] NANDHAKUMAR J, PANOURGIAS N S, SCARBROUGH H. From knowing it to 'getting it': envisioning practices in computer games development[J]. Information Systems Research, 2013, 24(4): 933-955.
[24] 王静, 刘尊礼, 朱强. 众包竞争下资源稀缺对参与者创造力的影响研究[J]. 软科学, 2023, 37(10): 92-97, 106.
[25] 郭顺利, 苏新宁, 房旭辉. 融合NER和Apriori算法的游记文本关联知识挖掘及推荐服务研究[J]. 现代情报, 2023, 43(11): 123-134.
[26] NIJSTAD B A, STROEBE W, LODEWIJKX H F. Cognitive stimulation and interference in groups: exposure effects in an idea generation task[J]. Journal of Experimental Social Psychology, 2002, 38(6): 535-544.
[27] AFUAH A, TUCCI C L. Crowdsourcing as a solution to distant search[J]. Academy of Management Review, 2012, 37(3): 355-375.
[28] HUANG Y,SINGH P V,SRINIVASAN K.Crowdsourcing new product ideas under consumer learning[J]. Management Science, 2014, 60(9): 2138-2159.
[29] SMITH S M. The constraining effects of initial solutions[M]. Oxford: Oxford University Press, 2003.
[30] GIROTRA K, TERWIESCH C, ULRICH K T. Solution generation and the quality of the best solution[J]. Management Science, 2010, 56(4): 591-605.
[31] AMABILE T M.Creativity in context[M].Boulder: Westview Press, 1996.
[32] BLAU P M.Inequality and heterogeneity[M]. New York: Free Press, 1977.
[33] 周倩, 王树祥, 王莉雅, 等. 开放式创新平台知识治理驱动知识转化与突破式创新研究[J]. 科技进步与对策, 2024, 41(24):128-139.
[34] 洪亮, 马费成. 面向大数据管理决策的知识关联分析与知识大图构建[J]. 管理世界, 2022,38(1): 207-219.
[35] BARALOU E, TSOUKAS H. How is new organizational knowledge created in a virtual context? an ethnographic study[J]. Organization Studies, 2015, 36(5): 1-28.
[36] 宋昱晓, 余江, 李博. 企业创新活动中外部知识搜索策略选择研究[J]. 科技进步与对策, 2024, 41(19): 109-117.
[37] VON HIPPEL E, VON KROGH G. Open-source software and the 'private-collective' innovation model: issues for organization science[J]. Organization Science, 2003, 14(2): 209-223.
[38] 吕晓静, 张贵, 刘霁晴. 知识专业化与关联性对竞争优势的影响[J]. 科技进步与对策, 2021, 38(22): 132-140.
[39] CRONIN M A, WEINGART L R. Representational gaps, information processing, and conflict in functionally diverse teams[J]. Academy of Management Review, 2007, 32(3): 761-773.