一、理论方法1、SOR 模型刺激-机体-反应模型SOR理论模型Stimulus-Organism-Response Model最初由环境心理学家梅拉比安和罗素于1974年提出。它打破了传统心理学认为“外部刺激会直接导致行为”的机械观点认为任何外部环境刺激S都必须先引发个体内部的认知或情绪变化O正是这种“内心的震荡”最终才决定了个体的行为反应R。S (Stimulus) - 外部刺激能够打破机体平衡并被用户感知到的外部环境要素 。O (Organism) - 机体变化处于刺激与反应中间的“心理中介变量”包含个体面对刺激时的情绪唤醒、认知评价和心理状态 。R (Response) - 行为反应个体最终做出的趋向性如持续观看、付费或规避性如划走、卸载的行为结果 。值得注意的是SOR模型并非一个可用于探索任意变量间关系的通用工具而是一个基于既有文献支撑的变量分类与单向因果框架。其应用须满足两项前提条件第一变量的归属须有据可依。研究者需依据成熟理论或前人实证证据将所涉变量明确界定为外部环境刺激S、个体内部机体状态O或行为反应R不能凭主观直觉随意归入某一层级。每一个变量被放置在货架的哪一层都必须有文献逻辑作为承重墙。第二变量间的关系方向须先验明确。SOR模型的路径方向是单向且固定的S→O→R这意味着研究者必须在理论上预先确认刺激会影响机体、机体会影响反应而非相反或双向互构。因此如果某一对变量间的因果关系方向尚属未知例如尚未有文献能支撑A是前因、B是后果而非B导致A则不宜强行套用SOR模型否则将构成方向性误用directional misspecification。综上SOR模型的适用边界可概括为已知归属且已知方向——即变量的分类归属和影响方向均能从前人文献中找到理论锚点。它接纳新概念的进入只要能在理论上锚定其层级但拒绝未知关系的随意拼接。这既是该框架的结构性优势也是其不容突破的方法论底线。2、扎根理论扎根理论是由芝加哥大学的格拉斯Glaser和斯特劳斯Strauss在1967年联合提出的一种自下而上建构理论的质性研究方法。它强调“不带预设偏见”直接从原始的现实资料如深度访谈、一手文本出发通过逐字逐句的科学编码与提炼层层归纳最终从泥土里“生长”出一个全新的理论模型。其核心工具是经典的“三级编码”开放式编码Open Coding揉碎原始资料打碎并提炼出初始概念 。主轴编码Axial Coding寻找概念之间的关联聚类并提炼出“主范畴” 。选择性编码Selective Coding提炼出能统领全局的“核心范畴”穿针引线织成完整的故事线 。为什么要用扎根理论在SOR框架的应用中变量的分类归属须以既有文献为锚点。然而针对现有理论尚缺乏的新兴概念其属性维度与影响路径亦未被充分揭示。为此本研究首先采用扎根理论Grounded Theory进行探索性研究通过对原始资料的系统性编码自下而上地提炼概念范畴、厘清变量间的逻辑脉络。此举旨在为那些尚无文献支撑的本土化新名词寻得理论户口从而为后续将其合法安置于SOR模型的S、O、R三层货架之上提供经验证据与分类依据。3、结构方程模型结构方程模型Structural Equation Modeling, 简称SEM是当代社会科学及行为科学中极为强大的一种多元统计分析技术。传统的回归分析一次只能检验一个自变量对因变量的影响而无法处理“剪不断理还乱”的多重因果和中介效应。SEM的伟大之处在于它通过结合因子分析Factor Analysis与路径分析Path Analysis允许研究者同时分析多个测量变量、潜变量即无法直接测量需多个题项表征的心理状态如心流体验之间的复杂因果网络关系并精准计算出每一条中介路径的贡献度 。为什么要用结构方程模型在扎根理论完成概念提炼与关系预设之后本研究进一步引入结构方程模型Structural Equation Modeling, SEM。该方法的优势在于它不仅能同时处理S、O、R多层变量之间的复杂路径关系还能通过中介效应检验精确测算机体O在刺激与反应之间所承担的传导权重。简言之扎根理论负责搭架子质性的归类与命题提出结构方程模型负责测承重量化的拟合与路径验证二者前后衔接、各司其职共同确保SOR框架在本研究中的合法性与科学性。二、项目实施1、基于访谈的变量识别与概念建构1数据收集与抽样策略扎根理论的第一步在于获取富含经验细节的原始资料。常用的数据来源包括深度访谈、政策文本、用户日记或公开评论等研究者需根据研究问题的性质选择最适配的材料类型。这里选用访谈文本在抽样环节应遵循理论抽样原则即并非随机选取样本而是有目的地寻找能够最大限度呈现现象差异的典型个案。具体而言研究者需覆盖不同类型的样本群体——例如重度使用者与轻度使用者、高卷入度与低卷入度参与者、不同人口统计特征的用户等——以确保所收集的资料能够反映研究现象的多元面向与丰富层次。在访谈结束后须将录音内容逐字逐句转录为文字稿形成后续分析的基础数据原料。2开放式编码研究者以逐词逐句的方式通读访谈文本对其中包含信息量的意义单元赋予初始标签即贴概念标签并将语义相近的标签归并为初始范畴。此阶段要求研究者悬置个人主观预设最大程度贴近原始资料的本意做到让数据自己说话。如02号受访者说“平台推荐刷到了精彩片段”04号受访者说“抖音平台给我推送的”我们可以提炼出“被动触发”。但是02号又说“手头没有任务……无聊的时候看”。可以提炼出概念“时间填补”。这时候你发现“被动触发”和“时间填补”都在解释“为什么会点开”的最初诱因于是把它们合并为一个初始范畴起名叫“触发机制”。3主轴编码在开放式编码所产生的大量初始范畴基础上研究者进一步探寻各范畴之间的逻辑关联——如因果关系、情境关系、过程关系等——将分散的初始范畴整合为层次更高、概括性更强的主范畴。这一步骤的核心任务在于拉帮结派重建范畴间的内在秩序。如把“触发机制”、“观看态度”、“观看场景”这3个初始范畴放在一起。我们会发现不管是“被动推荐”机制、“随意消遣”态度还是“下班睡前”场景统统都在描述用户在什么环境和状态下看剧于是将他们合并为主范畴观看情境。4选择性编码研究者从已提炼出的主范畴中识别出一个能够统摄全局的核心范畴并以故事线的形式将其他范畴围绕该核心串联起来形成一个逻辑自洽的理论叙事。至此变量间的预设关系与初步假说模型便得以生成。如用户在无聊、碎片化时间的观看情境S刺激下点开了AI漫剧 随后在机体O内部同时激活了求爽的“情绪需求”与对画面的“技术感知” 这两股力量交织在一起共同决定了用户对该剧“内容感知”剧情、节奏的最终评价 当用户觉得内容足够吸引人时便会顺流而下陷入无法自拔的“心流体验” 最终这种极致的沉浸感跨越心理防线在反应R层面上彻底转化为用户的“付费意愿”。图1 理论模型示例5理论饱和度检验扎根理论强调理论生成应止于饱和。所谓理论饱和度是指当研究者新增额外的访谈资料时不再有新的概念或范畴涌现已有框架足以解释全部数据。实际操作中研究者通常在完成主体样本的编码后预留一至两份访谈文本作为校验材料若将预留文本代入现有理论模型后发现其内容均能被已有范畴所涵盖而无需新增概念则可判定为理论饱和分析工作至此终止。2、基于量化实证的问卷设计与数据收集1样本获取与调查方法为确保样本的代表性与广泛性本研究采用分层配额抽样与多渠道便利抽样相结合的方法进行样本获取。分层配额抽样依据主流平台如抖音、快手、B站的用户画像对受访者的性别、年龄段以及观看频率进行合理的配额控制。多渠道便利抽样通过社交媒体小红书、微博、贴吧的AI漫剧垂直社群、ACG同好群及短视频评论区进行多渠道定向投放。图2 抽样的基本方法2基于 SPSS 的信效度检验在正式进行路径分析前本研究利用 SPSS 软件对有效样本数据进行了信度与效度分析以确保测量工具的可靠性信度分析检验结果显示各潜变量观看情境、情绪需求、技术感知、内容感知、心流体验、付费意愿的Cronbachs α系数均大于 0.70表明问卷具有极高的内部一致性与稳定度。效度分析经检验数据的KMO 值大于 0.80且 Bartlett 球形检验显著性p 0.001说明数据极佳地适合进行因子分析。同时组合信度CR与平均方差萃取值AVE均达到学术规范标准CR 0.7AVE 0.5证实问卷具有良好的收敛效度与区别效度。3结构方程模型SEM的构建与评估将回收的有效问卷数据录入统计软件形成原始数据矩阵。每一份问卷对应一行记录每一列对应一个测量题项。结构方程模型软件如AMOS的底层运算逻辑并非直接求解复杂的因果方程组而是首先计算所有测量题项两两之间的协方差矩阵。其核心考察逻辑在于当某一题项的得分呈规律性变化时其他相关题项的得分是否呈现出一致的联动趋势。AMOS区别于传统统计软件的核心特征在于其图形化操作界面。研究者需在软件画布上完成以下构建工作其一绘制潜变量。以椭圆或圆形表示研究涉及的理论构念即无法直接观测但需通过题项间接测量的抽象概念。其二绘制观测变量。以矩形表示各潜变量对应的具体测量题项并用单向箭头从潜变量指向其对应的观测变量。这一步骤构成测量模型用以表征潜变量如何通过观测题项被操作化测量。其三绘制路径关系。根据理论假设用单向箭头在各潜变量之间建立连接箭头指向代表因果关系的方向。这一步骤构成结构模型用以表征各潜变量之间的预设影响路径。其四添加误差项。每一个观测变量矩形以及每一个作为结果变量的潜变量椭圆均需挂载一个代表测量误差或未被解释方差的小圆圈通常标记为e1、e2……等残差符号。在配置好数据源后研究者通常选择最大似然估计法进行模型参数估计。该算法的核心逻辑在于以研究者绘制的理论模型为基准反复调整各路径系数与载荷系数的取值使模型所预测的协方差矩阵与实际问卷数据计算所得的协方差矩阵之间的差异最小化。当差异达到最小且模型收敛时运算终止并输出一系列用于评估模型与数据拟合程度的统计指标。4结构方程模型SEM的结果解读整体拟合度若χ²/df3、RMSEA0.08、CFI0.9则模型与数据吻合良好可继续解读。若未达标需查阅修正指数MI酌情增删路径或删除因子载荷过低的题项每次修正后重跑模型直至达标。测量模型因子载荷各题项载荷大于0.6说明量表效度良好。若载荷低于0.5则删除该题后重跑。路径分析假设检验P0.05则假设成立P0.05则该路径不显著讨论中如实说明即可。中介效应Bootstrap置信区间不包含0则中介成立若包含0则中介不成立讨论中如实报告并分析原因即可。图3 路径分析图本文章仅为学习复盘如有问题敬请指正
项目复盘：基于扎根理论与结构方程模型（SEM）的SOR混合研究设计
发布时间：2026/7/5 3:58:08
一、理论方法1、SOR 模型刺激-机体-反应模型SOR理论模型Stimulus-Organism-Response Model最初由环境心理学家梅拉比安和罗素于1974年提出。它打破了传统心理学认为“外部刺激会直接导致行为”的机械观点认为任何外部环境刺激S都必须先引发个体内部的认知或情绪变化O正是这种“内心的震荡”最终才决定了个体的行为反应R。S (Stimulus) - 外部刺激能够打破机体平衡并被用户感知到的外部环境要素 。O (Organism) - 机体变化处于刺激与反应中间的“心理中介变量”包含个体面对刺激时的情绪唤醒、认知评价和心理状态 。R (Response) - 行为反应个体最终做出的趋向性如持续观看、付费或规避性如划走、卸载的行为结果 。值得注意的是SOR模型并非一个可用于探索任意变量间关系的通用工具而是一个基于既有文献支撑的变量分类与单向因果框架。其应用须满足两项前提条件第一变量的归属须有据可依。研究者需依据成熟理论或前人实证证据将所涉变量明确界定为外部环境刺激S、个体内部机体状态O或行为反应R不能凭主观直觉随意归入某一层级。每一个变量被放置在货架的哪一层都必须有文献逻辑作为承重墙。第二变量间的关系方向须先验明确。SOR模型的路径方向是单向且固定的S→O→R这意味着研究者必须在理论上预先确认刺激会影响机体、机体会影响反应而非相反或双向互构。因此如果某一对变量间的因果关系方向尚属未知例如尚未有文献能支撑A是前因、B是后果而非B导致A则不宜强行套用SOR模型否则将构成方向性误用directional misspecification。综上SOR模型的适用边界可概括为已知归属且已知方向——即变量的分类归属和影响方向均能从前人文献中找到理论锚点。它接纳新概念的进入只要能在理论上锚定其层级但拒绝未知关系的随意拼接。这既是该框架的结构性优势也是其不容突破的方法论底线。2、扎根理论扎根理论是由芝加哥大学的格拉斯Glaser和斯特劳斯Strauss在1967年联合提出的一种自下而上建构理论的质性研究方法。它强调“不带预设偏见”直接从原始的现实资料如深度访谈、一手文本出发通过逐字逐句的科学编码与提炼层层归纳最终从泥土里“生长”出一个全新的理论模型。其核心工具是经典的“三级编码”开放式编码Open Coding揉碎原始资料打碎并提炼出初始概念 。主轴编码Axial Coding寻找概念之间的关联聚类并提炼出“主范畴” 。选择性编码Selective Coding提炼出能统领全局的“核心范畴”穿针引线织成完整的故事线 。为什么要用扎根理论在SOR框架的应用中变量的分类归属须以既有文献为锚点。然而针对现有理论尚缺乏的新兴概念其属性维度与影响路径亦未被充分揭示。为此本研究首先采用扎根理论Grounded Theory进行探索性研究通过对原始资料的系统性编码自下而上地提炼概念范畴、厘清变量间的逻辑脉络。此举旨在为那些尚无文献支撑的本土化新名词寻得理论户口从而为后续将其合法安置于SOR模型的S、O、R三层货架之上提供经验证据与分类依据。3、结构方程模型结构方程模型Structural Equation Modeling, 简称SEM是当代社会科学及行为科学中极为强大的一种多元统计分析技术。传统的回归分析一次只能检验一个自变量对因变量的影响而无法处理“剪不断理还乱”的多重因果和中介效应。SEM的伟大之处在于它通过结合因子分析Factor Analysis与路径分析Path Analysis允许研究者同时分析多个测量变量、潜变量即无法直接测量需多个题项表征的心理状态如心流体验之间的复杂因果网络关系并精准计算出每一条中介路径的贡献度 。为什么要用结构方程模型在扎根理论完成概念提炼与关系预设之后本研究进一步引入结构方程模型Structural Equation Modeling, SEM。该方法的优势在于它不仅能同时处理S、O、R多层变量之间的复杂路径关系还能通过中介效应检验精确测算机体O在刺激与反应之间所承担的传导权重。简言之扎根理论负责搭架子质性的归类与命题提出结构方程模型负责测承重量化的拟合与路径验证二者前后衔接、各司其职共同确保SOR框架在本研究中的合法性与科学性。二、项目实施1、基于访谈的变量识别与概念建构1数据收集与抽样策略扎根理论的第一步在于获取富含经验细节的原始资料。常用的数据来源包括深度访谈、政策文本、用户日记或公开评论等研究者需根据研究问题的性质选择最适配的材料类型。这里选用访谈文本在抽样环节应遵循理论抽样原则即并非随机选取样本而是有目的地寻找能够最大限度呈现现象差异的典型个案。具体而言研究者需覆盖不同类型的样本群体——例如重度使用者与轻度使用者、高卷入度与低卷入度参与者、不同人口统计特征的用户等——以确保所收集的资料能够反映研究现象的多元面向与丰富层次。在访谈结束后须将录音内容逐字逐句转录为文字稿形成后续分析的基础数据原料。2开放式编码研究者以逐词逐句的方式通读访谈文本对其中包含信息量的意义单元赋予初始标签即贴概念标签并将语义相近的标签归并为初始范畴。此阶段要求研究者悬置个人主观预设最大程度贴近原始资料的本意做到让数据自己说话。如02号受访者说“平台推荐刷到了精彩片段”04号受访者说“抖音平台给我推送的”我们可以提炼出“被动触发”。但是02号又说“手头没有任务……无聊的时候看”。可以提炼出概念“时间填补”。这时候你发现“被动触发”和“时间填补”都在解释“为什么会点开”的最初诱因于是把它们合并为一个初始范畴起名叫“触发机制”。3主轴编码在开放式编码所产生的大量初始范畴基础上研究者进一步探寻各范畴之间的逻辑关联——如因果关系、情境关系、过程关系等——将分散的初始范畴整合为层次更高、概括性更强的主范畴。这一步骤的核心任务在于拉帮结派重建范畴间的内在秩序。如把“触发机制”、“观看态度”、“观看场景”这3个初始范畴放在一起。我们会发现不管是“被动推荐”机制、“随意消遣”态度还是“下班睡前”场景统统都在描述用户在什么环境和状态下看剧于是将他们合并为主范畴观看情境。4选择性编码研究者从已提炼出的主范畴中识别出一个能够统摄全局的核心范畴并以故事线的形式将其他范畴围绕该核心串联起来形成一个逻辑自洽的理论叙事。至此变量间的预设关系与初步假说模型便得以生成。如用户在无聊、碎片化时间的观看情境S刺激下点开了AI漫剧 随后在机体O内部同时激活了求爽的“情绪需求”与对画面的“技术感知” 这两股力量交织在一起共同决定了用户对该剧“内容感知”剧情、节奏的最终评价 当用户觉得内容足够吸引人时便会顺流而下陷入无法自拔的“心流体验” 最终这种极致的沉浸感跨越心理防线在反应R层面上彻底转化为用户的“付费意愿”。图1 理论模型示例5理论饱和度检验扎根理论强调理论生成应止于饱和。所谓理论饱和度是指当研究者新增额外的访谈资料时不再有新的概念或范畴涌现已有框架足以解释全部数据。实际操作中研究者通常在完成主体样本的编码后预留一至两份访谈文本作为校验材料若将预留文本代入现有理论模型后发现其内容均能被已有范畴所涵盖而无需新增概念则可判定为理论饱和分析工作至此终止。2、基于量化实证的问卷设计与数据收集1样本获取与调查方法为确保样本的代表性与广泛性本研究采用分层配额抽样与多渠道便利抽样相结合的方法进行样本获取。分层配额抽样依据主流平台如抖音、快手、B站的用户画像对受访者的性别、年龄段以及观看频率进行合理的配额控制。多渠道便利抽样通过社交媒体小红书、微博、贴吧的AI漫剧垂直社群、ACG同好群及短视频评论区进行多渠道定向投放。图2 抽样的基本方法2基于 SPSS 的信效度检验在正式进行路径分析前本研究利用 SPSS 软件对有效样本数据进行了信度与效度分析以确保测量工具的可靠性信度分析检验结果显示各潜变量观看情境、情绪需求、技术感知、内容感知、心流体验、付费意愿的Cronbachs α系数均大于 0.70表明问卷具有极高的内部一致性与稳定度。效度分析经检验数据的KMO 值大于 0.80且 Bartlett 球形检验显著性p 0.001说明数据极佳地适合进行因子分析。同时组合信度CR与平均方差萃取值AVE均达到学术规范标准CR 0.7AVE 0.5证实问卷具有良好的收敛效度与区别效度。3结构方程模型SEM的构建与评估将回收的有效问卷数据录入统计软件形成原始数据矩阵。每一份问卷对应一行记录每一列对应一个测量题项。结构方程模型软件如AMOS的底层运算逻辑并非直接求解复杂的因果方程组而是首先计算所有测量题项两两之间的协方差矩阵。其核心考察逻辑在于当某一题项的得分呈规律性变化时其他相关题项的得分是否呈现出一致的联动趋势。AMOS区别于传统统计软件的核心特征在于其图形化操作界面。研究者需在软件画布上完成以下构建工作其一绘制潜变量。以椭圆或圆形表示研究涉及的理论构念即无法直接观测但需通过题项间接测量的抽象概念。其二绘制观测变量。以矩形表示各潜变量对应的具体测量题项并用单向箭头从潜变量指向其对应的观测变量。这一步骤构成测量模型用以表征潜变量如何通过观测题项被操作化测量。其三绘制路径关系。根据理论假设用单向箭头在各潜变量之间建立连接箭头指向代表因果关系的方向。这一步骤构成结构模型用以表征各潜变量之间的预设影响路径。其四添加误差项。每一个观测变量矩形以及每一个作为结果变量的潜变量椭圆均需挂载一个代表测量误差或未被解释方差的小圆圈通常标记为e1、e2……等残差符号。在配置好数据源后研究者通常选择最大似然估计法进行模型参数估计。该算法的核心逻辑在于以研究者绘制的理论模型为基准反复调整各路径系数与载荷系数的取值使模型所预测的协方差矩阵与实际问卷数据计算所得的协方差矩阵之间的差异最小化。当差异达到最小且模型收敛时运算终止并输出一系列用于评估模型与数据拟合程度的统计指标。4结构方程模型SEM的结果解读整体拟合度若χ²/df3、RMSEA0.08、CFI0.9则模型与数据吻合良好可继续解读。若未达标需查阅修正指数MI酌情增删路径或删除因子载荷过低的题项每次修正后重跑模型直至达标。测量模型因子载荷各题项载荷大于0.6说明量表效度良好。若载荷低于0.5则删除该题后重跑。路径分析假设检验P0.05则假设成立P0.05则该路径不显著讨论中如实说明即可。中介效应Bootstrap置信区间不包含0则中介成立若包含0则中介不成立讨论中如实报告并分析原因即可。图3 路径分析图本文章仅为学习复盘如有问题敬请指正
