Paper Type
Complete
Paper Number
Translated 1975
Description
激励性信息系统设计，例如游戏化的应用，已成为信息系统设计和研究的一个重要维度， 尤其是在用户互动至关重要的系统中，如众包、电子商务或在线教育。当前的主要瓶颈是 无法根据用户行为模式、背景特征或个性进行激励设计的定制化或个性化。为此，我们分 析了过去15年中收集的10,000名GitHub用户的行为日志，利用机器学习预测用户对不同激 励设计的参与。结果显示，行为相关指标在预测用户参与方面最具影响力，其次是社交网 络相关指标，而用户资料相关指标影响较小。这些发现对静态用户分类模型提出了挑战， 强调了适应性强且考虑网络因素的游戏化策略的必要性。本研究为游戏化参与提供了理论 见解，并为个性化游戏化设计提出了实践建议。
Recommended Citation
Tang, Hairui; Xi, Nannan; and Hamari, Juho, "不同用户类型对激励设计的参与研究：基于GitHub 的机器学习分析" (2025). PACIS 2025 Proceedings. 17.
https://aisel.aisnet.org/pacis2025/translated/translated/17
不同用户类型对激励设计的参与研究：基于GitHub 的机器学习分析
激励性信息系统设计，例如游戏化的应用，已成为信息系统设计和研究的一个重要维度， 尤其是在用户互动至关重要的系统中，如众包、电子商务或在线教育。当前的主要瓶颈是 无法根据用户行为模式、背景特征或个性进行激励设计的定制化或个性化。为此，我们分 析了过去15年中收集的10,000名GitHub用户的行为日志，利用机器学习预测用户对不同激 励设计的参与。结果显示，行为相关指标在预测用户参与方面最具影响力，其次是社交网 络相关指标，而用户资料相关指标影响较小。这些发现对静态用户分类模型提出了挑战， 强调了适应性强且考虑网络因素的游戏化策略的必要性。本研究为游戏化参与提供了理论 见解，并为个性化游戏化设计提出了实践建议。