心理学的研究表明，受众态度是一个包含认知、情感和行为三种心理成分的结构[56]。

心理学的研究表明，受众态度是一个包含认知、情感和行为三种心理成分的结构[56]。从受众分析来看，认知层面效果是知识传播整体效果的基础，是知识传播中受众对所接收知识的初始反应。情感态度层面效果在知识传播整体效果发挥中起着承上启下作用，既对认知层面效果的反映，又是行为层面效果的直接动因。而行为层面效果则知识传播效果的最终体现，是知识传播效果的受众行动体现。由此可见，知识传播是一个通过改变认知、影响情感、最终指导行动的过程。罗莹和刘冰(2009)认为，认知是情感和行动的前提基础，而情感和行动又可调节认知的加工过程， 促进或阻碍认知的发展，三者是相互影响、相互作用且不可分割的整体[57]。因此，知识传播效果是从认知到情感再到行动的一个效果累积、深化和扩大的过程。金兼斌等人(2017)提出，传播效果的界定和辨析有多种角度。从受众的层面来看，传播效果依据其发生的逻辑顺序或表现阶段可以分为三个维度：外部信息作用于人们的视觉和记忆系统，引起人们知识量的增加和知识结构的变化，属于认知层面上的效果；作用于人们的观念或体系而引起情绪或感情的变化，属于心理和态度层面上的效果；这些变化通过人们的言行表现出来，即为行动层面上的效果[39]。

传播效果阶梯模型[55]又称L&S模型或勒韦兹和斯坦纳模型，是Lavidge和Steiner于1961年提出的关于广告效果的预测模型。该模型将广告传播效果的衡量共分三个递进式的层次和六个阶段：1)认知层次，其中包括获知和认识两个阶段；2)情感层次，其中包括喜欢和偏爱两个阶段；3)意图行为层次，其中包括相信和购买两个阶段。

基于已有研究，可以将科普短视频的知识传播效果划分为三个层面，即认知层面、情感层面和行为层面。科普短视频在认知层面的知识传播效果主要体现在观众对知识的认知水平，包括知识的获取、理解、记忆和内化。视频需要通过清晰、简洁和有吸引力的方式讲述科学知识，确保观众能够正确地吸收信息，理解并记忆关键概念。一个好的科普视频可以让观众在观看后对相关科学主题有更深刻的理解和长期的记忆，从而在认知上达到了知识传播的目的。情感层面涉及观众对科普短视频内容的情绪反应和态度形成，科普视频通过触动观众的情感，从而在认知层面所学习到的知识基础上建立起积极的情感联系。行为层面指观众在看过科普短视频后的实际行为改变，行为层面是知识传播效果的最终体现，它在一定程度上取决于认知和情感层面的影响。

一般来说，传播效果的测量标准主要是从传播广度和传播深度两个方面进行综合考量。在综合相关研究成果的基础上，本文从受众对于科普短视频的知识传播效果的认知层面和行为层面两个维度进行测量。认知层面对应传播深度，行为层面对应传播广度，通过定量和定性的分析，从传播的广度和深度两方面对其最终可能的传播效果进行推测和评价。最后以以上两个层面为特征，对科普短视频知识传播效果进行测度，具体框架如下：

认知层面效果是网络信息传播整体效果的基础，是信息传播中信息受众对所接收信息的初始反应[57]。要从认知层面对B站科普类短视频的评论进行文本挖掘，可以运用主题模型来挖掘评论者对科普知识的吸收程度。现有的主题建模测度指标和工具的方法有多种[58]，例如主题连贯性、主题相似度、主题多样性等。然而，目前大多数的主题模型方法主要停留在文本的字符串和单词层面，虽然这类方法原理直观简单，易实现，但仅停留在文本的表面，并未考虑到文本的深层语义信息，在语法结构复杂场景下的计算效果较差[59]。为了深入挖掘文本内容的语义层次，有效捕捉科普短视频中蕴含的丰富知识，因此本文选取主题相似度，这样可以确保不仅关注文字的表层意义，更能透过词汇之间的联结探寻潜在的主题关联，进而对科普短视频的知识传播效果的传播深度进行度量。

目前，基于统计的方法主要通过向量空间模型和主题模型对文本进行建模，再将建模后的向量转换为相似度，该类方法只能对文本进行浅层语义分析。深度学习方法虽然可对文本进行高质量的向量表征，但应用于科普短视频文本与评论的相关性计算时，效果较差，这是因为科普短视频文本与评论之间存在较大的差异，使模型很难准确地学习到两种文本之间的语义关系。受Peinelt等(2020)研究的启发[60]，本文认为科普短视频文本与评论之间同样存在主题相关性，科普短视频标题也含有丰富的语义信息。因此本文基于李伊仝等(2023)[59]提出的一种在融入新闻标题信息基础上将TextRank算法[61]、LDA主题模型[62]与BERT预训练模型[63][64]相结合的方法，将科普短视频内容与评论之间的语义相关性计算转换为计算科普短视频文本和评论的主题相似度。

具体步骤如下：首先，将科普短视频内容文本通过 jieba分词工具进行分词处理，基于TFIDF算法计算每个词的在整篇文档中的权重分数，最后从所有词中选出得分最高的前k

个词作为科普短视频内容的关键词，用公式表示为：

ω1,ω2,⋯,ωk=Topk(WS(V1,V2,⋯,Vn))

                            （3-1）

其中ω1,ω2,⋯,ωk

表示从文章中提取出的

个关键词，WS(V1,V2,⋯,Vn)

表示所有词的分数。为充分利用标题包含的丰富语义信息，将标题与提取的k

个关键词拼接得到新的科普短视频文本表示，从而在不丢失语义信息的情况下，将较长的科普短视频文本转换成较短的文本，即S1

，用公式表示为：

S1=(科普短视频标题，ω1,ω2,⋯,ωk)

                           （3-2）

为计算新的科普短视频文本与评论之间的相似性，对 S1

和评论S2

 分别做分词、去除停用词处理，并输入到LDA主题模型中，从而计算出S1

和S2

的主题分布向量

 和

 ：

T1=LDA（S1）

                                                   （3-3）

T2=LDA（S2）

                                                （3-4）

在计算 S1

 和S2

主题分布的同时，将S1

和S2

 输入BERT模型中，获得两种文本的融合语义表示 C1

和C2

：

C1=BERT（S1）

                                            （3-5）

C2=BERT（S2）

                                                （3-6

        然后使用余弦相似度COS计算 C1

和C2

的相似度，对主题分布向量T1

 和T2

相似度进行计算对如下公式3-7和3-8所示：

y=(COS(C1，C2)

+ COS(T1，T2))/2

                                （3-7）

其中y

表示相似度分数。

1. 行为层面

清博大数据设计的B站指数BVCI（V2.0）从“发布指数”、“播放指数”、“互动指数”、“覆盖指数”四个维度对B站账号视频传播进行综合评价。汤正午在研究中进一步细化BVCI中的互动指数指标推出了图书馆B站指数（以下简称BVCI-L），以此衡量B站账号视频传播与影响效果[65]。对照本文的统计数据与两种指数的详细指标，发现BVCI（V2.0）仅将评论纳入评价指标中，遗漏了弹幕、点赞、分享、投币、收藏5种互动数据。BVCI-L虽考量了上述所有互动数据但却赋予上述5种互动数据相同的权重。因此，两种指数在互动指标选取和权重分配上尚有改进之处。在B站平台，互动行为代表着不同等级的用户程度不一的主观态度。所有B站用户均有权限的点赞、收藏、分享行为，分别代表了用户对视频支持、留存、共享三种由低到高强度的意愿，故点赞、收藏、分享的互动价值、权重应逐步增高。弹幕、评论功能一致，仅发布时间、发布场合有所区别，因此二者权重相同。弹幕、评论和投币行为同是只有B站正式会员、大会员用户具有的互动权限，而且三者表明用户对视频内容的认可意愿比点赞、收藏、分享行为所表达的更加强烈，尤其是投币，以较为难得的硬币表达对视频最热烈的态度。因此，按照上述互动行为的视频反馈程度，其权重由低到高分别是：点赞、收藏、分享、弹幕和评论、投币。

基于上述理解，本文在BVCI（V2.0）、BVCI-L两种已有指数的基础上，基于雷辉等人提出的B站科普短视频影响力指数BVCI-PL[66]，进一步优化了B站互动指数各项二级指标权重。