互联网的飞速发展造成了信息过载问题,促进了用户对于精准化和个性化信息的需求。在线问答社区通过将在线问答和社交互动相结合,使得用户一方面可以通过提问的形式获取满足自身需求的回答,另一方面可以通过回答别人的问题将自己内有的隐性知识转换为显性知识进行输出和积累,此外用户之间还可以通过评论、点赞等互动行为与社区中其他成员进行交流,这极大地促进了知识的交流和传播。与此同时,随着在线问答社区中知识资源的日益增长,这给用户的知识搜寻和获取带来了阻碍,此外也出现了回答质量参差不齐,大量优质回答被淹没的问题,导致用户需要花费大量的时间和精力在检索答案的筛选上。因此,如何有效评价社区中已有答案资源的质量成为在线问答社区的重要课题。另外,由于在线问答社区中的知识属于用户产生内容,社区的持续发展依赖于用户的积极参与和知识贡献,因此如何促进用户积极的知识贡献行为,提高用户知识贡献内容质量也是值得关注的问题。基于此,本文以信息采纳理论为指导,从信息质量和信息源可信度两个角度出发构建答案质量评价的理论指标,并融合BERT文本表示模型来构建答案质量评价分类器以实现对用户贡献内容质量的自动化评价。实验结果表明本文所提出的质量评价模型具有更好的分类效果和性能。在答案质量评价研究的基础上,本文基于动机理论,利用二值选择模型进一步探究了影响用户贡献内容质量的因素,着重研究了有无现金激励和不同的现金激励机制对用户贡献内容质量的影响,以及和用户内在动机之间的交互作用。本文将信息质量评价的理论指标研究和基于机器学习的质量分类算法研究进行了连接,为答案质量的自动化评价研究提供了理论启示,也为在线问答社区建立自动化质量评价系统提供了实用指南。此外,本文创新性地将通过机器学习算法得到的答案质量分类结果引入实证研究模型中,探究了用户内在动机和外在现金激励对用户贡献内容质量的影响以及两者之间的相互影响关系,丰富了在线问答社区用户知识贡献行为领域的研究,也为社区运营提供了理论指导和建议。