MétaCan
Menu
Retour à la cohorte
Enregistrement W1956040498

How Might Cell Phone Money Change the Financial System

2010· article· en· W1956040498 sur OpenAlexaff
Shann Turnbull

Notice bibliographique

RevueJournal of financial transformation · 2010
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlockchain Technology Applications and Security
Établissements canadiensInstitute on Governance
Organismes subventionnairesnon disponible
Mots-clésFiat moneyCurrencyCommerceMedium of exchangeBusinessDemand depositStore of valueMonetary economicsFinancial transactionEconomicsLegal tenderMoney creationInvestment (military)FinanceDatabase transactionMonetary policyCentral bank
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The emergence of cloud banking in developing economies from billions of cell phones transacting both legal tender and informal units of accounts has created a need to reconsider habits of thinking about the nature of money and banking in advanced societies. The dysfunctional nature of modern money and banking is revealed by considering cell phone units of account based on four historical forms of money: (i) the current form of synthetic or “fiat” legal tender that can earn interest, (ii) fiat money that does not earn interest but has a usage fee, (iii) “free-money” issued privately with a usage fee, and (iv) “natural” money redeemable into specified goods and/or services with a usage fee. The value of a “green” form of natural money, redeemable into units of renewable electricity, becomes fixed by the investment cost of generators to create an inflation resistant unit of account. This paper identifies green dollars as offering a competitive medium of exchange for the “invisible hands” of (i) investors, (ii) Islamic economies and businesses, (iii) green voters, (iv) governments seeking to reduce the need for carbon taxing or trading, and (v) those seeking a reserve currency in case the financial system fails.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,004
Communication savante0,0070,011
Science ouverte0,0010,002
Intégrité de la recherche0,0050,003
Charge utile insuffisante (le modèle a refusé de juger)0,0130,004

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,010
Tête enseignante GPT0,198
Écart entre enseignants0,189 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of financial transformationMême sujetBlockchain Technology Applications and SecurityTravaux en français237 207