Notice bibliographique
Résumé
Crowds offer a new form of efficacious collective decision making, yet knowledge about the mechanisms by which they achieve superior outcomes remains nascent. It has been suggested that crowds work best with market-like relationships when individuals make independent decisions and possess dissimilar information. By contrast, sociological discussions of markets argue that risky decisions are mitigated by network relations that embed economic transactions in social ties that promote trustworthiness and reciprocity. To investigate the role of networks within crowds and their performance effects, we examined the complete record of financial lending decisions on Prosper.com, 1/2006-3/2012, the first U.S. crowdfunding platform and a chief gateway to capital for entrepreneurs and general borrowers that continues to disrupt conventional financial lending structures infusing more than $5.1 billion into the market in 2013. Our study reveals how reciprocity, recurring borrower-lender dyads, and persistent co-lending underpin the dynamics of network lending. Further, we show how network ties influence the evolution of the lending behavior. We find that in the early stage of fundraising, network relations provide larger proportions of loans, typically lending four times more per bid than strangers. They also respond to loan requests on average 59.5% sooner than strangers. The size of the first loan and the time to lending also tend to prompt lending by strangers, suggesting that network relations might move the market, a finding that persists even as fewer lenders dominate more of the market for loans on Prosper. Finally, network relations are associated with greater engagement: when the first loan is underwritten by a friend, 50% of the remaining loans come from friends as well.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».