MétaCan
Menu
Retour à la cohorte
Enregistrement W3031467418 · doi:10.34053/artivate.9.1.90

Crowdfunding Canadian Theatre

2020· article· en· W3031467418 sur OpenAlexaffabout
Mohammad Keyhani, Safaneh Mohaghegh Neyshabouri, Abbas Hosseini Amereii

Notice bibliographique

RevueArtivate A Journal of Entrepreneurship in the Arts · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinTech, Crowdfunding, Digital Finance
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésExploratory analysisDescriptive statisticsScale (ratio)Quantitative analysis (chemistry)Exploratory researchGeographyQualitative analysisAdvertisingQualitative researchComputer scienceBusinessSociologyCartographyData scienceStatisticsSocial scienceMathematics

Résumé

récupéré en direct d'OpenAlex

This study presents a comprehensive exploratory and descriptive analysis of Canadian theatre projects on the Kickstarter platform, using both quantitative and qualitative data. In the country-level analysis, comparative statistics are provided with Kickstarter projects based in the United States. Our quantitative analysis finds that many theatre projects in Canada are successfully raising funds on Kickstarter, with the success rate being similar to that of theatre projects in the US, but on a relatively smaller scale in terms of the amount of money raised. Only Ontario, Quebec, British Columbia and Alberta, have more than three theatre projects on Kickstarter and of these, only Quebec has a proportion of Canadian theatre projects (and successful projects) on Kickstarter that are lower than its proportion of Canada’s population. In our qualitative analysis we find that theatre crowdfunding in Canada has a strong philanthropic component, and highlight limitations with Kickstarter data and the challenges of measuring success in crowdfunding more generally.

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)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,270

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0060,008
Études des sciences et des technologies0,0090,002
Communication savante0,0040,001
Science ouverte0,0010,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,039
Tête enseignante GPT0,226
Écart entre enseignants0,188 · 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'étudeQualitatif
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

Citations1
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueArtivate A Journal of Entrepreneurship in the ArtsMême sujetFinTech, Crowdfunding, Digital FinanceTravaux en français237 207