MétaCan
Menu
Retour à la cohorte
Enregistrement W3092969991 · doi:10.1177/0022243720970445

Making the World a Better Place: How Crowdfunding Increases Consumer Demand for Social-Good Products

2020· article· en· W3092969991 sur OpenAlexafffund
Bonnie Simpson, Martin Schreier, Sally Bitterl, Katherine White

Notice bibliographique

RevueJournal of Marketing Research · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinTech, Crowdfunding, Digital Finance
Établissements canadiensUniversity of British ColumbiaWestern University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésMindsetProduct (mathematics)InterdependenceMarketingBusinessProcess (computing)Work (physics)New product developmentEconomicsAdvertising

Résumé

récupéré en direct d'OpenAlex

Crowdfunding has emerged as an alternative means of financing new ventures wherein a large number of individuals collectively back a project. This research specifically examines reward-based crowdfunding, in which those who take part in the crowdfunding process receive the new product for which funding is sought in return for their financial support. This work illustrates that consumers make fundamentally different decisions when considering whether to contribute their money to crowdfund versus purchase a product. Six studies demonstrate that compared with a traditional purchase, crowdfunding more strongly activates an interdependent mindset and, as a result, increases consumer demand for social-good products (i.e., products with positive social and/or environmental impact). The research further highlights that an active involvement in the crowdfunding process is necessary to increase demand for social-good products: when a previously crowdfunded product is already to market, the effect is eliminated. Finally, it is demonstrated that crowdfunding participants exhibit an increased demand for social-good products only when collective efficacy (i.e., one’s belief in the collective’s ability to bring about change) is high.

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)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,136
Tête enseignante GPT0,352
Écart entre enseignants0,216 · 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'étudeObservationnel
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

Citations57
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Marketing ResearchMême sujetFinTech, Crowdfunding, Digital FinanceTravaux en français237 207