MétaCan
Menu
Retour à la cohorte
Enregistrement W3107947590 · doi:10.1111/1911-3838.12242

Digital Assets and Blockchain: Hackable, Fraudulent, or Just Misunderstood?<sup>*</sup>

2020· article· en· W3107947590 sur OpenAlexvenueno aff
John “Jack” Castonguay, Sean Stein Smith

Notice bibliographique

RevueAccounting Perspectives · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueBlockchain Technology Applications and Security
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCryptocurrencyBlockchainComputer securityLedgerDigital currencyComputer scienceSkepticismSmart contractDistributed ledgerBusinessInternet privacyAccountingWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Unhackable. Immutable. Fraud‐proof. These terms are frequently used to describe cryptocurrencies and the blockchain technology that underpins them. Together, they imply that a high degree of safety accompanies cryptocurrencies and blockchain ledgers. But is this understanding supported by the facts, or is it more based on the promise and theoretical construction of blockchain and cryptocurrencies? To better answer this question, we have compiled and analyzed existing research on initial coin offerings, security offerings, blockchain hacks and thefts, and data breaches of blockchain‐based platforms and digital wallets. In contrast to the popular press, we find that in practice, blockchain and cryptocurrencies are more prone to malfeasance, fraud, and manipulation than is commonly understood. The security and trust provided by blockchain as a technology tool are only as secure as the underlying code that establishes the blockchain, and the value derived from cryptocurrencies is only as trustworthy as the entity developing the cryptocurrency. Neither are without their vulnerabilities. Skepticism and proper due diligence should be maintained for any entity looking to utilize blockchain technology or invest in cryptocurrencies.

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)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,006
Études des sciences et des technologies0,0020,008
Communication savante0,0090,011
Science ouverte0,0000,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0140,001

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 Opus0,022
Tête enseignante GPT0,249
Écart entre enseignants0,227 · 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'étudeThéorique ou conceptuel
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

Citations40
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAccounting PerspectivesMême sujetBlockchain Technology Applications and SecurityTravaux en français237 207