MétaCan
Menu
Retour à la cohorte
Enregistrement W3108770953 · doi:10.1080/0144929x.2020.1851770

Motivations of collaborative obtainers and providers in Europe

2020· article· en· W3108770953 sur OpenAlexaff
Joan Torrent‐Sellens, Natàlia Cugueró-Escofet, Myriam Ertz

Notice bibliographique

RevueBehaviour and Information Technology · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSharing Economy and Platforms
Établissements canadiensUniversité du Québec à Chicoutimi
Organismes subventionnairesnon disponible
Mots-clésNoveltySample (material)Key (lock)BusinessGoods and servicesMarketingKnowledge managementPublic relationsPsychologyEconomicsPolitical scienceComputer scienceSocial psychologyEconomy

Résumé

récupéré en direct d'OpenAlex

The article analyses the motivations for participating in collaborative digital platforms in Europe. From the duality of roles approach, the motivations of European obtainers and providers are studied, with special emphasis on the role played by occupational status. For that purpose, a pan-European sample of 14,050 citizens from 28 countries is investigated and a quantitative data analysis is applied through a system of structural equations. Regarding overall motivations, the research has identified that economic and usefulness motivations predict the obtaining of goods and services through collaborative platforms. In the case of provision, utility motivations are complemented by other pro-social predictors, such as the possibility of non-monetary exchanges. In addition, the occupational status of the individuals significantly determines their key motivations. Self-employed individuals are essentially motivated by price and novelty in explaining when they consider becoming obtainers. In contrast, managers are more motivated by convenience. In addition, self-employed individuals will be more likely to provide resources on collaborative platforms for non-monetary exchange reasons. Managerial implications of these results are also discussed.

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)0,003
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 enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0030,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,010
Tête enseignante GPT0,193
Écart entre enseignants0,183 · 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

Citations13
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBehaviour and Information TechnologyMême sujetSharing Economy and PlatformsTravaux en français237 207