How Do You Earn Money on Live Streaming Platforms?—A Study of Donation-Based Markets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Donation-based markets have been implemented by many online platforms, such as live streaming platforms. In these markets, producers provide services without mandatory charges, and customers enjoy the services and voluntarily donate money to the producers. The donation is split between the producers and platform with a pre-agreed fraction. To gain insights into the market operation, we use a two-stage game to capture the sequential decision process between the platform and producers. In Stage I, the platform decides a donation-split-fraction (DSF), i.e., the fraction of donation kept by the producers. In Stage II, producers decide whether to participate in the platform and (if yes) how to choose their service attributes considering the DSF as well as the producers' and customers' preferences. We prove that the Stage II game is a potential game with a counter-intuitive equilibrium result: although a larger DSF leads to more producer participation and a better match between the producers' choices and the customers' preferences, it does not necessarily lead to more total donation. The Stage I problem, nevertheless, is challenging to solve analytically due to its non-convexity. To gain insights regarding the optimal DSF that maximizes the platform's payoff, we characterize both its upper-bound and lower-bound. We show numerically that the platform's optimal payoff always decreases with the mismatch between the producers' and customers' preferences. Finally, we conduct a case study with the dataset from Twitch and demonstrate the approach of computing the platform's optimal DSF without the producers' inherent preferences.
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.
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 | 0,001 | 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) | 0,000 | 0,000 |
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.
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 découle