How Do You Earn Money on Live Streaming Platforms?—A Study of Donation-Based Markets
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».