Notice bibliographique
Résumé
In the modern financial system, the ability to create money is in the hands of a few central institutions. Blockchain networks, and by extension cryptocurrencies, were created with the promise of giving that power to users. The most well-known example of a blockchain technology achieving such decentralization is Bitcoin, but its popularity has arguably been matched by an alternative-currency named Dogecoin. Unlike other cryptocurrencies, which have marketed themselves on differentiating technical features, Dogecoin’s allure likely stems from its cultural roots as a meme. Where cryptocurrency is typically regarded as a difficult topic to grasp, the introduction of Doge’s (2013) most popular meme, into the crypto-space increased crypto’s accessibility to new participants. Consequently, Dogecoin exists in two economies: the financial economy and the cultural meme economy, with the latter having unprecedented tangible impacts on the former. Dogecoin’s unique cultural significance provides an example of how blockchain can succeed in promoting alternative money systems. At its peak in 2021, Dogecoin achieved a market capitalization of $88 billion. Where analysis of the Dogecoin phenomenon is lacking in the current literature, we will fill that gap with a case study of Dogecoin. By studying Dogecoin as a combination of money and meme, we can further our understanding of how to better promote social finance initiatives through the virality of memes.
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 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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,010 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».