MétaCan
Menu
Retour à la cohorte
Enregistrement W4280591959 · doi:10.3390/jrfm15050218

Theories of Crowdfunding and Token Issues: A Review

2022· review· en· W4280591959 sur OpenAlexvenueno aff
Anton Miglo

Notice bibliographique

RevueJournal of risk and financial management · 2022
Typereview
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinTech, Crowdfunding, Digital Finance
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of TwenteUniversity of GalwayUlster UniversityUniversity of SussexUniversity of WestminsterUniversity of GreenwichNational University of Ireland
Mots-clésSecurity tokenRaising (metalworking)Equity (law)Equity crowdfundingBusinessDebtEmpirical evidenceEntrepreneurial financeMarketingEntrepreneurshipAccountingPublic relationsFinanceSeed moneyPolitical scienceComputer scienceComputer securityEngineering

Résumé

récupéré en direct d'OpenAlex

Entrepreneurial, innovative and small- and medium-sized firms experience difficulties with raising funds using traditional debt and equity. Consequently, they are constantly looking for new strategies of financing. The latest inventions are crowdfunding and token issues. In contrast to traditional ways of raising funds these innovations: (1) use modern technology (online transactions, blockchain, etc.) much more actively; (2) are usually quicker in reaching potential investors/funders; (3) use more active network benefits such as, for example, a large number of interactions between investors/funders and between funders and firms. These changes are so significant that some experts list them among the top business inventions of the 21st century. This article provides a review of the growing number of theoretical papers in the areas of crowdfunding and token issues, compares their findings with empirical evidence and discusses directions for future research. The research shows that a large gap exists between the theoretical literature and empirical literature.

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)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0080,010
Études des sciences et des technologies0,0010,002
Communication savante0,0030,005
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,023
Tête enseignante GPT0,275
Écart entre enseignants0,252 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetFinTech, Crowdfunding, Digital FinanceTravaux en français237 207