Notice bibliographique
Résumé
Reward‐based crowdfunding is a form of innovative financing that allows project creators to raise funds from potential backers to start their ventures. A crowdfunding project is successfully funded if and only if the predetermined funding goal is achieved within a given time. We study the optimal timing of contingently placing a “fulcrum” in the random pledging process, with the potential of tilting it toward success, which would be a win‐win for the creator, backers, and platform. Specifically, we consider a model where backers arrive sequentially at a crowdfunding project. Upon arrival, a backer makes her pledging decision by taking into account the expected success of the project. We characterize the dynamics of the project's pledging process. We show that there exists a cascade effect on backers' pledging, which is mainly driven by the all‐or‐nothing nature of crowdfunding projects. According to our data collected from the most popular online crowdfunding platform, Kickstarter, the majority of projects fail to achieve their goals. To address this issue, we propose three contingent stimulus policies, namely, seeding, feature upgrade, and limited‐time offer. As a result of the cascade effect on backers' pledging, the optimal timing to apply stimulus policies has a cutoff‐time structure. Lastly, we show that the benefit of contingent policies is greatest in the middle of crowdfunding campaigns. Testing with the dataset of Kickstarter, we obtain empirical evidence that the projects' success rates improve by 14.6% on average with updates in the middle of the campaign and when the pledging progress is lagging.
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 | 0,007 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».