MétaCan
Menu
Retour à la cohorte
Enregistrement W4284886200 · doi:10.3390/jrfm15070300

Crowd Reactions to Entrepreneurial Failure in Rewards-Based Crowdfunding: A Psychological Contract Theory Perspective

2022· article· en· W4284886200 sur OpenAlexvenueno aff
Swati Oberoi, Smita Srivastava, Vishal K. Gupta, Rohit Joshi, Atul C. Mehta

Notice bibliographique

RevueJournal of risk and financial management · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFinTech, Crowdfunding, Digital Finance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychological contractPopularityTransactional leadershipCrowdsPsychologySocial psychologyPerspective (graphical)Public relationsBusinessPolitical science

Résumé

récupéré en direct d'OpenAlex

Rewards-based crowdfunding (RBC) has recently gained popularity as an alternative means of finance to help entrepreneurs bring novel projects to life. We theorize that crowdfunding backers perceive an implicit psychological contract with campaign creators. When promised rewards fail to materialize post fundraising, backers may perceive entrepreneurs’ failure to deliver rewards as a violation of their psychological contract with him or her. Drawing on psychological contract theory and using Eisenhardt’s comparative case methodology, we generate insights about crowd reactions to creators’ failure to deliver rewards to backers. Our research generates the novel insight that in the event of delivery failure, backers who perceive a transactional psychological contract with creators are more likely to display negative emotional reactions, while backers who perceive a relational psychological contract are more likely to display positive emotional reactions. Furthermore, we identify three progressive stages of backers’ interaction with creators in failed RBC campaigns, ‘committing’, ‘crisis handling’, and ‘coping-up’ and highlight the crowds’ emotional valence associated with each stage. Our analyses of the campaign comments reveal insights of interest to RBC players and hold implications for the future development of crowdfunding.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,700
Score d'incertitude au seuil0,909

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,245
Écart entre enseignants0,235 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

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

En bref

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

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