Lackluster Adoption of Cryptocurrencies as a Consumer Payment Method in the United States—Hypothesis: Is This Independent Technology in Need of a Brand, and What Kind?
Notice bibliographique
Résumé
Cryptocurrencies were supposed to replace traditional payment methods when they were invented over 13 years ago, but adoption by the general consumer is still lacking, at least in the United States. Instead, crypto is often used as a speculative investment, by illicit actors, or for use cases unrelated to everyday purchases. A literature review on general adoption barriers and interviews with experts has only unearthed factors like usability, performance, and political drivers, among other barriers. Brand as an adoption barrier is mostly missing from literature, at least for cryptocurrencies. This led to the formation of a hypothesis related to crypto’s lack of adoption as a payment method. A framework is being designed based on the technology adoption model to find out if “brand” has an impact on cryptocurrency adoption, which was paradoxically designed to be brandless and not needing any institutional trust. The intent is to focus on what “Bitcoin 2.0” might look like, and to also delve further and gauge perceptions about various types of brands getting involved in the next generation of cryptocurrencies, including traditional banks, governments, technology companies, and also some of the decentralized and hybrid consortia currently vying to get consumers to use stablecoins, nation-issued cryptocurrencies, and other forms of digital instruments. While other studies had focused on trust, early adopter usability, or performance of blockchain networks, this work intends to focus on the general consumer’s perceptions about digital money, and the types of brands and evolution of this instrument liable to increase uptake.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».