Enablers for Growth of Cryptocurrencies: A Fuzzy–ISM Benchmarking
Notice bibliographique
Résumé
Cryptocurrencies and their market capitalisation have experienced vibrant growth in the last few years. Their total market cap is more than USD 858 billion as of the date of writing and is growing, with nearly 21,984 tradeable cryptos in 530 exchanges. It is emerging as one of the biggest threats to the traditional fundraising market. The issue of the industry’s long-term viability and steady expansion is of paramount importance. Even though unsustainable and uneven growth could help boost economic activity in the short term, it would be detrimental in the long run because of the risk of extinction. This paper is one of the first attempts to identify the factors contributing to the growth of the cryptocurrency market and their effects. This paper is based on the hybrid MCDM methodology of research and uses fuzzy–ISM (interpretive structural modelling). This method is divided into three phases: identification, expert opinion, and interpretation. Sixteen factors were chosen from the previous literature and suggestions from industry professionals. Seven barriers have been framed based on the fuzzy–ISM analysis to better understand the impacts of and interrelationships among the identified barriers. The factors are further classified using fuzzy MICMAC into four major categories based on the drive power and dependence power extracted from the fuzzy matrix. This paper explains the importance of all identified factors as enablers of the acceptance of cryptocurrencies for investment and fundraising.
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 | 0,000 | 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 ».