AI-Powered Machine Learning Regulated Emotions in Entrepreneurial Pitching on Investors’ Funding Decision
Notice bibliographique
Résumé
Entrepreneurship is an emotional journey, where pitching to potential investors is the first crucial obstacle. To successfully overcome this crucial obstacle, entrepreneurs need to manage their pitching emotionally, thereby increasing the likelihood of securing funding from potential investors. Utilizing an artificial intelligence (AI) powered machine learning (ML) algorithm to conduct emotion analysis may provide the opportunity to regulate entrepreneurs’ emotions in entrepreneurial pitching. As such, Naive Bayes’ machine learning algorithm is a possible algorithm to study the emotional interplay between entrepreneurs and prospective investors during entrepreneurial pitching. However, Naive Bayes’ machine learning algorithm has a main limitation, where the value of one or more conditional probabilities may be zero, thus leading to inaccuracies in the final results. In this paper, we propose that the use of ‘Laplace smoothing’ may provide a solution to address this limitation, and we tested its applicability in the case of entrepreneurial pitching. Our findings suggest that entrepreneurs can switch the potential investors’ funding decision from negative to positive by regulating their emotions during pitching. Considering that the entrepreneurship ecosystem is expected to be substantially impacted by AI-powered ML, one of the principle contributions of this paper is to provide entrepreneurs and managers with insights on how the AI-powered ML will work using a lower number of adopted trained data. As a result, entrepreneurs and managers can have a sound understanding of the potential benefits associated with this emerging AI-powered ML technology.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».