Live Streaming and Entrepreneurship: Adapting Lean Start-Up Approaches to Live Streaming on Twitch
Notice bibliographique
Résumé
Digital video content creation has developed into a means of monetization as individuals can produce content independently. The perception of digital entrepreneurship is changing as content creation and distribution across several digital media platforms has become an accepted occupation. Twitch streamers produce live video content in various categories to an audience and, in many cases, manage their streams, audience, brand, and execute offline strategies to help grow their channel. Many of the activities that new and small Twitch streamers engage in are similar to the work that goes into building a start-up. Moreover, these activities can be compared to design thinking and the lean startup approach, two entrepreneurial frameworks that focus on iteration, customer development and growth. Through literature review, content analysis and research-creation, both the lean start-up approach and live streaming best practice were carried out into testable strategies and applied to a new channel on Twitch. The content analysis was broken into guidelines and aspirational content, where themes were pulled from each category and ranked in order of importance and frequency. Furthermore, the aspirational content included analyzing their community through customer mapping to identify three audience segments to test during the research-creation. From the literature review and content analysis, hypotheses were derived from the primary themes and then validated through research-creation. Through the validation, an adaptation of the business model canvas was presented as the streaming model canvas, a framework for new and small streamers to better understand how they will deliver value to their intended audience with their content. The research revealed that seven main components contribute to growth as a live streamer; key requirements, key resources/value adds, viewer segments, niche, social channels, community engagement/relationships, and revenue streams.
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 | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».