Gen Z and Digital Platforms: A Creative Process on Educating Gen Z on the Value of Crypto Currency
Notice bibliographique
Résumé
The world of crypto currency is only recently starting to get popular and learning about its trajectory may help one make better financial choices and be more knowledgeable in the area of decentralization and digital advancements (Milutinovifá, 2018). This project aims to create a series of digital content that will educate Gen Z on the value of cryptocurrency using YouTube. I am looking to find the best practices for creating educational videos on crypto through online learning. Bitcoin and cryptocurrency are having an increase in user acceptance and use (Milutinoviƒá, 2018). Cryptocurrency's adaption will be an important topic to watch in the future because it can transform technology and alter how money is exchanged globally. Teaching it to the current generations is equally as important as finding out how to do it. Firstly, there must be an understanding about what kind of learners Gen Z are. Since they grew up in a generation of technology and are known as digital natives Generation Z find it easier to absorb information through an online format (Chunta, Shellenbarger, Chicca, 2021). It is also important to study the popular youtubers that create successful educational videos on the topic of cryptocurrency. Subsequently, what do the viewers say about the videos that increases views or what the viewer wants them to improve on. In this research there will come a conclusion on how to create template or find a creative flow or process in producing a series that will not only be educating but entertaining and easy to understand.
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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,001 | 0,014 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».