Personalizing videos to improve fundraising: evidence from reward-based crowdfunding
Notice bibliographique
Résumé
Purpose Drawing on integrated insights from signaling theory and the cognitive theory of multimedia learning, this study investigates the effect of video personalization on crowdfunding performance. “Video personalization” is defined as information presented in a video in a way that is designed to promote the feeling of being and interacting with others. This study also aimed to examine the moderating effects among various signals of video personalization. Design/methodology/approach This study constructs a theoretical model of how video personalization affects crowdfunding performance through an integrated theory lens. This study measures several signals of video personalization, namely, first-person wording (FPW), second-person wording (SPW), asking questions and talking to the camera. The direct and moderating effects of video personalization on crowdfunding performance are examined by using 2,858 crowdfunding projects on Kickstarter. Findings This study revealed that using SPW, asking questions and talking directly to the camera positively impact crowdfunding performance, while talking to the camera attenuates the positive effect of using SPW and asking questions with respect to funding amounts. Originality/value This study contributes to the literature on resource mobilization in crowdfunding by examining how video personalization impacts resource mobilization in a crowdfunding setting. The findings extend signaling theory by broadening its boundaries. This advance is accomplished by integrating insights from cognitive science into signaling theory. This study also contributes to cognitive theory in multimedia learning by identifying novel ways to personalize videos and by broadening that work to a novel empirical context, entrepreneurship.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».