Drivers of non-fungible token (NFT) investment intention: the roles of innovativeness, knowledge, subjective norms and perceived value
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This study explores key factors influencing individuals' intentions to invest in NFTs, focusing on personal innovativeness, reward sensitivity, knowledge, subjective norms, perceived value and perceived risk. The aim is to provide insights into what motivates investors within this emerging market, addressing a gap in the understanding of NFT adoption from an investor perspective. Design/methodology/approach An online survey collected data from 272 participants in China and Hong Kong. The research employs partial least squares-structural equation modeling (PLS-SEM) to assess the relationships between various individual, social and market factors and NFT investment intentions. Findings The results suggest that personal innovativeness, reward sensitivity, NFT knowledge, subjective norms and perceived value positively impact NFT investment intentions. Additionally, age and income moderate the effects of subjective norms and perceived value on investment intentions, highlighting demographic influences. Practical implications For practitioners, insights into investor motivators can inform strategies to promote NFT investments, such as promoting the high reward potential, enhancing investor knowledge, leveraging social proof and emphasizing NFTs' perceived value. For academics, the findings open pathways for further research into investor psychology and the evolving dynamics of NFT and traditional investment markets. Originality/value This study advances NFT literature by identifying determinants of NFT investment behavior, a relatively uncharted area. By incorporating theories from investment behavior and technology adoption, it provides a new framework to understand the psychological and social drivers specific to NFT investments.
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.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle