FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN BERINVESTASI DI PLATFORM PEER TO PEER LENDING DI KOTA PADANG
Notice bibliographique
Résumé
Penelitian ini bertujuan untuk mengetahui pengaruh persepsi resiko, jaminan struktural, persepsi reputasi, dan pengetahuan P2PL terhadap keputusan investasi di platform P2PL. Data penelitian diperoleh langsung oleh peneliti dari penyebaran kuesioner kepada 100 responden. Metode pengambilan sampel dalam penelitian ini ialah metode purpose sampling. Pengolahan data dalam penelitian ini menggunakan metode analisis regresi linear berganda dengan alat bantu software SPSS. Hasil penelitian menunjukkan bahwa Persepsi Resiko, Jaminan Struktural, Persepsi Reputasi berpengaruh signifikan terhadap keputusan investasi di platform P2PL. Sedangkan variabel Pengetahuan P2PL tidak berpengaruh terhadap keputusan investasi P2PL. \n \n \n \nKata Kunci: Peer to Peer Lending, Persepsi Resiko, Jaminan Struktural, Persepsi Reputasi, Keputusan investasi
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,050 | 0,008 |
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 ».