Notice bibliographique
Résumé
Online platforms of digitized media content face different challenges on managing the consumer demand and creator production compared to the traditional media industry. This work utilizes data from a major online book platform in China to investigate these issues and provides insights on platform management regarding content releases and creator incentives. The first essay studies the impact of the digital platform’s product release strategy of serialized media content on its consumption and the ensuing profits made by the platform. Specifically, should a platform release all chapters of a book simultaneously, sequentially over time, or with a hybrid strategy where it releases a fraction simultaneously and the rest sequentially? I show that the release speed of chapters impacts consumption through two opposite forces: binge consumption and product exploration. A slower release, while limiting binge consumption, leads to an increased exploration of other books through two mechanisms - consumers visit the platform more often and explore other books due to the constrained availability. The counterfactuals show that the platform will be worse-off under a simultaneous release strategy but better-off under an optimized hybrid release strategy. The second essay focuses on how the platform should design a monetary contract to incentivize content creators to produce higher quantity and higher quality works. The platform switched from a uniform commission rate to a quantity-based plan offering higher commission rates if a writer's production meets higher quantity brackets. Theoretical analysis indicates that a quantity-based commission plan can enhance the quantity-quality complementarity: the creators who reach a higher bracket of quantity should also produce a higher quality. This theoretical result is confirmed in multiple empirical tests. First, for a given book, the chapters published in the months when writers reached higher brackets of quantity had higher quality measured by chapter-to-chapter customer retention rates. Such a positive correlation is not significant in books published when the platform offered a uniform commission plan. Second, when writers produced higher quantity early on in a month but failed later, there was a greater quality drop under the quantity-based commission plan than under the uniform commission plan.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
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 ».