众筹项目筹资绩效的信息影响机制研究:基于Indiegogo平台证据

众筹项目披露的信息是投资者了解项目及其创始人的主要途径,对项目筹资绩效具有重要作用;且投资者对待不同项目披露的信息的态度往往不同,而现有研究缺乏对项目营利属性与相关因素间内部作用的系统考虑。本文以详尽可能性模型(elaboration likelihood model,ELM)为理论基础,利用全球著名的Indiegogo众筹平台数据,将项目披露信息分为项目质量信息和社交网络信息,分别对应ELM理论的中心路径和边缘路径信息,进而探究其对筹资项目绩效的影响机制。结果表明:两类信息都对筹资绩效影响显著;其中营利类项目受中心路径信息影响更大,而非营利项目受边缘信息影响更大。其次,在上述结果基础上,本文根据项目的营利属性设计多任务学习模型,得出较优的预测实验结果,进一步证明了实证研究结论。本文研究完善并细化了众筹项目信息对不同项目筹资绩效的相关理论基础与实证依据,并探索以此设计机器学习模型的启发式思路;研究结论有助于指导项目创始人对披露信息进行优化管理,进而改进项目效益,提高众筹成功率。

在线科研社区中基于增长模型的用户标签行为研究

[目的/意义]以在线科研社区CiteULike为例,研究用户的标签应用增长模型及其影响因素有利于管理者了解用户的标签行为并为预测用户未来的标签行为提供了重要的依据。[方法/过程]基于CiteULike的用户标签数据,利用增长模型对前1 000名(根据标签应用数量统计)的用户研究其标签行为。在此基础上,利用多元逻辑回归方法分析用户标签应用增长模型的影响因素。[结果/结论]研究结果表明74%的用户其标签应用增长模型与波动模型相吻合,21.2%的用户其标签应用增长模型表现出正态模型的特性,而标签应用增长模型属于阻尼指数模型的用户不到总数的5%。用户标签应用增长模型主要受标签特征和标记资源特征因素的影响。