Crowdfunding continues to transform financing opportunities for many across the globe. While extensive research has explored factors related to fundraising success, less is known about the social signaling mechanisms that lead potential contributors to fund a project. Existing large-scale observational studies point to non-straightforward characteristics of prior contributions (aka "crowd signals") that forecast further contributions to a project, albeit without theoretical support for their effectiveness in predicting fundraising success. We translate empirical crowd signals based on variations in the amounts and timings of contributions into mock contribution scenarios to scrutinize the influence of essential signals on contributors' decisions to fund. We conduct two experiments with 1,250 online participants. The first experiment investigates whether high crowd signals, i.e., contributions of varying amounts arriving at unequally spaced time intervals, are making people more likely to contribute to a crowdfunding project. The second experiment further examines the effect of basic competition on the role of the crowd signals. Across both, we observe that high crowd signals attract 19.2% more contributors than low signals. These findings are robust to different project types, fundraising goals, participants' interest level in the projects, their altruistic attitudes, and susceptibility to social influence. Participants' unguided, post-hoc reflections about the reasons behind their choice to fund revealed that most were unaware of their reliance on any crowd signals and instead attributed their decision to nonexistent differences in project descriptions. These results point to the power of crowd signals unbeknownst to those affected by them and lay the groundwork for theory-building, specifically in relation to the essential signaling that is happening on online platforms.


翻译:虽然广泛的研究探索了与筹资成功有关的各种因素,但对导致潜在捐助方资助一个项目的社会信号机制了解较少。现有的大规模观测研究表明,先前捐款(又称“拥挤信号”)的非冲击性特点,预测对项目的进一步捐款,尽管没有理论支持其预测筹资成功的有效性。我们把基于捐款数额和时间差异的经验性人群信号转化为模拟捐款方案,以仔细检查捐款者决定资金的重要信号的影响。我们用1 250名在线参与者进行了两次实验。第一次实验调查了高人群信号(即不同数量的捐款在不平均间隔时间间隔内达到的不同时间间隔内,使得人们更有可能为人群供资项目作出贡献。第二次试验进一步考察了基本竞争对人群信号作用的影响。我们发现,高人群信号吸引了19.2%的捐助者,而不是已知的信号。这些发现对不同项目类型、筹资目标、参与者对项目的兴趣水平、其不透明态度、其不透明性态度和最不透明性信号的标志性是否高,以及他们最能反映其基本信号的标志性、他们最不理解的标志性、他们最能反映其基本证据的标志性、他们对于其决定的影响。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年8月4日
Arxiv
64+阅读 · 2021年6月18日
VIP会员
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员