[論文レビュー] What Contributes to a Crowdfunding Campaign's Success? Evidence and Analyses from GoFundMe Data

Xupin Zhang, Hanjia Lyu+1 more|arXiv (Cornell University)|Jan 15, 2020

FinTech, Crowdfunding, Digital Finance参考文献 33被引用数 8

ひとこと要約

本研究では、GoFundMeのクラウドファンディング成功のマルチモーダル予測要因を、キャンペーンのカバー写真および説明文から抽出したテキスト（LIWC）および視覚的（Face++）特徴を統合することで調査している。ランダムフォレストベースの統合分類器を用いることで、特に高額寄付枠において顕著な精度向上を達成しており、画像とテキストの統合的分析が単一モダリティモデルを上回ることを示している。特に、画像品質特徴は中程度の寄付枠において予測力が顕著に高いことが判明した。

ABSTRACT

Researchers have attempted to measure the success of crowdfunding campaigns using a variety of determinants, such as the descriptions of the crowdfunding campaigns, the amount of funding goals, and crowdfunding project characteristics. Although many successful determinants have been reported in the literature, it remains unclear whether the cover photo and the text in the title and description could be combined in a fusion classifier to better predict the crowdfunding campaign's success. In this work, we focus on the performance of the crowdfunding campaigns on GoFundMe across a wide variety of funding categories. We analyze the attributes available at the launch of the campaign and identify attributes that are important for each category of the campaigns. Furthermore, we develop a fusion classifier based on the random forest that significantly improves the prediction result, thus suggesting effective ways to make a campaign successful.

研究の動機と目的

• GoFundMeにおける多様な寄付カテゴリにわたり、クラウドファンディング成功を予測する上で重要な画像およびテキスト特徴を特定すること。
• テキスト（LIWC）および視覚的（Face++）特徴の個別的および統合的影響がキャンペーンパフォーマンスに与える影響を評価すること。
• テキストおよび視覚的データを統合するマルチモーダル統合分類器を開発・ベンチマーク化し、予測精度の向上を図ること。
• ファンドレイザーおよびプラットフォームがキャンペーン設計を最適化し、成功確率を高めるために役立つ実務的インサイトを提供すること。

提案手法

• 本研究では、2019年11月までに公開された10,974件のGoFundMeキャンペーンを分析し、キャンペーン開始時に利用可能な属性に焦点を当てた。
• テキスト特徴は、キャンペーン説明文の心理的および言語的次元を分析するためにLIWCを用いて抽出した。
• 視覚的特徴は、顔の属性（例：笑顔の強度、感情）および画像品質スコア（美的および技術的）を取得するためにFace++を用いた。
• 予測性能の評価にはランダムフォレスト分類器を用い、早期統合（統合された特徴）、後期統合（別々のモデルを統合）、および単一モダリティベースラインの複数の統合戦略を評価した。
• モデルは10分割交差検証を用いて訓練および検証され、寄付目標グループごとに精度、適合率、再現率、F1スコアを指標として性能を測定した。
• 特徴の重要性は相関分析およびモデル評価を通じて評価され、予測力の最適化を図るため、カテゴリ別に特徴選択が適用された。

実験結果

リサーチクエスチョン

• RQ1 異なる寄付カテゴリにおいて、どのテキスト的および視覚的特徴がGoFundMeキャンペーン成功に最も顕著に寄与しているか？
• RQ2 画像とテキスト特徴の統合的分析は、単一モダリティアプローチを上回るクラウドファンディング成功の予測を可能にするか？
• RQ3 画像品質および顔の表情（例：笑顔の強度）は、寄付者の認識およびキャンペーンパフォーマンスにどのように影響を与えるか？
• RQ4 寄付枠ごとに、テキスト、画像、および人口統計的特徴（例：都市の人口）が成功予測に果たす相対的寄与度はどの程度か？

主な発見

• テキストおよび視覚的特徴を併用した統合分類器は、すべての寄付グループで最高の精度を達成し、重み付きF1スコアは0.44を記録。単一モダリティモデルを上回った。
• ($8,000, $40,000] 寄付グループでは、画像品質特徴のみで58％の精度および56％のF1スコアを達成し、全モデルの中で最高のパフォーマンスを示した。
• ($40,000, $68,000] グループでは、基本情報のみを用いたベースラインモデルが72％の精度を達成しており、高額寄付レベルで予測がより容易であることが示唆された。
• Face++の顔の表情特徴は限定的な予測力にとどまり、最低寄付グループでは最大でF1スコア0.37にとどまった。
• LIWCベースのモデルは、ベースラインより5ポイントの精度向上を達成し、($0, $8,000] グループでは45％の精度に到達した。
• 後期統合および早期統合戦略の両方が単一モダリティモデルを上回る性能を示したが、早期統合が全体の重み付き性能においてわずかに優れていた。