[논문 리뷰] What Contributes to a Crowdfunding Campaign's Success? Evidence and Analyses from GoFundMe Data

Xupin Zhang, Hanjia Lyu외 1명|arXiv (Cornell University)|2020. 01. 15.

FinTech, Crowdfunding, Digital Finance참고 문헌 33인용 수 8

한 줄 요약

이 연구는 GoFundMe에서 기부금 모금 성공 여부를 다중모달 예측하는 데 초점을 맞추며, 캠페인 커버 사진과 설명에서 추출한 텍스트(리워크: LIWC) 및 시각적(페이스++: Face++) 특징을 융합한다. 랜덤 포레스트 기반 융합 분류기로, 특히 높은 기부금 목표 수준에서 정확도 향상이 뚜렷하게 이루어졌으며, 이미지와 텍스트 분석의 융합이 단일 모odal 모델을 능가함을 입증한다. 특히 이미지 품질 특징은 중간 수준 기부금 목표 캠페인에서 매우 예측력이 높았다.

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.

연구 동기 및 목표

• 다양한 기부금 목표 카테고리에서 GoFundMe 기부금 모금 성공 여부를 예측하는 데 핵심이 되는 이미지 및 텍스트 특징을 규명하기 위해.
• 텍스트(리워크: LIWC) 및 시각적(페이스++: Face++) 특징의 개별적 및 융합적 영향을 캠페인 성과에 대해 평가하기 위해.
• 텍스트 및 시각적 데이터를 융합하여 예측 정확도를 향상시키기 위한 다중모달 융합 분류기 개발 및 벤치마킹을 위해.
• 기부금 모금자 및 플랫폼이 캠페인 설계를 최적화해 성공률을 높이기 위한 실질적 통찰을 제공하기 위해.

제안 방법

• 연구는 2019년 11월 이전에 시작된 10,974개의 GoFundMe 캠페인을 분석하며, 캠페인 시작 시점에 확보 가능한 속성에 집중한다.
• 텍스트 특징은 캠페인 설명의 심리적 및 언어적 차원을 분석하기 위해 리워크(LIWC)를 사용해 추출한다.
• 시각적 특징은 페이스++(Face++)를 통해 얼굴 특징(예: 미소 강도, 정서)과 이미지 품질 점수(미학적 및 기술적)를 추출한다.
• 예측 성능 평가를 위해 랜덤 포레스트 분류기를 사용하며, 다양한 융합 전략(조기 융합(통합 특징), 후기 융합(개별 모델 통합), 단일 모달 기반 모델)을 평가한다.
• 모델은 10겹 교차검증을 사용해 훈련 및 검증되며, 기부금 목표 그룹별 정확도, 정밀도, 재현율, F1 점수로 성능을 측정한다.
• 특징 중요도는 상관 분석 및 모델 평가를 통해 평가되며, 예측 능력을 최적화하기 위해 카테고리별 특징 선택 기법이 적용된다.

실험 결과

연구 질문

• RQ1 다양한 기부금 목표 카테고리에서 기부금 모금 성공 여부에 가장 크게 기여하는 텍스트 및 시각적 특징는 무엇인가?
• RQ2 이미지와 텍스트 특징의 공동 분석이 단일 모달 접근 방식을 뛰어넘어 기부금 모금 성공 예측을 향상시킬 수 있는가?
• RQ3 이미지 품질과 얼굴 표정(예: 미소 강도)은 기부자 인식과 캠페인 성과에 어떤 영향을 미치는가?
• RQ4 기부금 목표 수준에 따라 텍스트, 이미지, 인구통계학적 특징(예: 도시 인구)이 성공 예측에 기여하는 상대적 기여도는 어떠한가?

주요 결과

• 텍스트 및 시각적 특징을 모두 사용한 융합 분류기는 모든 기부금 그룹에서 가장 높은 정확도를 기록했으며, 가중 F1 점수는 0.44로, 단일 모달 모델을 능가했다.
• ($8,000, $40,000] 기부금 그룹에서는 이미지 품질 특징만으로도 58%의 정확도와 56%의 F1 점수를 기록해 모든 모델 중 가장 뛰어난 성능를 보였다.
• ($40,000, $68,000] 그룹에서는 기본 정보만 사용한 기반 모델이 72%의 정확도를 기록했으며, 이는 높은 기부금 목표 수준에서 더 높은 예측 가능성 존재를 시사한다.
• 페이스++(Face++) 기반 얼굴 표정 특징는 예측 능력이 제한적이었으며, 가장 낮은 기부금 그룹에서 최대 F1 점수 0.37에 머물렀다.
• 리워크(LIWC) 기반 모델은 기반 모델 대비 ($0, $8,000] 그룹에서 정확도를 5% 향상시켜 45%의 정확도를 달성했다.
• 후기 융합 및 조기 융합 전략 모두 단일 모달 모델 대비 성능 향상을 보였으며, 조기 융합이 전체 가중 성능에서 略로 우월한 성능를 보였다.