Understanding Voluntary Knowledge Provision and Content Contribution Through a Social-Media-Based Prediction Market

הבנת תרומת מידע מרצון, ומידע על שביעות רצון  בשוק חיזוי (צפי) במדיה החברתית: ניסוי בשטח.

תקציר:

הביצועים של שוקי החיזוי תלויים באופן מכריע על איכות המידע שמגישים המשתמשים. שוק המדיה החברתי- המבוסס על חיזוי יכול לנצל היבטים שונים של תופעות חברתיות כדי לשפר את איכות התרומה של המשתמשים. במחקר זה, אנו בוחנים את ההשפעה הסיבתית של גודל קהל המשתתפים, וכן את השפעת התמיכה המקוונת והאישור האינטרנטי על דיוק החיזוי של משתתפים בשוק זה, המבוסס על צפי ולא על מידע, באמצעות ניסוי שדה אקראי. על ידי ניהול ניתוח של השפעות הטיפול המקיף, אנחנו מעריכים גם את השפעת הטיפול הממוצע (ATE) ואת הטיפול בכמויות ביחס להפרשים שביניהן, מול התוצאות היחסיות. התוצאות המוכחות שלנו בתכנית ATE הן- כי גידול בגודל קהל מוביל לשיפור דיוק חיזוי, וכי רמה גבוהה יותר של תמיכה מקוונת מובילה גם היא חיזוי מדויק יותר.

מעניין, אנו מוצאים כי השפעות הטיפול בכמויות הם רבגוניים: משתמשים בעלי יכולת חיזוי  בינונית מגיבים באופן חיובי לעלייה בגודל הקהל החברתי באינטרנט, ממצאים אלה מראים כי שווקי חיזוי יכולים למקד אנשי ביניים, וכך ניתן להשיג את השיפור המשמעותי ביותר לניבוי מדויק.

מילות מפתח: שוק חיזוי • ניסוי שדה • שדה מדיה חברתית • השפעות טיפול

הקדמה:

אין דבר חשוב יותר מאשר לספר לחברה מה שאנחנו יודעים. התחזית ל: Best Buy TagTrade (תוית: הקניה הטובה ביותר) מספקת אינדיקציה לאיכות, והתראה מוקדמת כדי לעזור לעלות על בעיות פוטנציאליות מוקדם.

Jeff Severts, EVP, Best Buy1

שוק החיזוי עוזר לנו לענות בכנות וללא משוא פנים על שאלות כמו:

שאלות כגון “באיזו  טכנולוגיה חדשה אנו צריכים להשקיע?” ו “אילו מוצרים חדשים אנו צריכים לפתח?”

-Christina LaComb, מחשב מדען, מעבדת הבינה המלאכותית – GE Global Research2

1.1  מוטיבציה והקשר מחקרי

בעשור האחרון אנו עדים לגידול הפופולריות של שוקי החיזוי, בהם אנשים מהמרים על אירועים שלדעתם סביר להניח שיקרו, מה שחושף את הידע והמגמה שלהם.

שוקי החיזוי הם מסקרנים- הם יכולים להוות כלים פוטנציאליים לחידוש מהפכת התחזית העסקית, או גורמים לשינוי בקבלת החלטות. מצד אחד, מספר שווקי חיזוי ציבוריים הוכחו כדרך יעילה לרתום חוכמת קהל רבגוני, , כמו לפני בחירות פוליטיות, תוצאות ספורט, ואירועי כספים וטכנולוגיה. (Spann and Skiera 2003 , וולפרס וזיצביץ 2004 , ברג ואח ‘. 2008 , Healy et al. 2010 ).

מצד שני, חברות גדולות כמו אינטל, בסט ביי, מיקרוסופט וגוגל העסיקו כולם שווקי תחזית פנימיים לחברה לפני שווק מוצרים, כדי לחזות כיצד מוצרים עשויים לעלות, להעריך תאריכי משלוח מוצרים סבירים, לחזות נפח מכירות, ולזהות מוצרים הנמכרים ביותר (Schlack 2015 ).

מתרגלים עסקיים כבר הכירו בכוח לרתום את החוכמה הקולקטיבית בניהול-סיכון מוצר, כדי לעקוב אחר ביקוש ברשתות האספקה, מעקב אחר – אינדיקטורים עסקיים ואיסוף רעיונות חדשים לחידושים עסקיים (Guo et al. 2006 , הופמן 2007 )

באופן כללי השימוש בשווקי החיזוי ישמש תפקיד קריטי ברמת שקיפות חדשה שתבוא לידי ביטוי,  וכן גם לאפשר למומחים בלתי-מעורערים לאתגר את התבונה העממית בתהליך החדש שמתפשט יותר ויותר.

למרות הפופולריות של שוקי החיזוי הציבוריים ועניין לא מבוטל שיש לניהול ארגונים פנימיים בו – כדי לקבל ולנתח את שיעורי החיזוי, ולעזור להתמודד עם אתגרים עסקיים בעולם, השימוש בשווקי חיזוי למעשה עדיין בחיתוליו, ומהפכת שוק החיזוי

בעסקים לוקח זמן רב מהצפוי .(הופמן 2007 , בראוטון 2013 ).

בעיקרון, שוק חיזוי היא פלטפורמת תוכן שנוצר על ידי משתמש (UGC). אחד האתגרים העיקריים ביישום שוקי החיזוי

הוא למצוא דרך יעילה לשפר את האיכות המענה שמתקבל ע”י המשתמש(UGC)  ולהגדיל את דיוק החיזוי האישי.

כדי לפתור את בעיה זו – מענה המשתמש באיכות נמוכה, ניתן לתכנן בזהירות תמריצים כספיים באמצעות מנגנונים תואמי תמריץ (Chen et al. 2010 ).

עם זאת, בגלל האילוץ החוקי, שוקי החיזוי של הציבוריים פועלים מבלי להשתמש ב- ‘כסף אמיתי’.  בשווקי חיזוי של תאגידים,

פרסים כספיים קטנים אינם מספיקים כדי להפיק מהם ידע מהעובדים (Coles et al. 2007 ). לכן, שוק החיזוי מסתמך בעיקר על השתתפות מרצון יותר מאשר העברות כספיות. המנגנון הקלאסי – עיצוב כלכלי, לא ניתן ליישום ישירות בהקשר של שוק החיזוי.

במחקר זה, אנו מדגישים כי עיצוב שאינו מונע ממניע כספי (תרום-מידע-קבל-כסף), הוא פונקציה מרכזית של מעצב שוק חיזוי. ליתר דיוק, אנו בודקים כיצד לעשות זאת; לעשות שימוש בדימוי חברתי (תמריצים לא כספיים) לשפר את דיוק החיזוי האישי באופן ייחודי.

שוק החיזוי מבוסס המדיה החברתית בו משתתפים בודדים נדחפים להשתתף בחיזוי ע”י מספר עוקבים, ועוקבים אלה עשויים להנות מתוצאות הצפי. ראוי לציין כי החיזוי הציבורי שנעשה באופן זה- למעצבי המשאל / החיזוי בדרך כלל יש פחות שליטה על המשתתפים מאשר על מנהלי התאגידים המנהלים גם הם שווקי תחזית. שלא כמו מנהלים בארגוני עבודה, שם החיזוי יותר רשמי, עיצוב שוק חיזוי ציבורי- בדרך כלל המעצבים אינם יכולים להסתמך על היררכיות ואילוץ של הארגון כדי לגרום לחברים בארגון להופיע ולעבוד, (הקימים בשוק החיזוי של תאגידים וכד’)(רן ואח ‘. 2007 ), כך שהשימוש בדימוי חברתי כדי לתמרץ מענה לחיזוי- טוב במיוחד כדי לספק תחזיות איכותיות, והוא מרכיב חשוב בשוקי החיזוי הציבוריים.

באופן כללי יותר, מתן ידע של המשתמש (UGC) ב-פלטפורמות מקוונות הן תחום מחקר חשוב עבור חוקרים ומתרגלים. אנו מתכוונים לזהות גורמים המשפיעים על איכות התרומה של המשתמשים, מכיוון שהרבה מההצלחה של הפלטפורמות תלויה באיכות תרומת המשתמשים. מספר גדל והולך של מחקרים נעשה על הקשר שבין- המוטיבציה של המשתמשים לתרום תוכן לרמת המידע שהם נתנו. (למשל, Shriver et al. 2013 , טוביה וסטיבן 2013 ), אבל המנגנון הבסיסי המניע את תרומת המשתמשים עדיין לא הובן לחלוטין.

מה שמסקרן יותר הוא אולי העובדה שכמה פלטפורמות מצליחות הכוללות תרומת מידע מהמשתמש (UGC) אינן מספקות למשתמשים גמולים כספיים, אך המשתמשים עדיין רוצים לתרום תכנים באיכות גבוהה. שאלות המחקר שלנו במאמר זה הן להרחיב את קו המחקר מסוג זה, וללמוד על סוג מסוים של UGC (כלומר, תרומת תחזית המשתמשים על אירועים בשוק חיזוי מבוסס על מדיה חברתית), וחקור גורמים חברתיים חשובים המשפיעים על איכות התרומה של המשתמשים. אנו גם שואלים את השאלה האם משתמשים ברמות שונות של דיוק חזוי עשויים להגיב באופן שונה לגורמים חברתיים אלה (ההטרוגניות של השפעות חברתיות).

מבחינה ניסיונית  אנו מבצעים ניסוי שדה אקראי- באמצעות שיתוף פעולה עם שוק חיזוי במדיה החברתית.

משתמשים יכולים להיכנס לפלטפורמת החיזוי באמצעות עוקב ולבצע תחזיות, פשוט ע”י לחיצת על כפתור  על “YEA” או “NAY” בדף החיזוי, כמוצג באיור 1.

פלטפורמת שוק חיזוי שמופעל באמצעות מדיה חברתית- מאפשר תגובה אוטומטית לתחזיות של המשתמשים, ותגובות אלה משודרות אל צירי הזמן של העוקבים שלהם מידית.

אם משתמש חושב, ככל הנראה, שהאירוע המוצהר יתרחש, הוא היה לוחץ עליו “YEA”; אחרת, הוא היה לוחץ על “NAY.”

ברגע שהתחזית של המשתמש (“NAY” במקרה זה) מזוהה, הפלטפורמה אוטומטית מנתחת אותה ומשדרת מידית תגובה שניה -המשודרת לעוקב. פלטפורמת החיזוי מפרסמת אוטומטית תגובה בשם המשתמש.

תגובה זו היא או – “צדקת!” או “התחזית שלך הייתה שגויה!”, תלוי אם המשתמש ניבא את האירוע נכון. שימו לב כי אין תמריץ כספי שמעורב בפרקטיקת בשוק חיזוי מבוסס-מדיה חברתית-זו.

ההקשר הארגוני המפורט של שוק חיזוי מבוסס מדיה ניתן למצוא בנספח מקוון א.Online Appendix A

מחקרים קודמים בנושא תרומת מידע של משתמשים – ,UGC מראים כי תרומת המשתמשים עשויה להיות מושפעת מהשפעות חברתיות. לדוגמה, מחקר ג’אנג וזהו ( 2011 ) מצא את ויקיפדיה משפיעה על גודל הקהל וכמות התרומה של המשתמשים; מחקר טוביה וסטיבן ( 2013 ) גם מצא שרמת הפרסום של משתמשי המדיה החברתית עולה ככל שמספר העוקבים שלהם גדל. לבחינה- האם השפעות אלה קיימות גם בשוק החיזוי מבוסס מדיה חברתית, אנו מעצבים תנאי טיפול המשקפים השפעות חברתיות, ולומדים כיצד גורמים אלה עשויים להשפיע על דיוק החיזוי של המשתמשים. מכיוון שעוקבים יכולים לבדוק אם המשתמש ניבא אירועים נכון או לא, אנו משערים כי ישנם סוגים של השפעות חברתיות ודאגות מוניטין שמשחקות תפקיד חשוב בדיוק החיזוי. בפרט, לאור כך שהתחזיות המשודרות אוטומטית לעוקבים, הן עשויות לגרום להשפעות חברתיות שמתמרצות את המשתמשים לערוך את התחזיות בזהירות רבה יותר, כדי לשמור על מעמדם, המוניטין והעמדה שהם מיצגים. בנוסף, מכיוון שעוקבים יכולים לתקשר איתם משתמשים על ידי תגובה או סימון שמשתמש כלשהו כ-מועדף, אנו משערים כי סוג זה של התנהגות עשוי  לגרום לאפקט תומך שעשוי גם לעודד משתמשים לבצע תחזיות זהירות.

1.2. תרומות תאורטיות ומעשיות

החוקרים מתמודדים לעתים קרובות עם האתגר של זיהוי ההשפעה הסיבתית של אינטראקציה חברתית על תרומות תוכן

אבל בגלל המניע הפנימי שמגיע מהסביבה החברתית, שעלולה להוביל את האדם לפעולה. הסיבה לכך היא שתרומת ידע מרצון יכולה להיות מונעת על ידי קשר חברתי, בעוד שתרומת ידע יכולה להקל על קשר חברתי, ושניהם; תרומת ידע

וקשר חברתי, יכולים להיות מונעים על ידי מאפיינים פרטיים של האדם (מא ואגרוואל 2007 , ג’אנג וזהו 2011 ).

חלק מהזיהוי

כמה הגדרות של אסטרטגיות אלו כוללות שימוש במשתנים אינסטרומנטליים  (למשל, Shriver et al. 2013 ) ניסויים טבעיים (למשל, ג’אנג וג’ו 2011 , ג’אנג וונג 2012 ) מעבדה מבוקרת- ניסויים רטוריים (למשל, Qiu et al. 2014a , b ), וניסויים בשטח (למשל, טוביה וסטיבן 2013 ).

ניסויים הם דרכים יעילות לגלות מהן ההשפעות סיבתיות, מכיוון שחוקרים יכולים ליצור זעזועים חיצוניים על

נבדקי ניסוי (ceteris paribus). העיצוב של ניסיון השטח שלנו  דומה לזה בטוביה וסטיבן ( 2013 ), ויש לו את היתרון של לימוד קשרים חברתיים טבעיים, בניגוד לניסויי מעבדה מבוקרים, בהם הרשתות החברתיות הן לרוב מוקצות באופן מלאכותי.

לכן, עיצוב הניסוי שלנו יכול לקבוע רמה גבוהה יותר של אישור חיצוני מאשר ניסויי מעבדה מלאכותיים.

אנו משתמשים בגישת שוני -בשוני (DID) להעריך את ההשפעה של גודל הקהל והתמיכה המקוונת-

על דיוק החיזוי של המשתמשים. התוצאה מראה באופן עקבי כי, בהתאמה למה ששיערנו, עלייה בגודל הקהל מביא לשיפור בממוצע דיוק החיזוי. יתר על כן, אנו מוצאים כי עלייה ברמת ההמלצה המקוונת מובילה גם לעלייה ברמת הדיוק החיזוי הממוצעת. בעוד מחקרים קודמים מתמקדים בעיקר בהשפעות הטיפול הממוצע (ATEs) על גודל הקהל (למשל, ג’אנג וג’ו 2011, טוביה וסטיבן 2013 ), אנו גם עורכים סדרה בה יש נסיגה בטיפול בכמויות (משתמשים), כדי לבחון כיצד משתמשים

בעלי יכולות חיזוי שונות מגיבים להשפעות חברתיות והמלצות מקוונות. האומדן של השפעת הטיפול בכמויות (QTEs) מאפשרים לנו לגלות את ההשפעות החברתיות

יכולת החיזוי. על ידי ביצוע ניתוח של השפעות טיפול טוב ושלם יותר, אנו מגלים כי השפעת הטיפול בכמויות משתמשים- QTEs, הם הטרוגניים – משתמשים בעלי יכולות חיזוי בינונית מגיבים באופן חיובי ביותר הן לגודל קהל והן לתמיכה המקוונת,

ואילו משתמשים בעלי יכולת חיזוי גבוהה מאוד או נמוכה מאוד-

לא מראים עלייה בולטת בדיוק תחזיותיהם.

התרומה שלנו היא פי שלוש. ראשית, לידיעתנו, זהו הניסיון הראשון במערכות המידע (IS) שמכמת (מודד כמות) ביחס לסיבות ההשפעה של החברתית על איכות מתן המידע של המשתמש- UGC. אם כי מחקר קודם שנערך אודות- UGC התמקד בהשפעת גודל הקהל על תדירות פרסום במדיה החברתית (טוביה וסטיבן, 2013 ), כיצד גודל הקהל משפיע על סוג התוכן

שאנשים חולקים (Barasch and Berger 2014 ), ועד כמה מידע על רמת שביעות רצון בוויקיפדיה מגיב לגודל קהל (ג’אנג וזהו 2011 ) וכמה השוואה חברתית יכולה להעלות את מתן המידע ללא גמול ברשת (Chen et al. 2010 ), מעט מאוד מחקרים בדקו כיצד גודל הקהל והתמיכה החברתית-מעצבות את איכות התוכן, במיוחד בקשר תחזית-שוק.

ההגדרה הייחודית בשווקי תחזית מבוססים במדיה החברתית- היא בכך שהם מדגישים את תפקידם של התמונה החברתית

או הצגה עצמית על שביעות רצון לתוכן. שימו לב שבהקשר ללימוד- מרבית הספרות הקודמת הוא בלוגים (ג’אנג וזהו 2011 , טוביה וסטיבן 2013 ). באשר לבלוגים, הקריטריונים להערכת שביעות הרצון של המשתמש היא די סוביקטיבית,  מאמר בלוג אחד יכול להתאים לטעם הקהל בצורה מושלמת בעוד השני – לא. (אופקים שונים). עם זאת, בשוק תחזית, הערכת האיכות היא אובייקטיבית יחסית (איכות אנכית). לכן ספרות הבלוגים התמקדה בעיקר בתחרות להגיע לקהל יעד בקשת רחבה.

שוק חיזוי מבוסס-מדיה מציע לנו הקשר ייחודי לבחינת ההשפעה על איכות מתן מידע במקרים בהם יש תחרות אנכית.  במחקרנו, שוק חיזוי הוא הקשר למקום שמתקימים קשת רחבה של ציבור, איכות וכמות כזו של מתן מידע מהמשתמש- UGC, והוא מוביל לבצע ניסוי שדה הבודק את השפעת גודל הקהל והאישור חברתי על איכות מידע מקשת רחבה של משתמשים.

לאחרונה נוצר זרם של ספרות המציפה עיצוב שוק זה, בעיקר בנושא גיוס מידע באיכות גבוהה בפלטפורמות בהן המשתמש מספק את המידע. (Ghosh and McAfee 2011, Ghosh 2012, Anderson et al. 2013, Easley and Ghosh2013, Ghosh and Hummel 2014).

זרם זה של מחקרים נקט בעיקר תיאורית-משחק בבעיה של תמריץ שיביא לאיכות גבוהה בתוכן שיתרום המשתמש בפלטפורמות אלו. למשל, גוש והומל ( 2014 ) נתחו התנהגות בשיטת סדר-על-פי-דרגה, אחת השיטות בהן משתמשים באופן נרחב בפלטפורמות מתן-מידע מהמשתמש; UGC, כדי לקבל תוכן באיכות גבוהה. אתרים רבים מדרגים את UGC באמצעות הצבעות של הצופים, מציגים מתן מידע באיכות גבוהה בצורה בולטת, ומדחיקים מידע שניתן באיכות נמוכה יותר.

אנדרסון ואח ‘. ( 2013 ) ואיזלי וגוש ( 2013 ) חקרו כיצד באמצעות מישחוק (מודל המשחק: שימוש בטכניקות עיצוב משחקים, משחקי חשיבה ומכניקת המשחק, על מנת לשפר הקשרים לא-משחקיים. באופן טיפוסי, השימוש במשחוק מתרחש ביישומים ותהליכים לא משחקיים, במטרה לעודד אנשים לאמץ אותם או על מנת להשפיע על אופן השימוש בהם. משחוק פועל באמצעות הפיכת הטכנולוגיה למרתקת יותר, על ידי עידוד המשתמשים לעסוק בהתנהגויות רצויות, על ידי הצגת הדרך להשגת שליטה עצמית ואוטונומיה, על ידי סיוע בפתרון בעיות והימנעות מהסחות דעת ועל ידי ניצול הנטייה הפסיכולוגית של בני אדם לעסוק במשחקים. הטכניקה יכולה לעודד אנשים לבצע מטלות שהם בדרך כלל תופשים כמשעממות, דוגמת מילוי סקרים, ביצוע קניות, מילוי טופסי מס וכדומה. נתונים זמינים מתהליכים, יישומים ואתרים המשתמשים במשחוק מצביעים על שיפורים אפשריים בתחומים כגון מעורבות משתמש, החזר השקעה, איכות הנתונים, עדכניות או למידה (.דרך עיצוב סמל ניתן להשתמש בצורה היעילה ביותר לדחיפה  בפלטפורמות מתן מידע מהמשתמש- UGC. שלא כמו מודל תיאורטית המשחק הקודמת, אנו מתמקדים בהגדרות מוכחות של המודל הסיבתי של מנגנון דימוי חברתי על תרומת תוכן איכותי. בעיקרון, שאלה מעשית היא מה אסטרטגיית תמריץ שמנהל אתר צריך להפעיל כדי ליצור תוכן באיכות גבוהה. הספרות הקודמת התייחסה לכך שהשימוש במנגנון דרוג ומישחוק יכול לתמרץ תרומה באיכות גבוהה יותר-באופן שוויוני. במסגרת נסיונית אנו משתמשים בניסוי שדה כדי להראות שבנוסף על כך, מנגנוני דרגה ודימוי חברתי (שידור תחזיות נכונות לעוקבים) יכולות להיות אסטרטגיית תמריץ יעילה נוספת בשביל לגייס תרומות תוכן באיכות גבוהה. בהתחשב בהבנת הדימוי החברתי מתוך פסיכולוגיה חברתית וספרות כלכלית, אנו יכולים להבין מה מהווה את הגמול עבור תורמי מידע אלו, וכך אנו יכולים לתכנן מערכת מבוססת מדיה חברתית שתמריץ תוצאות רצויות.

שנית, המחקר שלנו תורם לידע הספרות על סיבת ההשפעה על איכות תרומת הידע. הספרות הקודמת העלתה כי מגוון של מניעים משפיעים על אופן תרומת הידע ואספקת מוצרים ציבוריים.  ווסקו ופרג ‘( 2005 ) מצא שמוניטין ולעומת זאת -נדיבות לב, יכולים להיות מניעים חשובים העומדים בבסיס תרומת הידע.

מא ואגרוואל ( 2007 ) מראים כי לתרומת הידע של חבר קהילה מושפעת באופן חיובי  מאימות זהות מקוון של חבר הקהילה. שיא ואח ‘. ( 2012 ) הדגימו את זה שההדדיות עשויה להניע לשיתוף התנהגויות. עם זאת, מרבית המחקרים הללו

השתמשו בנתונים מבוססי סקר או נתונים תצפיתיים. שם התמקדו יותר באימות הקשר בין המניעים הבסיסיים לרמת תרומת הידע- במקום לקבוע הסיבות. מחקרנו מבקש לטפל בפער זה על ידי ביצוע ניסוי שדה המאפשר לכמת את סיבת

השפעה על איכות תרומת הידע. ייסוד -מערכת יחסים לא נשלטת ואמינה חשובה ביותר לתהליך עיצוב מערכת UGC (מתן מידע מהמשתמש) באופן משופר ואיכותי, וביישום תובנות תיאורטיות. בסקר- נתונים מבוססים או נתונים תצפיתיים המשמשים את הספרות הקודמת, תצפיות נוצרו על ידי תהליך כמו “משתמשים התורמים תוכן באיכות גבוהה לעתים קרובות גם יוצרים אינטראקציה עם משתמשים מקוונים אחרים  ויש להם קהל גדול,”  אבל אנחנו רוצים לבחון- מה היה קורה אילו נשנה לנתונים המחוללים תהליך כמו “הגדלת התדירות של רמת האינטראקציה החברתית וגודל הקהל”, וקודם מודדים את גודל ההשפעות המועילות. הגישה שלנו להוסיף באופן עקבי עוד עוקבים עבור משתתפי השוק, בדומה לזה של

טוביה וסטיבן ( 2013 ), המסוגלים ליצור הצהרה סיבתית ביחס להשפעת גודל הקהל על דיוק החיזוי. עם זאת, שלא כמו ההתמקדות של מחקרם (ATEs) ,  אנו בודקים עוד יותר את ההטרוגניות של גורמים חברתיים, ושל טיפול- בכמויות משתמשים QTEs) ).

שלישית, למרות שהמחקרים הקודמים מספקים תיאוריה- על תובנות אישיות לגבי תרומת הידע בכלל (ווסקו ופרג ‘ 2005 ), יישום

תובנות תיאורטיות אלו עדיין בחיתוליו. תרגול- לא יכול לעבוד רק עם המודלים הרעיוניים. במקום זאת, התרגול דורש גישה הנדסית: כיצד לעצב אסטרטגיות תמריץ ממוקדות להגדלת איכות תרומת הידע מנקודת המבט של מעצבים ומנהלים של קהילה מקוונת.

התשובה לשאלה זו אינה תלויה רק על כמה טוב אנו מבינים את העקרונות הכלליים השולטים בתרומת הידע, אך גם על האופן בו אנו יכולים להביא את הידע הזה למימוש, תכנון ויישום שוק חיזוי מעוצב נכון ופרקטי. כדי לגשר על פער בין תיאוריה ועיצוב (יישומים מעשיים)- אנו לוקחים צעד נוסף קדימה וחוקרים כיצד להשתמש בטכנולוגיית מדיה חברתית לקידום איכות תרומת הידע בהקשר של שוק חיזוי. אסטרטגיית התמריצים שלנו היא קונקרטית ומעשית: שילוב מדיה חברתית במערכות שוק חיזוי והעלאת התחזיות האישיות לקישורים החברתיים של אלו שהשתתפו במשאל. למעשה, לאחרונה התחילו להבין את תפקיד שילוב המדיה החברתית במערכות שוק חיזוי. מונטגומרי ואח ‘.( 2013 ) תיעדו שפורד בנתה פלטפורמה חברתית פנימית לשווקי החיזוי שלה. ניסוי שדה האקראי שלנו מציע כי רמת הדיוק בשוקי החיזוי של אנשים פרטיים יכולה להשתפר באופן דרמטי באמצעות שילוב עם מדיה חברתית וטכנולוגיות חברתיות אחרות מעוצבות היטב. ניתוח בטיפול העומק שביצענו מראה עוד יותר כי ניבוי שווקים יכולים למקד באופן סלקטיבי למשתמשים בעלי יכולת דיוק בינונית, ויכול להשיג שיפור גדול ביותר ברמת הדיוק של משתתפים. לסיכום, המחקר שלנו מדגיש את ההשפעה- החיובית של שילוב היבטים חברתיים לעיצוב של מערכת שוק חיזוי להשלמת שיטות חיזוי הקיימות.

1.3. התפתחות תיאורטית

אם כי גודל הקהל או אישור חברתי לא מספקים מידע חדש, זה משנה את המניעים הנסתרים של המשתמשים לתרום יותר זמן ומאמץ בהענקת מידע פרטי ובשיפור ביצועי תחזית באופן פרטי. הבסיס שלנו- שרשרת ההיגיון היא כדלקמן: (1) דימוי חברתי (תמונה חברתית) ממריץ את המשתתפים לתרום יותר מאמצים. הגדלת גודל הקהל ותמיכה חברתית- משפר את ערך התמונה של שידור תחזיות נכונות לעוקבים, וכתוצאה מכך מוביל גם הוא למאמצי תרומה רבים יותר. (2) יותר תורמים ויותר מאמצים מובילים לרמה גבוהה יותר של תחזיות פרטניות- רמת דיוק (איכות התרומה).  מסגרת התיאוריה מתוארת באיור 2 .

ראשית, אנו משתמשים בתורת המוטיבציה  כדי להסביר את הסיבה לכך שתדמית חברתית ואישור חברתי מסוגלים לתמרץ מאמצי תרומה, וכדי להסביר מדוע הגדלת גודל הקהל והמלצות החברתיות יכולות להגדיל מוטיבציה.

מה מניע משתמשים לתרום מאמצים? חרסני ( 1969 , ע. 127) מציע שני הסברים: “את ההתנהגות של אנשים- ניתן להסביר במידה רבה את במונחים של שני אינטרסים דומיננטיים: רווח כלכלי וקבלה חברתית. ”

לאור שני ההסברים הללו, מצד אחד, ספרות כלכלית קודמת התמקדה בעיקר בצורה בה אנשים נוטים לשנות את התנהגותם בתגובה לרווח כלכלי. (Fehr and Falk 2002 ). מצד שני,  התנהגות המודל  של תגמולים חברתיים (קבלה חברתית), מודגשת בתיאוריה החיליפין החברתית (Blau 1964 ).

תיאוריית החליפין החברתית מניחה שאנשים עוסקים בהתנהגות תורמת המבוססת על תגמולים חברתיים כמו: אישור, סטטוס וכבוד. דימוי חברתי הוא אחד המניעים החשובים ביותר לתגמולים חברתיים (Ariely et al. 2009 ) וזה מתייחס לנטית  האדם להיות מונעת מתפיסותיהם של אחרים. תמונת מוטיבציה או הצגה עצמית מציגה  אפוא את הרעיון שאנשים רוצים להיתפס כ”טובים” (להיות חביב ומכובד על ידי אחרים), ולהציג את-עצמם באור חיובי. הנטייה לשיפור עצמי, או לחזק את הרעיון העצמי, הוא אחד המרכזיים ביותר מהמניעים אנושיים (Barasch and Berger 2014 ). ההערצה שבאה לידי ביטוי על ידי אחרים היא דוגמא טיפוסית לתגמול חברתי על בסיס דימוי חברתי. למשל, דימוי חברתי עשוי להסביר מדוע אנשים לעיתים רחוקות יתנו לצדקה באנונימיות ומדוע רבים מבני הארגון תורמים את תרומותיו של האדם באופן גלוי לאחרים בכוונה תחילה. (גלזר וקונרד 1996 ).  באופן כללי, תגמולים חברתיים אינם מבוססים על חוזים מפורשים, אך מופעלים על ידי תחושות חיוביות ספונטניות שניתן לפרש כאישור חברתי (גכטר ופהר 1999 ).

דרך פוטנציאלית שאדם יכול להרוויח מתרומתו היא התפיסה שתרומה משפרת את הדימוי החברתי. אם אנשים  מחפשים לקבל אישור חברתי להתנהגותם, כדאי להם להשקיע מאמצים רבים יותר לתרום לחברה ולהניב תרומה חברתית חיובית. פר. וופלק ( 2002 , ע. 705) ציין כי: “אישור חברתי פירושו שאנחנו מושאי הערצת האחרים- כשאי-אישור פירושה שאנחנו מושאי הגועל והבוז של אחרים. אישור חברתי, לפיכך, הופך אותנו לגאים ומאושרים, בזמן שאי-הכרה חברתית גורמת למבוכה ובושה וגורמת לנו לחוש אומללים. התגמולים והעונשים החברתיים הללו הם “מטבע” בסיסי שמעורר ילדים ומבוגרים

כאחד לבצע פעילויות מסוימות ולהימנע מאחרים. ”

זרם של ספרות על אספקת טוב לציבור מראה שההזדמנות להביע אישור חברתי- יצרו עלייה גבוהה בכמות התרומות  באמצעות ניסויי מעבדה מבוקרים (Gächter and Fehr1999  , רג’ה וטלה 2004 ).  בהקשר של קמפיינים לגיוס תרומות, אישור חברתי יכול להגדיל באופן משמעותי את התרומות של האנשים הפרטיים. (Frey ו- מאייר 2004 , שנג וקרוסון 2009 ).

בהקשר לרשת, הדימוי החברתי משחק גם הוא תפקיד חשוב בהגדלת התרומות הפרטניות לקהילות מקוונות. (Chen et al. 2010 ).

כפי שנטען לעיל, הדימוי החברתי (אישור חברתי) מושפע ממה שאנשים אחרים חושבים על הפרט. מאפיין מכריע של דימוי חברתי הוא התלות שלו- בכמה הוא צריך להיות נראה על ידי אחרים (גודל הקהל); אחרי הכל, דימוי חברתי הוא תוצאה של מה שאחרים חושבים. אם הדימוי החברתי שמתקבל מפעילות תורמת (כגון לספק פרוייקט- תוכן באיכות גבוהה בקהילות מקוונות) הוא חיובי,  הוא ישיג קהל גדול יותר, מה שיוביל להתנהגות תורמת ולמאמצי תרומה רבים יותר. (Ariely

ואח ‘. 2009 ). בנוסף, בלאו ( 1964)  מדגים שמוטיבציה המונעת על תדמית החברתית מרוסנת כשיש מרחק חברתי: כיום הצורך באישור חברתי הולך וגדל, משום ירידת המרחק החברתי בקרב אנשים, כיום האינטראקציה הסביבתית  הולכת וגדלה,  ככל שאנשים באים במגע לעתים קרובות יותר, ופועלים אחד עם השני, עוצמת וגדילת האינטראקציה היא בהתאמה לירידת הדיסטנס שבין אדם לרעהו, מה שיוצר צורך גדול יותר באישור חברתי.

בניסוי במעבדה גופטר ופהר ( 1999 ) אשרו כי מדובר תמריצים הנובעים מתדמית חברתית יותר חזקים מאינטראקציה רחבה יותר עם אנשים. לכן, בדומה להשפעה שיוצר  גודל הקהל, אישורים חברתיים צריכים גם לשפר את התועלת שמגיעה מהם ע”י ניהול התנהגות פרוזוציאלית – תרמת, ולהוביל למאמצי תרומה נוספים. בהקשר הספציפי של מחקרנו של שוק חיזוי-מבוסס מדיה חברתית- אין שום תמריץ כספי.  לכן אנו מתמקדים בתפקיד הדימוי החברתי (אישור חברתי) כדי לתמרץ את המשתתף לתרום תחזיות באיכות גבוהה.

תפקיד הדימוי החברתי בתכנית זו ( שוק חיזוי-מבוסס מדיה-חברתית) מודגש על ידי עיצוב הפלטפורמה:

שוק החיזוי – מבוסס על עוקבים, ובאופן אוטומטי תחזיות המשתמשים מוצגות, ושולחות  לעוקבים תגובות -האם

התחזיות נכונות. בהקשר חברתי זה, משתמש אולי ירצה להיתפס כ”מאסטר חיזוי” ולקבל על-כך קרדיט והערכה מחברי הקהילה המקוונת. המוטיבציה התדמיתית מתמרצת את המשתתפים לתרום מאמצים נוספים.

ראוי לציין שבניסוי שלנו לא עשינו זאת ע”י אילוץ המשתתפים להשתתף ולחזות. העובדה שהמשתתפים בוחרים, באופן חופשי ומרצונם,  להשתתף בחיזוי – מצביעה על כך שהם בטוחים בקשר לתחזיות שלהם. ליתר דיוק, דימוי חברתי גורם לסינון: אם המשתתף חושש שמא התחזיות שלהם עלולות להיות שגויות, הם לא יבצעו תחזיות במקום הראשון. משתתף נוטה יותר להשתתף במשימת חיזוי במקרה שהוא בטוח יותר במידע שיש לו לגביה. חשוב יותר, כאשר משתתף בטוח יותר, התפקיד של השימוש בדימוי החיובי שלו – יעלה על התפקיד של תועלת הדימוי השלילית, (מכיוון שהמשתתף מעריך שלתחזית שלו יש סבירות גבוהה להיות נכונה), וכתוצאה מכך, הדימוי הצפוי שיתקבל עליו, על מתן השירות, יהיה חיובי. לכן, תדמית חיובית צפויה בתוכנית מסוימת יכולה לתמרץ את המשתתפים לעשות יותר מאמצים כדי לשפר את איכות החיזוי. במקרה של תרומה לצדקה, השימוש בדימוי החברתי הוא תמיד חיובי. אולם בהקשר שלנו – אם התחזית נכונה / שגויה, נוצר דימוי חברתי על שרות חיובי / שלילי שניתן לחברה. עם זאת, הטיעון המפתח שלנו הוא הוא שכלי השירות הצפוי יהיה, ככל הנראה, חיובי, כי המשתתפים יבחרו להשתתף כשהם בטוחים בתחזיות שלהם בלבד.

בנוסף, התדמית השלילית הפוטנציאלית הנגרמת מ חיזוי שגוי עשויה גם לתמרץ חלק מהמשתתפים לתרום יותר מאמצים ולשפר לפני איכות הצפי שלהם. אם כלי התדמית החיובית הנגרם על ידי חיזוי נכון הוא גישת ה”גזר”, אז התדמית השלילית הנגרמת על ידי חיזוי שגוי היא גישת ה”מקל”. כדי להימנע מהתדמית השלילית הנגרמת על ידי חיזוי שגוי, משתתף עשוי להקדיש יותר זמן ומאמץ לאסוף מידע ולעשות חיזוי זהיר יותר. לכן, בהקשר שלנו, תדמית שלילית עשויה לתמרץ את המשתתפים לתרום מאמצים נוספים ומכאן לשפר את דיוק החיזוי.

החלק השני של שרשרת ההיגיון שלנו הוא שיותר מאמצים לאסוף מידע ולדייק בחיזוי, מובילים לאיכות תרומה גבוהה יותר

(דיוק תחזית). הקשר בין המאמצים לדייק ואיכות תרומת המידע שניתנת נחקרה בהרחבה בספרות. מחקרים קודמים בנושא רכישת מידע יקר אימצה את הגישה שאם יחידים מעונינים לתרום יותר זמן ומאמץ, הם ירכשו יותר מידע פרטי מדויק וישפרו את ביצוע החלטותיהם (Burguet and Vives 2000 , Gabaix et al. 2006 ).

ספרות כלכלית אישרה גם היא את השימוש הנרחב בהנחה  זו בשווקים פיננסיים, אם איש מסחר תורם יותר מאמץ, הוא יקבל תגובות פרטיות יותר מדויקות אודות ערכו האמיתי של הנכס (גרוסמן 1976 , גרוסמן וטיגליץ1980 ).

בפלטפורמות מתן מידע מהמשתמש- UGC , גוש ומקאפי ( 2011)  וגוש והמל ( 2014 ) הדגימו כי עלות תרומה (מאמץ תרומה) ​​

מעלה את איכות התרומה. בהקשר של שוק חיזוי, ספרות קודמת תיעדה את ההשפעה החיובית של מאמצי רכישת מידע על לפני החיזוי על דיוק החיזוי (Fang et al. 2010 , צ’יו ואח ‘. 2014 א ).

באופן דומה, בהקשר שלנו, מנגנון המפתח הוא שהמשתתף יקבל יותר מידע פרטי מדויק במקרה שהוא תורם יותר זמן ומאמץ לתרומת המידע שהוא נותן, וכתוצאה מכך הוא יעשה חיזוי מדויק יותר.

שאר המאמר ממשיך באופן הבא: בסעיף 2 אנו מפרטים את עיצוב הניסוי ואת הנתונים.

בסעיפים 3 ו -4 מתארים את המסגרת הנסיונית ותוצאות נוכחות. בסעיף 5 אנו דנים בניהול ההשלכות. לבסוף, סעיף 6 מסכם את המאמר.

2. תכנון ונתונים ניסיוניים

תיאור

ניסוי השדה האקראי שלנו כולל השפעה גודל הקהל ו / או רמת התמיכה המקוונת. אם נתמקד באופן ספציפי יותר, אנו בוחרים באקראי 240 משתתפים ממאגר הנושאים של משתמשים מנוסים המשתתפים בשוק החיזוי מבוסס מדיה חברתית. מכיוון שכל המשתתפים הם משתמשים מנוסים, הם מכירים את אתרי שוק החיזוי ואתרים אלו, מה שממזער את  הזמן שיקח לנו ללמוד את ההשפעות שאנו חוקרים. בין משתתפים אלו, 120  איש הוקצו לקבוצת בקרה, 60 איש הוקצו לקבוצת טיפול, עם השפעת גודל קהל (המכונה קבוצת טיפול, AS , להלן), ו -60 איש הוקצו  לקבוצת טיפול עם שני המשפיעים: גם גודל קהל וגם תמיכה מקוונת. (המכונה בקבוצת הטיפול AS + OE להלן).

כדי ליצור אפקט של גודל הקהל יצרנו 100 חשבונות עוקבים מזויפים / סינטטיים ובהדרגה יצר כל אחד מחשבונות עוקבים המזויפים האלה מעקב אחר כל חשבון ציבורי בשתי קבוצות הטיפול, במשך 60 יום.  בעקבות טוביה וסטיבן ( 2013 ), עשינו את חשבונות העוקבים המזויפים שלנו כמציאותיים- ככל האפשר.  בנוסף, לכל חשבון ציבורי בקבוצת הטיפול AS + OE, השתמשנו בחשבונות העוקבים- המזויפים שנוצרו קודם לכן כדי לשלוח תגובות אוהדות לחשבונות שבקבוצת הטיפול (AS + OE,), בסך הכל חמש פעמים במהלך תקופה של 60 יום, וכדי לסמן מחדש את המטופלים, שלחנו תגובות חוזרות, באקראי,

בתדירות ממוצעת של פעמיים ליום. פעולות אלה של חשבונות העוקבים המזויפים, יצרו אפקט אישור מקוון סינטטי. לסיכום, נבדקים בקבוצת הטיפול AS קיבלו את הטיפול בגודל הקהל,  וקבוצת הטיפול- AS + OE קיבלה את שני המשפיעים: טיפול בגודל קהל וטיפול אישור מקוון.

המשתתפים שטופלו לא היו מודעים לאיזה תחום משויך ניסוי זה.

ציר הזמן של עיצוב הניסוי שלנו מוצג באיור 3 .

לפני שיישמנו את הטיפולים, כל 240 המשתתפים הוקצו באופן אקראי להשלים 25 משימות חיזוי בנושאים שונים במהלך שלושת החודשים שלפני תקופת הטיפול (אנא עיינו בטבלה A.1 בנספח האינטרנט ‘לרשימה של תוכן החיזוי). יישמנו את הטיפולים AS ו- AS + OE בחודשיים רצופים. לאחר תקופת הטיפול,  הזמנו את כל 240 המשתתפים להשלים עוד 25 משימות חיזוי. הגדרה  זו מאפשרת לנו להשוות בין דיוק החיזוי  של כל אחת ממשימות החיזוי של המשתתף לפני ואחרי הטיפולים. כדי להבטיח את תקפות הניסוי שלנו, ערכנו מספר בדיקות ניסוי (פיילוט) כדי לבדוק את ההבדלים במשתנה התוצאה כתוצאה מהטיפולים. המטרה שלנו הייתה לוודא שיש שההשפעות הגדולות שהיו שונות בין קבוצת הביקורת

וקבוצת הטיפול בעקבות השוני בטיפול ששני הקבוצות קבלו, כך שנוכל להיות סמוכים ובטוחים בתוקף של הפרוטוקול הניסיוני שלנו ולהמשיך לניסוי השדה בקנה מידה גדול יותר.

אנו מדווחים על הנתונים הסטטיסטיים המסכמים של משתתפים מול דיוק התחזית בטבלה 1 .

דרגת המשתתף מוגדרת כמספר העוקבים שיש למשתתף ב- Twitter, ההוא מספר המשתמשים שהמשתתף עוקב אחריהם, ודיוק החיזוי מוגדרת באחוזים מול סך תחזיות נכונות שנעשו על ידי כל משתתף. אנחנו יכולים לראות שלקבוצות הביקורת והטיפול יש רמות נמוכות של חוסר דיוק ממוצעת בהשוואה, ליכולת  דיוק החיזוי לפני הטיפול. בשלב הבא, אנו מנהלים סדרת בדיקות כדי לאמת עוד יותר כי הקשר בין קבוצות הטיפול וקבוצת הבקרה (Control ) נעשה בהתאם, והתוצאות מוצגות בטבלה 2 .

ראשית אנו משתמשים בשני מבחני  t  מדגמיים כדי להשוות בין רמות שלפני הטיפול בשלוש קריטריונים:

1-  דרגת כניסה ממוצעת, 2 – דרגת יציאה ממוצעת (שימוש במידע לצורך שיפור הדיוק), 3- דיוק חיזוי ממוצע, דרך קבוצות הבקרה וקבוצות AS,  OE. אף אחת מהתוצאות שהתקבלו היא משמעותית, מה שמרמז על כך שקבוצות אלה הן דומות עוד לפני הטיפול.

מכיוון שמבחן ה- טי ()נשען  על הנחת החלוקה (התפלגות –

asymptotic distributional assumption

וייתכן שלא יתפקד טוב מול מדגם קטן, אנו מבצעים גם את מבחנו של  מונטה קרלו פישר : Monte Carlo Fisher–Pitman permutation test

עם 200,000 פרמוטציות, ומבחן סיכום דרגה של וילקוקסון על ממוצעים אלה. שניהם (מונטה קרלו פישר – פיטמן  ובדיקת סכום הדירוג Wilcoxon ) משתמשים בגישה לא פרמטרית לחישוב חלוקת-הדגימה כאשר אין הנחה מוקדמת על החלוקה המדגמית המתבקשת, והם נוטים להיות יעילים יותר מאשר מבחן ה- t שמציג התפלגויות לא נורמליות.

כפי שמוצג בטבלה 2 אף אחת מתוצאות הבדיקה לא הייתה משמעותית מבחינה סטטיסטית. כדי לקבוע אם יש הבדלים   קדם-טיפוליים בחלוקת המשתתפים בחיזוי עפ”י רמה ודיוק חיזוי של  קבוצות הבקרה והטיפול, מבוצע מבחן קולמוגורוב – סמירנוב – Kolmogorov–Smirnov. מהתוצאות עולה כי איננו יכולים לדחות ההשערה המינורית כי הקבוצות  הבקרה והטיפול נמשכות מאותה החלוקה.

לפני הטיפול, בממוצע, ה- מספר תגובות המטופל הועדפו 4.2 פעמים על פני חודשיים; ובתקופת הטיפול, בממוצע,

תגובות לחשבון המטופל הועדפו 8.9 פעמים (מועדפי גיל אורגניים + מועדפים מזויפים ממוצעים 3.9 + 5)

מעל חודשיים. לפני הטיפול, בממוצע,התגובות של החשבון המטופל הגיבו מחדש 1.1 פעמים ליום; ובתקופת הטיפול, בממוצע, כל אחד מחשבונות המטופלים הגיב מחדש 2.8 פעמים בכל יום (ממוצע תגובות אמיתיות יחד עם  תגובות מזויפות:

0.8 + 2). מהנתונים, אנו יכולים לראות כי שיעור המלצות חברתיות האמיתיות הוא קבוע לאורך זמן, והשפעות הטיפול העיקריות מגיעות מהמניפולציות שארגנו לצורך המחקר.

טבלה 3 מציגה את המתאם בין קשרי המשתתפים ודיוק תחזית לפני הטיפול. המתאם החיובי בין דיוק התחזית  לטיפול נוצר בצורה טובה. מה שלא ברור הוא אם זה המתאם אכן מונע על ידי ההשפעה החברתית בפועל, או על ידי רשת חברתית פנימית. במקרה הראשון, מספר גדול יותר של עוקבים מוביל למעשה לרמת דיוק חיזוי גבוהה יותר, שהיא המנגנון הסיבתי  העיקרי, העומד בבסיס, אותו אנו מקווים לזהות.  

עם זאת, זרם ספרות ההולך וגובר על זיהוי השפעות חברתיות, הכירו גורם חשוב ומבלבל: מבנה הרשת מרתיע בצורה פנימית (Manski 1993 , אראל ווקר 2011 , בפנה ואומירוב 2015 ). בהקשר שלנו, זה אומר שמספר העוקבים בשוק החיזוי מבוסס על מדיה חברתית  עשוי להיות תוצאה של ביצועים קודמים שהיו בשוק המדיה. (כלומר, האנשים עשויים  להתחבר למשתתפים עם יכולת ניבוי גבוהה). גם ההשפעות החברתיות וגם ההסברים על מבנה הרשת הפנימיים על דיוק הם תיאורטית מתקבלים על הדעת, והם צריכים להיות מוכחים. כישלון בחשבון במבנה הרשת פנימי תעשוי להוביל להערכת יתר של ההשפעה החברתית. עיצוב ניסויי השטח שלנו עוזר לנו לעקוב אחר זיהוי הפוטנציאליות של סוגייה זו, מכיוון שאנחנו מסוגלים להגדיל באופן פנימי את מספר המשתתפים העוקבים בטוויטר בקבוצת הטיפול. אודות לכך, גישת הניסוי השדה האקראי שלנו יכולה

לזהות טוב יותר את ההשפעה החברתית על דיוק חיזוי.

3. מסגרת נסיונית

אנו משתמשים בשיטת DID כדי להעריך את ההשפעה של  גודל הקהל והמלצה מקוונת על דיוק חיזוי. שיטת DID עוזרת לנו להשתמש בנתונים במימד הזמן לשליטה עבור השמטות בלתי נצפות אך קבועות. נזכיר שבעיצוב הניסוי שלנו, נצפות רמות דיוק החיזוי של כל משתתף, גם בתקופות הטיפול וגם לאחר הטיפול – שתי קבוצות הטיפול נחשפות לקבוצות שלהם, אך לא במהלך תקופת הטיפול. קבוצת הבקרה אינה חשופה לכל טיפול בכל אחת מהתקופות.

לפני הצגת הערכה ע”י שיטת- DID, נתחיל עם שני השוואות אינטואיטיביות לא-פרמטריות של ממוצע דיוק החיזוי כדי לקבוע את ההשפעות הבסיסיות.

תן ל- Y AS

0

ו- Y AS

1

המהווים את המדגמים הממוצעים של דיוק חיזוי לקבוצת הטיפול AS לפני ואחרי לאחר הטיפול, בהתאמה;

תן ל- Y ASOE

0

ו- Y ASOE

1

להיות המדגם ממוצע של דיוק החיזוי עבור Treat- קבוצות AS + OE לפני ואחרי הטיפול,

; ותן ל- Y C

0 ו- Y C

1

להיות הסמל המקביל לממוצע של דיוק החיזוי לקבוצת הבקרה. שני ההשוואות אינן פרמטרית וכוללות את:

(i) טיפול פשוט לעומת אומדן בקרה . ההערכה הזו מאפשרת לנו להשוות את ממוצע דיוק החיזוי לאחר הטיפול

של שתי קבוצות הטיפול עם קבוצת הבקרה. שימו לב כי אומדן זה אינו קובע

תוצאות שהיו לפני הטיפול. באופן ספציפי, הערכות- על השוואה בין קבוצת הטיפול AS וקבוצת הבקרה ניתנות על ידי

θ AS

Y AS

1

ג

1

והמדד המשווה את קבוצת הטיפולים AS + OE  וקבוצת הביקורת ניתנת על ידי החישוב הבא:

E

(ii) אומדן פשוט לפני ואחרי תהליך המחקר . אומדן זה מאפשר לנו להשוות את דיוק החיזוי הממוצע לפני ואחרי הטיפולים בשתי קבוצות הטיפול.

באופן ספציפי, ההערכה משווה את קבוצת הטיפול: AS לפני ואחרי הטיפול הניתן, על ידי החישוב הבא:

והמדד המשווה קבוצת טיפול AS + OE לפני ואחרי הטיפול הניתן, על ידי החישוב:

שני אומדנים פשוטים אלה מראים את השפעת הבסיס של הטיפולים לקבוצות AS ו- AS + OE.

לאחר מכן אנו בונים אומדן בשיטת DID  כדי לעקור כמה דעות קדומות פוטנציאליות ששני  אומדנים פשוטים אלו לא יכולים להתייחס ל: (i) ההטיה שהתקבלה מההבדל הקבוע בין קבוצת הבקרה לקבוצות טיפול; ו- (ii) ההטיה הנובעת כתוצאה מההשוואה לאורך זמן בקבוצות הטיפול, מה שיכול להיות תוצאה של נטיה  (וולדרידג ‘ 2002 ). בנסיגת שיטת- DID שלנו, התוצאה שמגיעה מאינטרס/ העניין-היא דיוק החיזוי של המשתתף, המשתנה: Y it    , מובא במודל משוואה זו:

כש: AS ו- ASEOi  הם משתנים המתאימים את היחסים, למצב שבו i הוא משתנה המיצג את האדם השייך לקבוצת AS

ולקבוצת AS+OE , והמשתנה t שייך לתקופה שלפני הטיפול. המשתנים AS  ו- ASOE תופסים שינויים והבדלים בסיסים פוטנציאליים בין קבוצות הטיפול והבקרה לפני הטיפול.  המקדמים β 1 ו- β 2 מודדים את ההשפעות  של נטית הזמן המשותפת  לקבוצות הטיפול: AS ו- AS + OE ולקבוצת הבקרה.

המקדמים המשויכים לאינטרסים: β 4 ו- β 5 , מתבססים על קשרי חברה ואינטראקציה, והם מודדים את ההשפעות בפועל של טיפול- AS ו- AS + OE.

טענת המפתח של שיטת DID היא “נתיבים מקבילים; הדדיות.”, שמשערת שהשינוי השטחי שהיה בקבוצת הבקרה מציג את הניגוד בינה לבין קבוצות הטיפול, אודות לכך שבקבוצת הבקרה לא היה מעורב טיפול (Abadie 2005 ). במילים אחרות, מלבד השינויים הנובעים מהטיפול- כל ההבדל בין קבוצות הטיפול לבקרה צריכות להיות אקראיות ולא יזומות. ניסוי שדה האקראי שלנו, עוצב עם שני דברים המוודאים כי התערבויות / טיפולים אלה עצמם מגיעים ממקורות חיצוניים. ראשית, המשתתפים קבוצות הבקרה והטיפול נבחרו באופן אקראי מהקבוצה. שנית, העליות בגודל הקהל והסיוע מקוון (קבוצות הטיפולים) בניסוי

זה היה מוריאציות חיצוניות, בכך שעוקבים מזויפים נוספו למשתמשים שטופלו.

4. תוצאות מוכחות

4.1. השפעות טיפול ממוצעות מגודל הקהל

וסיכום מקוון

התוצאות המוכחות של ה- DID מוצגות בטבלה 4 . מקדמי האינטרסים הם חלק מהאינטראקציה שבטיפול-

AS ,  t  (טיפול AS + OE)  כל אחד מהשפעותיו טיפול בגודל-קהל  והן מהתמיכה החברתית המקוונת- באים בהתאמה. העמודה 1 מציגה את התוצאות הפחות רגילות  (OLS) של שיטת ה- DID. אנו מוצאים  שמקדמי האינטראקציה – והחיבור בין האנשים פעל באופן ניכר לחיוב, ומציעים את זאת שגודל הקהל גדול יותר, מגדיל את דיוק התחזית של המשתתף

כמעט 15.5%; האישור החברתי הנוסף  יכול לתרום לתוספת של 4.1% (19.6 – 15.5 4.1) בגידול ברמת הדיוק.

כדי להוכיח שאין מקום לחשש מכישלון העמידה בסטנדרטים,  או מרגרסיה של הסטנדרטים של מבחן t, אנו גם מחשבים את הסטטיסטיקה באמצעות Huber–White sandwich בעמודה 2, והתוצאות חותכות. בעיה פוטנציאלית נוספת היא גודל המדגם הקטן בהתקנה שלנו, שהוא בעיה נפוצה בשיטות ניסיוניות. בעקבות כך שהתוקף של סטטיסטיקת t תלוי בהפצה של דגימות גדולות, הפעלת אתחול מועילה להערכת התפלגות נתונה ללא מפנה לתכונות אסימפטוטיות, וזה במיוחד

שימושי כאשר גודל המדגם אינו מספיק עבור מסקנה סטטיסטית לעתיד. לכן אנו משתמשים  במנגנון להפעלת מערכת מורכבת כדי לאסוף שגיאות סטנדרטיות.

באופן ספציפי, אנו לוקחים מדגימה מהמקבץ וחוזרים על תהליך זה 10,000 פעמים כדי לחשב שגיאות סטנדרטיות של המערכת. כפי שניתן לראות בעמודה 3, התוצאות שלנו ברורות. בעמודה 4 אנו רואים מודל השפעות קבוע ששולט על עבור יחידים רב גוניים שלא נצפים, והתוצאות דומות.

טבלה 4:

התיאור המפורט של מודל האפקטים הקבוע ניתן למצוא בנספח מקוון ב.

איורים 4 (א) ו -4 (ב) מראים את השפעות הטיפול שלנו באופן גרפי. אם הנחת “נתיבים מקבילים – הדדיות,” תומכת

בהערכת DID, השינוי הממוצע בקבוצת הבקרה (סמן יהלומים באיור 4 ) ייצג את השינוי הנגדי בקבוצת הטיפול  (סמן מעגל באיור 4 ).

במילים אחרות, ניתן למדוד את השפעות הטיפול על ידי ההבדל ברמת הדיוק החיזוי בין קבוצת הטיפול והקבוצה הנגדית – קבוצת הבקרה, בה לא בוצע טיפול.

4.2. בדיקות איתנות

כדי לבדוק אם התוצאות שלנו חזקות ברמות שונות – של דרגות כניסה ויציאה, אנחנו מפצלים את הדגימה שלקחנו  לדגימות משנה לפי רמות שונות של דרגות כניסה ויציאה התחלתיות. בבדיקת מעמיקות ויציבות, חילקנו את הדגימה שלנו לשתי דוגמאות משנה בהתאם לדרגת כניסה התחלתית: במידה ויש למשתתף גג של 50 אחוז בדרגת כניסה.

תוצאות הערכה זו מוצגות בטבלה 5 .

אנו מגלים שהתוצאות שלנו חזקות ויציבות גם בדגימות המשנה- גם שם הוכח שהשפעות הטיפול חיוביות משמעותית. ראוי לציין כי השפעת הטיפול משמעותית באופן חזק יותר לקבוצת שהגג של דרגת הכניסה שלה היה 50% מהקבוצה שתחתית דרגת הכניסה היתה 50%.

הסבר מתקבל על הדעת לממצא זה הוא שככל שגודל הקהל והתמיכה המקוונת גדלים (טיפול), המשתתף מקבל תמריץ להשתמש בערוצי המידע שברשותו ( דרגת יציאה) כדי  לשפר את דיוק החיזוי. בעקבות כך שלשייכים לקבוצה בעלת האחוזון הגבוה יותר יש יותר מקורות מידע אישיים (דרגת יציאה), הם יכולים לשפר יותר את רמת הדיוק של הצפי שלהם.

בנוסף, אנו עורכים בדיקות F כדי לבדוק האם המקדם : AS · t שונה מבחינה סטטיסטית מהמקדם: (AS + OE) · t.  במדגם כולו הם לא בעלי חשיבות סטטיסטית (p> 0.05). עם זאת, כאשר אנו מסתכלים על מדגם המשנה של  האחוזון העליון במונחים של-דרגת יציאה, המקדם: ב- (AS + OE) · t הוא משמעותי יותר מהמקדם:

מה שמוביל לכך שההשפעה של התמיכה המקוונת הוא משמעותי יותר כאשר למשתתפים יש דרגת יציאה גבוהה יותר.

אנו מבצעים גם בדיקת איתנות לגבי כימות (הערכת כמות) גודל ההשפעה של שינויים באחוזיםשל  בגודל הקהל ואישורים חברתיים. אנו מנהלים בדיקות באמצעות דוגמאות המשנה לטיפול לאחר הטיפול כדלקמן:

Y i1

β 0 + β 1 אחוז _AS i + β 2 אחוז _OE i + ε i1 ,

כאשר Y i1 הוא דיוק החיזוי לאחר הטיפול,

אחוז _AS i הוא אחוז הגידול במספר העוקבים, ואחוז _OE i הוא אחוז הגידול באישור חברתי (תמיכה מקוונת). אנו מוצאים כי תוצאות האומדן חזקות וחותכות: העלייה באחוזים בגודל קהל ובאישור וסיוע חברתי יכולים לשפר משמעותית

את יכולת הדיוק בחיזוי לאנשים פרטיים. תוצאות האומדן מוצגות בטבלה 6 : עלייה ממוצעת של 10% בכמות העוקבים

יכולות להגדיל את דיוק החיזוי ב- 3.82%; ועלייה של 10% בהמלצות מקוונות יכולה לשפר דיוק התחזית ב -2.01%.

 השפעות הטיפול בגודל הקהל ותמיכה מקוונת

מחקרים קודמים בנושא מתן ידע מרצון ותרומת תוכן (Zhang and Zhu 2011 , טוביה וסטיבן 2013 ) התמקדו בעיקר באומדן, כיצד האינטראקציות החברתיות או גודל הקהל משפיעים על ‘המשתמשים’ התורמים תרומת תוכן ממוצעת. במחקר שלנו אנו משתמשים בגישה של רגרסיה (נסיגה) כדי להעריך עוד יותר את ההשפעות של גודל הקהל ואישור מקוון על דיוק החיזוי של המשתמש. יתכן שההשפעות של גודל הקהל והתמיכה המקוונת- עשויות לשנות משמעותית, בכמויות שונות של

התפלגות, את רמת דיוק החיזוי. לדוגמה, דיוק החיזוי של משתתפים שיש להם יכולת חיזוי גבוהה (בסוף ההתפלגות הגבוהה

של דיוק תחזית) עשוי להיות מושפע פחות מגודל קהל או אישור מקוון, מכיוון שמשתתפים אלו כבר בכל מקרה  עושים מאמצים ומבצעים את התחזיות בזהירות, אפילו בהיעדר טיפולים, ולכן שיפור לדיוק החיזוי שלהם יהיה מוגבל.

זיצביץ’ ( 2015 ) מצא באופן מוכח שיכולת דיוק החיזוי של המשתתפים בשוק החיזוי מבוסס מדיה חברתית שונים זה מזה באופן ניכר רמות דיוק בתחזיותיהם.

איורים 5 (א) ו -5 (ב) מראים את הערכות שיטת ה- DID שלנו לגבי ATE במשוואה ( 1 ) בקווים אופקיים ומקווקוים, והערכות של הטיפולים מחוברות בקו ישר, כאשר האזור המוצל הוא מרווח של 95%. שים לב שיש שבעה רגרסיות מוערכות בכמויות 0.2, ו- 0.8, בהתאמה. באיור 5 (א), אנו מוצאים כי כמות הערכות מראות הטרוגניות מסוימת בכמויות, שנעה בטווח ש בין 0.10 עד 0.2 ל: 0.29 עד

0.6. במילים אחרות, ההערכות הכמותיות גדולות משמעותית בכמויות הביניים, (יכולת חיזוי בינונית המושפעת מן הטיפול שנערך במחקר), מאשר אלה בקצוות הנמוכים והגבוהים (הערך  60 באחוזון  הוא הגדול ביותר). כדי לבחון האם ההבדלים שנצפו בין האומדנים הם בעלי משמעות סטטיסטית על פני כל הכמויות, אנו ממשיכים לערוך בדיקות בתוך הכמויות השונות, כדי למצוא את השפעותיו, גם באופן סטטיסטי, של הטיפול הזוגי. (Koenker and Hallock 2001) . אם נגדיר זאת יותר ספציפית, אנו בודקים אם ה- QTE ברבעון ה- 0.6- הוא זהה ל- QTE בכמות הגדולה התחתונה (הכמות של: 0.2 (0.22), או הכמות העליונה (הכמות: 0.8).

הבדיקות מראות כי השפעות הטיפול בכמות -0.6 שונות משמעותית מזו שבכמות 0.2 או הכמוית ה- 0.8 במשמעות של 5%. לסיכום, אנו יכולים להסיק שזה חשוב  לקחת בחשבון את ההטרוגנית- של ההתפלגות לחקר זה של ההשפעות החברתיות על דיוק החיזוי. באיור 5 (ב), בהערכות ה- QTEs לטיפול ב- AS + OE יש דפוסים דומים המצביעים על כך שהתוצאות שלנו הן די חזקות.

ממצאים אלה מראים כי (i) גודל ההשפעות של גודל הקהל והמלצה מקוונת הן

קטנותיותר עבור משתתפים שיש להם יכולת חיזוי גבוהה או נמוכה במיוחד ( הממוקמים בשני קצוות ההפצה- של מצב דיוק חיזוי); ו- (ii) ההשפעות של גודל הקהל והמלצות המקוונות הן החזקות ביותר למשתתפים שיש להם רמת ביניים של לפני

יכולת דיוק. הסבר אפשרי להבדל בין שני הקצוות הקיצוניי (גבוה ונמוך) לכמויות הביניים הוא כדלקמן: בכמות הנמוכה- של דיוק תחזית, גם אם המשתתפים מנסים להשקיע מאמצים רבים יותר במשימות החיזוי, יכול להיות שהדיוק בביצוע לא ישתפר הרבה בגלל שיש להם יכולת חיזוי נמוכה; למשתתפים בכמות הגבוהה, לא יהיה כמעט מקום לשיפור, משום שייתכן שהתחזיות שלהם כבר מדויקות. בניגוד לזאת, בכמויות ביניים, ההשפעות של גודל הקהל וגיבוש אישורים מקוונים נמצאים כגדולים יותר, כי משתתפים שיש להם יכולת החיזוי ברמת ביניים, יוכלו לשפר את יכולות ביצועי התחזית בצורה דרמטית כאשר הם מפעילים יותר מאמץ במשימות חיזוי ומנסים להראות ביצועי חיזוי גבוהים לעוקביהם.  כשאנחנו באים לפרש: “משתתפים עם דיוק חיזוי בינוני” כ: “משתתפים בעלי יכולת דיוק חיזוי בינונית”, אנו מגדירים כך מאחר שבשוק החיזוי,

מעצב לא יכול לצפות ישירות בתצוגה המקדימה של המשתתף את יכולת הדיוק שלו, אך הוא (מעצב) יכול לראות את דיוק החיזוי של המשתתף. (הביצועים שנעשו בפועל). בדרך כלל, מעצב יפרש – ביצועים / דיוק החיזוי של המשתתף במשמעות

של יכולת חיזוי. 14 המחקרים הקודמים בדקו את ההבדלים בהשפעות תמריץ בין קבוצות בעלות יכולת גבוהה ונמוכה.

למשל, לובן ואח ‘. ( 2010 ) תגלה שלתמריצים אין השפעות או אפילו השפעות שליליות על השגים- של תלמידים בעלי יכולת נמוכה, בעוד שיש להם השפעות גדולות וחיוביות על השגי סטודנטים בעלי יכולת גבוהה. לכן זה עולה בקנה אחד עם ממצאנו שההשפעה של תמריץ קטנה לאלו שנמצאים בתחתית יכולת דיוק החיזוי. (יכולת נמוכה) עם זאת, מהתוצאה שלנו עולה כי ההשפעה של התמריץ היא גם קטנה (במקום גדולה) בחלק העליון של חלוקת הביצועים (יכולת גבוהה לדיוק). ראוי לציין את ההבדל בין המחקר שלנו לבין Leuven et al. ( 2010 ): לובן ואח ‘. בעיקר התמקדו בהשפעות התמריץ על ציוני המבחנים של התלמידים, בעוד שבמחקר שלנו, אנו בודקים את דיוק החיזוי של אנשים, מה שיותר יותר רעיוני באופיו. מחקר פסיכולוגי (Lepper & Greene 1978 ) הוכיח שתמריצים היו יעילים יותר שכהמשימות היו פחות רעיוניות. בהקשר של ציוני מבחן, התלמידים יכולים לשנן סדרה של עובדות שעשויות להכין אותם כראוי למבחן. על ידי עשית יותר מאמצים, תלמיד עם ממוצע ציוני מבחן גבוה יכול עדיין להשיג שיפור משמעותי בביצועיו. עם זאת, למרבה הצער, קשה יותר למשתתפי שוק החיזוי להתכונן למשימת חיזוי ספציפית. למשתתף שכבר השיג רמת דיוק וביצועים גבוהה לפני, זה ממש קשה לשפר עוד את יכולת הדיוק שלו על ידי השקעת יותר מאמץ. אחרי הכל, דיוק תחזית סופי יושפע מאי-ודאות במידה ניכרת.

לסיכום, איור 5 מראה כי הערכת שיטת: DID להשפעות שיש ל: 1) גודל קהל 2)תמיכה באינטרנט, על בעלי יכולות ממוצעות של דיוק התחזית -היא נמוכה מדי, ונוטה, מול זאת, להפריז במידת ההשפעה על אלו הממוקמים בשני הקצוות. (נמוך וגבוה), מה שיש לו חשיבות בהשלכות ניהוליות על עיצוב שווקי חיזוי.  תוצאות הרגרסיה הכמותית בניסוי מהשדה שלנו מראה כי סיוע אינטראקציות חברתיות (מגעים בין אנשים) עבור משתתפים בשוק החיזוי בעלי  רמת ביניים של יכולת חיזוי עשויה להיות אסטרטגיה יעילה כדי לקבל תחזיות באיכות גבוהה מהמשתתפים.

4.4. הרחבות

4.4.1. ההשפעה של ההשפעות החברתיות על שיתוף-הפעולה מצד המשתמשים

מכיוון ששוק רזה (חוסר מענה מספק) הוא בעיה של  שווקי חיזוי, אנו בודקים הלאה את ההשפעה של גודל קהל ותמיכה מקוונת על השתתפות המשתמשים. שימו לב כי תיאורטית, ההשפעה של גודל הקהל וההמלצות החברתיות על השתתפות המשתמשים יכולה להיות חיובית או שלילית. מצד אחד, גודל הקהל ותמיכה חברתית עשויים להשפיע לרעה על השתתפות המשתמשים, מכיוון שאנשים לא רוצים לשדר שהם טעו לעוקבים שלהם. מצד שני, אנשים עשויים להיות מוכנים יותר להשתתף, במיוחד כשהם בטוחים בתחזיות שלהם, מכיוון שהם רוצים להראות לעוקבים שלהם שהתחזיות שלהם היו נכונות. לכן שני הכיוונים הם מתקבלים על הדעת, וזו שאלה אמפירית (מוכחת) לבחון את ההשפעה של גודל הקהל והמלצות חברתיות על כמות התרומה. בפלטפורמה המבוססת מדיה-חברתית שלנו, מלבד שווקי החיזוי המוקדיים 15 (אנו מזמינים את המשתתפים להצטרף ל 25 שווקי חיזוי לפני הטיפול ו25 שוקי חיזוי נוספים לאחר הטיפול) המשתתפים בקבוצת הביקורת והטיפול בחרו להשתתף גם בכמה שווקי חיזוי אחרים, לפני ואחרי תקופת הטיפול. לכן, השתמשנו במספר שוקי החיזוי מששתתפים במחקר נטלו בהם חלק כדי למדוד שיתוף פעולה של המשתמשים. אם משתמש השתתף במספר גדול יותר של שווקי חיזוי בפרק זמן נתון (שלושה חודשים בהקשר שלנו), אנו מסווגים משתמש זה ברמה גבוהה יותר של שיתוף פעולה מצד המשתמש.

ביצענו מבחן t וגילינו כי לפני הטיפול- המספר הממוצע של שווקי החיזוי שהמשתתף נטל בהם חלק אינו שונה באופן מובהק

בין קבוצת הטיפול וקבוצת הביקורת (p> 0.1).

עם זאת, לאחר הטיפול, המשתתפים המטופלים נטו יותר לחזות ולהשתתף ביותר שווקי חיזוי מאשר משתתפים מקבוצת הביקורת. (p <0.05).

תוצאה זו מספקת כמה סימוכין לטענה כי ההשפעה החיובית של גודל הקהל והאישורים החברתיים על כמות תרומת המידע בעלת משקל רב יותר מההשפעה השלילי:ת ההשפעה הכוללת של גודל הקהל ואישורים חברתיים על השתתפות המשתמשים היא חיובית. ניתוח רגרסיה נוסף מוצג בטבלה 7 .

המשתנה התלוי הוא מספר שווקים החיזוי שמשתתף השתתף בהם. אנו מוצאים שההשפעה של גודל הקהל ותמיכה חברתית-

הוראות על השתתפות המשתמשים היא באופן משמעותי- חיובית.

הסבר מתקבל על הדעת לממצא זה (ההשפעה החיובית של ההשפעות החברתיות עולה על ההשפעות השליליות) הוא – בטחון יתר של המשתתפים בניבוי שווקים: המשתתפים רואים עצמם מסוגלים בהחלט לבצע תחזיות נכונות, ולכן יש סיכוי גבוה יותר שישתתפו בשווקי חיזוי. למעשה, זרם גדול בספרות כלכלה ופיננסים מתעדים- אמון יתר של משקיעים בשווקים פיננסיים. (דניאל ואח ‘ 1998 , שיינקמן ו- Xiong 2003 ).

4.4.2. השפעת ההשפעות החברתיות על סך כל ביצועי שוק החיזוי.

אנו בודקים גם אם סך כל ביצועי השוק המצטברים של החיזוי מושפעים על ידי ההשפעות החברתיות בזמן שהאנשים פרטיים מצליחים לדייק יותר בתחזיותיהם. באופן תיאורטי, שידור תחזיות לעוקבים זה חרב פיפיות במונחים של ביצועי שוק חיזוי: מצד אחד, זה יכול לעורר- ולעודד משתמשים לספק תחזיות באיכות גבוהה; בעוד, מצד שני, זה עשוי ליצור מצב בו מידע של יחיד מתואם ומקושר בין אלו שאיתם יש לו אינטראקציה. זו שאלה בדוקה, לבחון השפעת הרשת. ראוי לציין כי בניסוי שלנו, הטיפולים אינם מיועדים במיוחד לבדיקת סך כל ביצועי שוק החיזוי (למשל, מספר שווקי החיזוי קטן יחסית בניסוי שלנו: רק 25 שווקי חיזוי לאחר הטיפול), כך שממצאינו להלן הם מתאמים משכנעים.

אנו מריצים את משוואת הרגרסיה הבאה באמצעות דגימות משנה, לאחר הטיפול:

Mkt _ שגיאה j

β 0 + β 1 נכס _ טופל j

+ β 2 מספר _ משתתף j + ε j ,

כאשר המשתנה תלוי, טעות בשוק החיזוי,

נמדדת על ידי שגיאת Mkt _ : המרחק בין הההסתברות לשוק M j והבינארי בפועל

תוצאה R j , 16 | M j −R j |, נכס _ טופל j (בין 0 ל 1)

הוא שיעור המשתתפים המטופלים על פני מספר סך המשתתפים בשוק חיזוי j, ו-מספר _ המשתתף j הוא מספר המשתתפים בשוק חיזוי j. תוצאות האומדן מוצגות בטבלה 8 .

אנו מעוניינים במקדם- Prop_Treated , מה ששלילי משמעותית בעמודה 1.

המשמעות היא, שגידול באחוזים בשיעור המשתתפים המטופלים עשוי להפחית שגיאת דיוק ב -0.645%, אם-כן, ביצועי שוק חיזוי עם שיעור גבוה של משתתפים שטופלו עולה על ביצועי שוק חיזוי עם אחוז נמוך של משתתפים מטופלים. תוצאה מוכחת זו מציעה באופן נסיוני (טנטטיבי) לכך ששידור תחזיות לעוקבים עשוי להיות משפיע חיובי, באופן טבעי,  על הדיוק בשוק החיזוי. כדי לבדוק שמצב זה חל באופן כללי, למרות שבניסוי זה השתמשנו במדגם קטן, אנו מסתכלים על המנגנון הסטטיסטי:

   bootstrapped t ,  (מבחן טי) והתוצאות דומות.

5. השלכות ניהוליות

המחקר שלנו תורם לספרות אמפירית המתרחבת יותר ויותר, בנושא שווקי חיזוי ותרומות תוכן בהתנדבות ע”י ניהול ניסוי שדה אקראי היוצר השפעה סיבתית של טיפול בגודל קהל ובאישור חברתי מקוון על יכולת דיוק של משתתפים בשווקי חיזוי.  תוצאות הניסוי שלנו מראות כי שילוב אינטראקציה  במדיה החברתית במערכות חיזוי יכול לתמרץ באופן יעיל את המשתתפים, בכדי להשיג ביצועי חיזוי טובים יותר, מבלי לספק שום תגמול כספי. פלוט וחן ( 2002 ) מצאו שהתמריצים הכספיים מעודדים- את המשתתפים לחפש את המידע הטוב ביותר. המחקר שלנו משלים את המחקר שלהם ומציע כי אף

התגמולים הלא כספיים, כגון השפעות חברתיות ואישור מקוון ממדיה חברתית, יכולים גם הם ליצור תמריצים יעילים למשתתפים , כך שיספקו תחזיות איכותיות.

למחקר שלנו השלכות ניהוליות חשובות, כיצד להציג טכנולוגיות חברתיות, וכיצד לערב מדיה חברתית בשווקי חיזוי למומחים המחפשים לשפר את  שווקי החיזוי שלהם. מספר חברות, כמו  Inkling Marketsו- Consensus Point, מספקים פלטפורמות לשווקי תחזיות כדי לעזור לארגונים לאגד אינפורמציה מבוזרת, ולעשות החלטות מושכלות ומודעות יותר בשווקי חיזוי ציבוריים או משותפים.

בעיצוב של שווקי חיזוי, יש אתגר – כיצד לעורר ולשתף את המשתתפים, כך שישתפו את התובנות שלהם בצורה מהירה ויעילה. הראיות הניסיוניות שלנו תומכות בכך שהשפעות חברתיות ובדאגות למוניטין עשויות למלא תפקיד מפתח בשיפור יכולת דיוק החיזוי של המשתתפים, ומספקות מוטיבציה עוצמתית למשתתפי השוק שיוכלו לספק תגובות מלאות לאחר שיקול דעת וחשיבה. התוצאות מניתוח ה- ATE שלנו מציע למתרגלים לשקול את שילוב הרשתות החברתיות הפנימיות של המדיה החברתית / הארגונית כאשר מעצבים את שווקי החיזוי הציבוריים / הארגוניים שלהם. תוצאות QTE מדגימות זאת

שווקי החיזוי המוטמעים במדיה החברתית מכוונים אנשים בעלי יכולות ביניים להשיג שיפור חיזוי משמעותי ביותר. ראוי לציין כי התוצאות שלנו חלות יותר על שווקי חיזוי הציבוריים,  מאשר חיזוי פנימי של חברות מכיוון ש (i) מפני החשש לשמירת הסודיות, חברות לא ישושו לשלוח את פעילויות התחזית לאתרי רשת חברתית ציבורית (כגון- טוויטר), ו- (ii) אם חברות מגבילות את פעילויות החיזוי ברשתות החברתיות או הפנימיות, גודל הקהל וההמלצה החברתית יהיו קטנים מכדי לתמרץ

עובדים.

בתרגול בשוק החיזוי, מעצב יכול להשתמש בנתונים הניתנים לצפיה כדי להעריך את ההתאמה בין דיוק החיזוי לגודל הקהל. אולם, המתאם הטהור אינו מספק מספיק הדרכה למעצב שוק חיזוי, האם לשלב מדיה חברתית או פלטפורמה חברתית פנימית לשווקי החיזוי המקוריים שלהם.

כאשר מעצב שוק החיזוי עושה החלטה כזו, היא תהיה כרוכה בניתוח עלות-מול-תועלת. העלות – לשלב מדיה חברתית או פלטפורמה חברתית פנימית לשווקי חיזוי – היא בעיקר עלות טכנית, וצריכה להיות פשוטה להעריכה. למרות זאת, התועלת קשורה ישירות להשפעה הסיבתית של גודל קהל חברתי וליווי מקוון על דיוק התחזית של משתתפי השוק, וקשה להעריך אותה מן המתאמים שבנתונים הניתנים לצפייה. כישלון בחישוב מבנה הרשת הפנימי (כלומר, האנשים עשויים לבחור בעצמם את חבריהם ונוטים להתחבר למשתתפים עם יכולת ניבוי גבוהה), עלולה להוביל להערכה מוגזמת של ההשפעה החברתית באמצעות נתונים תצפיתיים.

המניפולציה של גודל הקהל והמלצות החברה בניסוי שלנו מספקות וריאציה חיצונית כדי לזהות את ההשפעה הסיבתית של המשפיעים שצוינו לעיל, ויכולה לעזור למעצב שוק החיזוי לכמת את היתרונות שבשילוב מדיה חברתית או פלטפורמה חברתית פנימית לשווקי חיזוי.

מעצב של שוקי החיזוי של גוגל (GPM) ציין שגוגל “צריכה לבצע את המסחר – חברתי יותר … צריך לבנות תכונות חברתיות יותר, והתאמה אישית ל- GPM. זה די ברור שאנשי גוגל סוחרים כדי לבנות את המוניטין שלהם. אנחנו צריכים להפוך את המוניטין הזה לגלוי יותר בבסיס … על מפעילי השוק להתמקד יותר בתגמולי-חברה, התשתיות והתהליכים שנדרשים כדי לספק אותם … סחר סודי מונע מהסוחרים מלשתף בגאווה ההישגיהם. באיזו תדירות, בתוך תאגידים, אתה שומע אמירה של: ‘אמרתי לך כך’? יש ביקוש בקרב העובדים להיות מסוגלים לקחת קרדיט על תחזיות מדויקות בפרויקטים מסוימים. מפעילי שוק צריכים לתת לעובדים את הכלים שהם צריכים כדי לשתף בתחזיות שלהם. “(Coles et al.

2007 עמ ‘2, 13, 14, 20, 21).

במחקר שלנו, ממש כפי שהמעצב הציע, אנו מתמקדים בבניית “התשתיות ותהליכים” להענקת תגמולים חברתיים

ולבחון את ההשפעה הסיבתית של מתן משתתפים של -“הכלים הדרושים להם בכדי לשתף את תחזיותיהם” על ביצועי חיזוי של אנשים פרטיים.

למחקר שלנו השלכות רחבות יותר על העיצוב של אתרי שאלות ותשובות מקוונים מבוססי קהילה, (כולל איכות אורך של UGC), כגון:

Quora, Stack Exchange, & Stack Overflow.

בימינו, מיליוני משתמשים תורמים באופן פעיל לסוגים שונים של קהילות מקוונות, על בסיס יומי. המניעים לתרומה לקהילות מקוונות הוותה עניין רב למומחים ומלומדים. דוגמה טיפוסית למוצרים ציבוריים הם פרויקטים עם קוד פתוח (Singh ואח ‘. 2011 ). שאלה טבעית נשאלת על ידי (לרנר וטירול 2002 , ע. 198), “מדוע אלפי מפתחי תוכנה מהשורה הראשונה תורמים בחינם טובת הכלל? “באופן כללי, המניעים השונים לתרום סווגו כ-או מהותיים, או חיצוניים. (Roberts et al. 2006 ). בהקשר של שווקי חיזוי, מניעים מהותיים יכולים להתפרש כהנאה או ההישג בביצוע משימות החיזוי, שהם קשורים לסיפוק צרכים אנושיים בסיסיים של יכולת, שליטה ואוטונומיה (דסי וראיין, 2000 ). לעומת זאת, מניעים חיצוניים מתייחסים לתגמולים לא- כספיים, כגון דימוי חברתי או מוניטין,  ותגמולים כספיים, כתוצאה מהממצאים שעלו  ממשימת החיזוי. במחקר שלנו, גודל קהל חברתי והמלצות /תמיכה חברתית מקוונת שייכות לתגמולים-לא-כספיים, כמניעים חיצוניים (דימוי חברתי). אוסטרלו ופריי( 2000 ), מצאו את “אפקט הצפיפות”: תחת תנאים מסוימים, מניעים חיצוניים עשויים להזיז מניעים מהותיים . עם זאת, ממצאינו מראים כי אפקט הצפיפות, המונע על ידי דימוי חברתי, צריךלהיות מוגבל, מכיוון שאנו יכולים לראות

השפעות חיוביות משמעותיות של: גודל קהל חברתי והמלצה מקוונת, על איכות התחזיות. 17 הסבר אחד מתקבל על הדעת לכך, הוא שגודל הקהל החברתי והתמיכה ברשת הן תמריצים חיצוניים סמליים (דימוי חברתי),ומחקרים קודמים, שתיעדו את אפקט הצפיפות, דווחו עליו כהרבה פחות עבור סמלי מאשר תמריץ כספית (רוברטס ואח ‘, 2006 ).

השפעת האינטראקציות החברתיות של משתמשים מקוונים, על תרומתם לקהילות אלקטרוניות – נבדקה באופן נרחב, באמצעות נתונים ארכיוניים בהקשרים שונים. (Kankanhalli et al. 2005 , Goes et al. 2014 ). בהקשר של שווקי חיזוי המבוססים על מדיה חברתית, המחקר שלנו קובע זיהוי סיבתי של ההשפעות החברתיות על דיוק חיזוי של אנשים פרטיים, באמצעות ניסוי שדה. באופן רחב יותר, התוצאות שלנו מציעות כי ערוב תכונות חברתיות, כמו היכולת לעקוב ולהתבונן בפעילויות של אחרים, יכולה להיות גישה יעילה להגברת תרומתם של אנשים באמצעות תמריצים לא כספיים.

6. מסקנות ועתיד

הוראות מחקר

אנו מבצעים ניסוי שדה אקראי על שוק חיזוי מבוסס מדיה חברתית, כדי לחקור את התנהגות תרומת המשתמשים. בשיטת DID אנו יכולים להעריך הן את השפעת הטיפול הממוצעת, והן את השפעת הטיפול הכמותי של גודל הקהל ותמיכה-

על ביצועי החיזוי של המשתמשים. מצאנו באופן מוכח,  כי עלייה בגודל הקהל מביאה לשיפור ברמת חיזוי ממוקד של המשתמש, ושגם רמה גבוהה יותר של תמיכה מקוונת מובילה לשיפור התחזית. מעניין יותר, שתוצאות הניסוי שלנו מראות כי השפעות הטיפול הכמותי הן הטרוגניות: משתמשים ברמת ביניים ליכולת דיוק מגיבה באופן חיובי ביותר לעלייה בגודל הקהל החברתי וההמלצה המקוונת. ממצאים אלו מדגישים כיצד מעצבים יכולים לעשות שימוש במדיה חברתית כדי לשפר את תכנון שוק החיזוי.

אף על פי שהמסמך שלנו קובע קשר סיבתי בין השפעות חברתיות והתנהגות תרומת המידע, אנו מכירים בכמה מגבלות. ראשית, בניסיון שדה, בדרך כלל, קשה לבודד את התנהגות מנגנונים העומדים בבסיס הממצאים. בהקשר הספציפי שלנו, המנגנון העומד בבסיס ההשפעה הסיבתית של טיפולים חברתיים, פחות ברור. הטענה התיאורטית שלנו

היא – שהדימוי החברתי ממריץ חלק משמשתתפים לתרום יותר מאמצים, ולכן דיוק התחזית משתפר. בנספח מקוון ג, אנו מספקים ראיות המראות כי המשתתפים משקיעים מאמץ רב יותר בגלל הדימוי החברתי. עם זאת, אנו מבינים שיש הסברים חלופיים, כיוון שאיננו עושים מדד מדויק של מאמץ המשתמשים בניסוי שלנו. חקר המנגנון הבסיסי שעומד מאחורי ההשפעה הסיבתית של טיפולים חברתיים , נמצא בעמדת קביעת כיוון מחקרי מענין אפשרי.

שנית, הניסוי שערכנו בשטח נערך בסקר שוק החיזוי המוטמע ברשת המדיה החברתית. משימות החיזוי לא היו מקושרות לבעיות עסקים אמיתיות, (למשל, חיזוי ביקוש). לכן, דרושים מחקרים עתידיים בכדי לקבוע את השפעותיו של גודל קהל ותמיכה מקוונת בשוק חיזוי משולב עם זרימת עבודה אמיתית. שלישית, בעיה פוטנציאלית בשילוב המדיה החברתית

בשוקי החיזוי היא נושא הרכיבה החופשית שעשויה להיגרם משיתוף המידע האוטומטי, בהקשר הניסוי שלנו: התחזיות של המשתמשים ישלחו אוטומטית- אל צירי הזמן של העוקבים שלהם, שיכולים ‘לרכוב’ באופן חופשי על פי תחזיות המשתמשים  (צ’יו ואח ‘. 2014 א ). בניסוי השטח שלנו, אפקט רכיבה חופשית זו היה ממזער, מכיוון שהמשתתפים, אלו שנבחרו באופן אקראי

במדגם שלנו, כמעט ולא עקבו זה אחר זה בתקופת הניסוי שלנו. עם זאת, בשווקי חיזוי אמתיים, סביר להניח כי המשתתפים קשורים זה לזה ברשתות חברתיות או ברשתות חברתיות פנימיות. למעשה, שילוב המדיה החברתית בשווקי החיזוי- הופך להיות בעית תמריץ מסובכת יותר, העוברת בין השפעות חברתיות לבין רכיבה על המידע המתקבל מהאינטגרציה החברתית.

לבסוף, במחקר זה אנו מתמקדים בעיקר על דיוק החיזוי האינדיבידואלי. ככיוון למחקר עתידי, יהיה מעניין לבדוק בזהירות

את ההשפעות של גודל הקהל והמלצות המקוונות על הביצועים הכוללים של בשוק החיזוי,  בניסיון-עם מספר גדול יותר של שווקי חיזוי.

תודות

הכותבים מודים לעורך הבכיר, לעורך השותף ושלושת הסוקרים אנונימיים על הערות המפורטות והבנויות שהעניקו למחקרנו. המחברים מודים גם לשון-יאנג לי, דה-ליו והמשתתפים בסדנת 2015 למידע-טכנולוגיות ומערכות עבור העדכונים המועילים שתרמו לנו.

הערות סוף

1 ראה https://www.consensuspoint.com/wp-content/themes/radius/

ניירות לבנים / BestBuy_Casestudy.pdf (ניגש ל 22 בספטמבר 2015).

2 ראה https://www.consensuspoint.com/wp-content/themes/radius/

whitepapers / GE_Casestudy.pdf (ניגש ל 22 בספטמבר 2015).

3 דוגמאות בולטות הן השווקים האלקטרוניים של איווה, PredictIt, Holly-

בורסת עץ, בורסת ראייה וחזית מרקט.

4 פלוט וחן ( 2002 ) הראו כי שוק החיזוי הפנימי בהיולט-פקרד יכולה להפחית את חוסר הוודאות של ביצוע תחזיות

מכירות. Guo et al. ( 2006 ) להציע שוק חיזוי מאקרו ליישום, כדי להפיק מידע שימושי ולהקטין את סיכון הביקוש השיטתי

שרשראות אספקה. הופמן ( 2007 ) לתעד כיצד אינטל השתמשה בחיזוי שווקים לניהול סיכוני ביקוש.

5 מכיוון שהימורים מקוונים הינם מחוץ לחוק בארצות הברית דרך חוקים פדרליים וחוקים רבים במדינה גם כן, רוב שווקי החיזוי של משתמשי יעד אמריקאים, פועלים עם “כסף משחק” ולא “אמיתי”.

חריגים בולטים הם השווקים האלקטרוניים של איווה, אשר מופעלים על ידי אוניברסיטת איווה בחסות אי-פעולה מכתב מטעם הנציבות למסחר עתידני סחורות, שמופעל על ידי אוניברסיטת ויקטוריה בוולינגטון תחת

הכריכה של מכתב דומה ללא מעשה.

6 התחרות האנכית בהקשר שלנו צריכה להיות יותר אינטנסיבית מהתחרות האופקית בהקשר לבלוגים. ספרות קודמת

מראה שתחרות משפיעה על תמריצים לתרום. לדוגמה, בניסוי מעבדה מבוקר, דאפי וקוריננקו ( 2010 ) נמצא כי ניתן לנצל את התחרותיות האנושית הטבעית לעורר מתן צדקה. במילים אחרות, מתן התנהגות יכול להיות

מושפעים ממניעים תחרותיים מהותיים, למשל היחס למגבלותיהם, עומד יחסית לאחרים. המניע התחרותי המהותי לפני

שוק החיזוי גדול מזה בהקשר של בלוג. התחתון- הסיבה העיקרית היא שהקריטריון האובייקטיבי של הערכת איכות בסעיף א

שוק החיזוי הופך את ההשוואה החברתית לישירה ויעילה יותר. במובן הרחב, השוואה חברתית (התייחסות לתכונותיו של עצמך, בהשוואה לאלה של אחרים, ולהיפך) הוא מאפיין חשוב של חיי חברה אנושיים (Buunk and Mussweiler 2001) ).

ההשוואה החברתית מדגימה כי השימוש בהשוואה חברתית- יכולה להגדיל את התרומות בקמפיינים לגיוס תרומות (פריי ו-

מאייר 2004 , שנג וקרוסון 2009 ) ותרומות קהילות מקוונות (Chen et al. 2010 ). ההקשר של שוק החיזוי שלנו שונה

מהקשר של בלוג שנחקר רבות בספרות מכיוון שתחרות אנכית אינטנסיבית יותר בשוק החיזוי יכולה להוביל להשוואה חברתית ישירה ויעילה יותר המספקת שיפור גדול יותר-

תמריץ לא ממוני להניע תרומות באיכות גבוהה.

ז ניתן למצוא קשר איכותי אנכי בקהילה המקוונת-

אתרי תשובה מבוססי שאלות, כגון Quora, Stack Exchange והצפת מחסנית.

8 התמריץ לספק פרטית של טובין ציבוריים הוא יסוד

שאלה בספרות הסחורות הציבורית (Bergstrom et al. 1986 , חן

ואח ‘. 2010 , ג’אנג וזהו 2011 ). המוקד העיקרי של הספרות הוא

ההשערה של הרוכבים החופשיים: ככל שגודל הקבוצה גדל, תרומה פרטנית-

ירידות ברמות התנועה (Bergstrom et al. 1986 ). הבעיה היא הרוכב החופשי

קשור גם לספרות העשייה הקולקטיבית: מניעה של חופשיים רכיבה להרתיע מפעולה משותפת של אנשים במרדף אחר

יעד אחד (Van Zomeren et al. 2008 ). כדי לפתור את בעיית החינם ברכיבה, החוקרים התמקדו בעיצוב תואם תמריצים

מנגנוני אספקה ​​פרטיים של מוצרים ציבוריים.

9 סרוואן שרייבר ואח ‘. ( 2004 ) טוענים שהשימוש בכסף אמיתי הוא רק אחת הדרכים הרבות להניע סוחרים בקיאים

לספק תרומה באיכות גבוהה. במקרה של כסף לשחק, סוחרים בעלי ידע ניתן לצריכה יכולים להיות מונעים על ידי תמריצים חברתיים.

10 העלייה הממוצעת במספר העוקבים האורגניים של משתתפים שטופלו בתקופת הטיפול אינה שונה מבחינה סטטיסטית

מזה של קבוצת הביקורת. במילים אחרות, שיעור הצמיחה האורגני בקבוצות הטיפול ובקרה דומים.

11 לכל חשבון טוויטר מזויף יש תמונת פרופיל. שמותיהם של משתמשים מזויפים נוצרו באמצעות מחולל שמות אקראי ( http: //

www.behindthename.com/random/ ). חשבונות אלה פרסמו ציוצים-תגובות באופן קבוע ומעקב אחר שישה חשבונות מזויפים אחרים כמו כמה ארגונים.

12 בקבוצת הביקורת אין טיפולים.

13 בהקשר שלנו המשמעות של המגמות היא שרמת הקושי של 25משימות ניבוי לפני הטיפול עשויות להיות שונות מזו לאחר הטיפול.

14 בהקשרים אחרים, למשל, לובן ואח ‘. ( 2010 ) להשתמש בביצועי מבחן של סטודנטים כדי למדוד את יכולתם.

15 בניסוי שלנו, כל משתתף הוזמן להצטרף ל -25 לפני-

משווק חיזוי לפני ואחרי תקופת הטיפול באמצעות קבלת מיילים מהנסיין. חוץ מזה הם היו חופשיים להצטרף

שווקי חיזוי אחרים בפלטפורמה המבוססת על מדיה חברתית. ההסיבה שבחרנו 25 שוקי חיזוי מוקד לפני ואחרי

הטיפול הוא שאנחנו רוצים שהמשתתפים המטופלים והמבוקרים יעשו זאת-יערכו תחזיות לגבי אותה מערכת אירועים כדי שנוכל לתת יריד השוואה בין דיוק החיזוי.

16 בהקשר שלנו, התחזית הסופית של שוק תחזיות היא סיכוי-

היכולת M j , שהיא בין 0 ל 1. התוצאה האמיתית במציאות,

R j , הוא 0 או 1 (בין אם האירוע קורה).

17 גם אם יש השפעה צפופה קלה, ההשפעות הכוללות של חברתיות

גודל הקהל וההמלצה המקוונת  הם חיוביים משמעותית.

הפניות :                                                                                                                                                             References:

Abadie A (2005) Semiparametric difference-in-differences estimators.

Rev. Econom. Stud. 72(1):1–19.

Anderson A, Huttenlocher D, Kleinberg J, Leskovec J (2013) Steering

user behavior with badges. Schwabe D, Almeida V, Glaser H,

eds. Proc. 22nd Internat. Conf. World Wide Web (ACM, New York),

95–106.

Aral S,WalkerD(2011) Creating social contagion through viral product

design: A randomized trial of peer influence in networks.

Management Sci. 57(9):1623–1639.

Ariely D, Bracha A, Meier S (2009) Doing good or doing well? Image

motivation and monetary incentives in behaving prosocially.

Amer. Econom. Rev. 99(1):544–555.

Bapna R, Umyarov A (2015) Do your online friends make you pay?

A randomized field experiment in an online music social network.

Management Sci. 61(8):1902–1920.

Barasch A, Berger J (2014) Broadcasting and narrowcasting: How

audience size affects what people share. J. Marketing Res. 51(3):

286–299.

Berg JE, Forsythe R, Nelson F, Rietz T (2008) Results from a dozen

years of election futures markets research. Plott CR, Smitt VL,

eds. Handbook of Experimental Economics Results, Vol. 1 (North

Holland, Amsterdam), 742–751.

Bergstrom T, Blume L, Varian H (1986) On the private provision of

public goods. J. Public Econom. 29(1):25–49.

Blau P (1964) Exchange and Power in Social Life (Transaction Publishers,

New Brunswick, NJ).

Broughton P (2013) Prediction markets: Value among the crowd.

Financial Times (April 24), https://www.ft.com/content/f03f

c956-9586-11e2-a151-00144feabdc0.

Burguet R, Vives X (2000) Social learning and costly information

acquisition. Econom. Theory 15(1):185–205.

Buunk BP, Mussweiler T (2001) New directions in social comparison

research. Eur. J. Soc. Psych. 31(5):467–475.

Chen Y, Harper FM, Konstan J, Li SX (2010) Social comparisons

and contributions to online communities: A field experiment on

MovieLens. Amer. Econom. Rev. 100(4):1358–1398.

Coles PA, Lakhani KR, McAfee A (2007) Prediction markets at

Google. Harvard Business School Case 9-607-088.

Cowgill B, Zitzewitz E (2015) Corporate prediction markets: Evidence

from Google, Ford, and firm X*. Rev. Econom. Stud. 82(4):

1309–1341.

Daniel K, Hirshleifer D, Subrahmanyam A (1998) Investor psychology

and security market under—and overreactions. J. Finance

53(6):1839–1885.

Deci EL, Ryan RM (2000) The “what” and “why” of goal pursuits:

Human needs and the self-determination of behavior. Psych.

Inquiry 11(4):227–268.

Duffy J, Kornienko T (2010) Does competition affect giving?

J. Econom. Behav. Organ. 74(1):82–103.

Easley D, Ghosh A (2013) Incentives, gamification, and game theory:

An economic approach to badge design. Conitzer V, McAfee P,

eds. Proc. Fourteenth ACM Conf. Electronic Commerce (ACM, New

York), 359–376.

Fang F, Stinchcombe MB, Whinston AB (2010) Proper scoring rules

with arbitrary value functions. J. Math. Econom. 46(6):1200–1210.

Fehr E, Falk A (2002) Psychological foundations of incentives. Eur.

Econom. Rev. 46(4):687–724.

Frey BS, Meier S (2004) Social comparisons and pro-social behavior:

Testing “conditional cooperation” in a field experiment. Amer.

Econom. Rev. 94(5):1717–1722.

Gabaix X, Laibson D, Moloche G,Weinberg S (2006) Costly information

acquisition: Experimental analysis of a boundedly rational

model. Amer. Econom. Rev. 96(4):1043–1068.

Gächter S, Fehr E (1999) Collective action as a social exchange.

J. Econom. Behav. Organ. 39(4):341–369.

Ghosh A (2012) Social computing and user-generated content:

Agame-theoretic approach.ACMSIGecom Exchanges 11(2):16–21.

Ghosh A, Hummel P (2014) A game-theoretic analysis of rankorder

mechanisms for user-generated content. J. Econom. Theory

154:349–374.

Ghosh A, McAfee P (2011) Incentivizing high-quality user-generated

content. Bertino E, Kumar R, eds. Proc. 20th Internat. Conf. World

Wide Web (ACM, New York), 137–146.

Glazer A, Konrad KA (1996) A signaling explanation for charity.

Amer. Econom. Rev. 86(4):1019–1028.

Goes PB, Lin M, Au Yeung CM (2014) “Popularity effect” in usergenerated

content:Evidencefromonline product reviews. Inform.

Systems Res. 25(2):222–238.

Grossman S (1976) On the efficiency of competitive stock markets

where trades have diverse information. J. Finance 31(2):

573–585.

Grossman SJ, Stiglitz JE (1980) On the impossibility of informationally

efficient markets. Amer. Econom. Rev. 70(3):393–408.

Guo Z, Fang F, Whinston AB (2006) Supply chain information sharing

in a macro prediction market. Decision Support Systems

42(3):1944–1958.

Harsanyi JC (1969) Rational-choice models of political behavior

vs. functionalist and conformist theories. World Politics 21(4):

513–538.

Healy PJ, Linardi S, Lowery JR, Ledyard JO (2010) Prediction markets:

Alternative mechanisms for complex environments with

few traders. Management Sci. 56(11):1977–1996.

Hopman JW (2007) Using forecasting markets to manage demand

risk. Intel Technol. J. 11(2):127–136.

Kankanhalli A, Tan BC, Wei KK (2005) Contributing knowledge to

electronic knowledge repositories: An empirical investigation.

MIS Quart. 29(1):113–143.

Koenker R, Hallock K (2001) Quantile regression: An introduction.

J. Econom. Perspect. 15(4):43–56.

Lepper MR, Greene DE (1978) The Hidden Costs of Reward: New Perspectives

on the Psychology of Human Motivation (Lawrence Erlbaum,

Hillsdale, NJ).

Lerner J, Tirole J (2002) Some simple economics of open source.

J. Indust. Econom. 50(2):197–234.

Leuven E, Oosterbeek H, Klaauw B (2010) The effect of financial

rewards on students’ achievement: Evidence from a randomized

experiment. J. Eur. Econom. Assoc. 8(6):1243–1265.

Ma M, Agarwal R (2007) Through a glass darkly: Information technology

design, identity verification, and knowledge contribution

in online communities. Inform. Systems Res. 18(1):42–67.

Manski CF (1993) Identification of endogenous social effects: The

reflection problem. Rev. Econom. Stud. 60(3):531–542.

Montgomery TA, Stieg PM, Cavaretta MJ, Moraal PE (2013) Experience

from hosting a corporate prediction market: Benefits

beyond the forecasts. Dhillon IS, Koren Y, Ghani R, Senator TE,

Bradley P, Parekh R, He J, Grossman RL, Uthurusamy R, eds.

Proc. 19th ACM SIGKDD Internat. Conf. Knowledge Discovery Data

Mining (ACM, New York), 1384–1392.

Osterloh M, Frey BS (2000) Motivation, knowledge transfer, and organizational

forms. Organ. Sci. 11(5):538–550.

Plott CR, Chen KY (2002) Information aggregation mechanisms:

Concept, design and implementation for a sales forecasting

problem.Working Paper 1131, California Institute of Technology

Social Science, Pasadena.

Qiu L, Rui H, Whinston AB (2014a) Effects of social networks on prediction

markets: Examination in a controlled experiment. J. Management

Inform. Systems 30(4):235–268.

Qiu L, Rui H, Whinston AB (2014b) The impact of social network

structures on prediction market accuracy in the presence

of insider information. J. Management Inform. Systems 31(1):

145–172.

Rege M, Telle K (2004) The impact of social approval and framing

on cooperation in public good situations. J. Public Econom.

88(7):1625–1644.

Ren Y, Kraut R, Kiesler S (2007) Applying common identity and

bond theory to design of online communities. Organ. Stud. 28(3):

377–408.

Roberts JA, Hann IH, Slaughter SA (2006) Understanding the motivations,

participation, and performance of open source software

developers: A longitudinal study of the Apache projects. Management

Sci. 52(7):984–999.

Scheinkman JA, Xiong W (2003) Overconfidence and speculative

bubbles. J. Political Econom. 111(6):1183–1220.

Schlack JW (2015) Ask your customers for predictions, not preferences.

Harvard Bus. Rev. (January 5), https://hbr.org/2015/01/

ask-your-customers-for-predictions-not-preferences.

Servan-Schreiber E, Wolfers J, Pennock DM, Galebach B (2004) Prediction

markets: Does money matter? Electronic Markets 14(3):

243–251.

Shang J, Croson R (2009) A field experiment in charitable contribution:

The impact of social information on the voluntary provision

of public goods. Econom. J. 119(540):1422–1439.

Shriver SK, Nair HS, Hofstetter R (2013) Social ties and usergenerated

content: Evidence from an online social network.

Management Sci. 59(6):1425–1443.

Singh PV, Tan Y, Mookerjee V (2011) Network effects: The influence

of structural social capital on open source project success. MIS

Quart. 35(4):813–829.

Spann M, Skiera B (2003) Internet-based virtual stock markets for

business forecasting. Management Sci. 49(10):1310–1326.

Toubia O, Stephen AT (2013) Intrinsic vs. image-related utility in

social media: Why do people contribute content to Twitter? Marketing

Sci. 32(3):368–392.

Van Zomeren M, Postmes T, Spears R (2008) Toward an integrative

social identity model of collective action:Aquantitative research

synthesis of three socio-psychological perspectives. Psych. Bull.

134(4):504–535.

Wasko MM, Faraj S (2005) Why should I share? Examining social

capital and knowledge contribution in electronic networks of

practice. MIS Quart. 29(1):35–57.

Wolfers J, Zitzewitz E (2004) Prediction markets. J. Econom. Perspect.

18(2):107–126.

Wooldridge JM (2002) Econometric Analysis of Cross Section and Panel

Data (MIT Press, Cambridge, MA).

Xia M, Huang Y, Duan W, Whinston AB (2012) To continue sharing

or not to continue sharing? An empirical analysis of user decision

in peer-to-peer sharing networks. Inform. Systems Res. 23(1):

247–259.

Zhang X, Wang C (2012) Network positions and contributions to

online public goods: The case of Chinese Wikipedia. J. Management

Inform. Systems 29(2):11–40.

Zhang X, Zhu F (2011) Group size and incentives to contribute:

A natural experiment at Chinese Wikipedia. Amer. Econom. Rev.

101(4):1601–1615.