earticle

영어

Global crowdfunding platforms are growing in popularity as a source of funding for entrepreneurs. Much of the prior research on crowdfunding has focused on project success factors, and an under-researched topic is the linguistic style of founders. A small number of researchers have examined the linguistic characteristics of content within reward-based crowdfunding. According to speech act theory, not only what founders try to convey, but also how they convey it(i.e. their linguistic style) is likely to affect performance. In this study, we use machine learning algorithms to analyze the impact of different founders' linguistic styles on fundraising performance in the crowdfunding context. Specifically, we use latent class analysis(LCA), an unsupervised learning method, to categorize combinations of linguistic styles into classes and analyze whether there are differences in funding performance based on these classes. We also utilize the Random Forest algorithm, a supervised learning method, to predict funding performance and explore the importance and direction of influence of each linguistic style variable based on Shapley value. For the empirical analysis, we collected data from 16,279 campaigns on Kiva, a crowdfunding site. Linguistic style was measured using the linguistic inquiry and word count(LIWC) program. The LCA revealed that four linguistic style tiers were the best fit, and there were significant differences in fundraising performance across tiers. The random forest model predicted fundraising performance relatively accurately(AUC = .71), and the importance of the variables was in the following order: word count, external focus, analytical style, and positive style.

한국어

창업가의 자금조달 창구로 글로벌 크라우드 펀딩 플랫폼은 높은 성장세를 보이고 있다. 크라우드 펀딩 에 관한 선행연구는 대부분 프로젝트 성공 요인에 초점을 맞추었으며, 충분히 연구되지 않은 주제로는 창업가의 언어적 스타일이 있다. 소수의 선행연구자가 보상 기반 크라우드 펀딩 내의 콘텐츠의 언어적 특성을 조사했다. 화행이론에 따르면, 창업가가 전달하려는 내용뿐만 아니라, 전달하는 방법(i.e. 언어적 스타일)도 성과에 영향을 미칠 가능성이 크다. 따라서, 본 연구에서는 크라우드 펀딩 맥락에서 창업가 의 다양한 언어적 스타일이 자금조달 성과에 미치는 영향을 머신러닝 알고리즘을 이용하여 분석하고 자 한다. 구체적으로 비지도 학습(unsupervised learning) 방법인 잠재계층분석(latent class analysis: LCA) 을 통해 언어적 스타일의 조합을 계층으로 분류하고, 이러한 계층에 따라 자금조달 성과에 차이가 있 는지 분석한다. 또한, 지도 학습(supervised learning) 방법인 랜덤 포레스트(random forest) 알고리즘을 활용하여 자금조달 성과를 예측하고, shapley value를 기반으로 각 언어적 스타일 변수의 중요도와 영 향력 방향을 탐색한다. 실증 분석을 위해, 크라우드 펀딩 사이트인 Kiva에서 16,279개의 캠페인 데이터 를 수집하였다. 언어적 스타일은 LIWC(Linguistic Inquiry and Word Count) 프로그램을 활용하여 측정하 였다. 분석 결과, LCA를 통해 4개의 언어적 스타일 계층이 가장 적합한 것으로 나타났으며, 계층에 따 라 자금조달 성과에 유의미한 차이가 있었다. 또한, 랜덤 포레스트 모델은 자금조달 성과를 비교적 정 확하게 예측했으며(AUC = .71), 단어 수, 외부초점 스타일, 분석적 스타일, 긍정적 스타일 순으로 변수 중요도가 나타났다.