DOI: https://doi.org/10.3390/jtaer21010028
تاريخ النشر: 2026-01-08
المؤلف: Hakan Gunduz وآخرون
الموضوع الرئيسي: التكنولوجيا المالية، التمويل الجماعي، المالية الرقمية
نظرة عامة
تقدم هذه الدراسة إطار عمل هجين للذكاء الاصطناعي مصمم للتنبؤ بنجاح حملات التمويل الجماعي، باستخدام تمثيلات BERT المعدلة بدقة، ووحدة انتباه كتلة الالتفاف المعززة (CBAM)، ومهارات اختيار الميزات الميتا-heuristic. يعالج الإطار بفعالية التحديات التي تطرحها البيانات النصية عالية الأبعاد، محققًا دقة تبلغ 77.8%، ودرجة F1 تبلغ 0.821، ومعامل ارتباط ماثيو (MCC) يبلغ 0.515، مع تقليل مجموعة الميزات بشكل كبير من موتر BERT الأصلي 64 × 768 × 4 إلى 117 بعدًا فقط. يظهر النموذج أداءً قويًا تحت التحقق من صحة الوقت، مما يشير إلى موثوقيته خارج التحقق العشوائي المتقاطع.
تشمل النتائج الرئيسية فعالية CBAM في ضغط البيانات مع تعزيز الدقة التنبؤية مقارنة بأساليب تقليل الأبعاد التقليدية، وتفوق تقنية تحسين الأرنب الاصطناعي (ARO) في توليد مجموعات ميزات مضغوطة على الخوارزمية الجينية (GA) وجايا. بالإضافة إلى ذلك، تتفوق مصنفات الذاكرة طويلة وقصيرة المدى (LSTM) باستمرار على آلات تعزيز التدرج (GBM)، مما يبرز أهمية الهياكل المدركة للتسلسل في التقاط الهيكل السردي لوصف الحملات. يجعل التصميم المدمج للإطار وقدرات الاستدلال السريعة مناسبة للتطبيقات في الوقت الحقيقي على منصات التمويل الجماعي، مما يوفر رؤى قيمة لمبدعي الحملات ومديري المنصات. بشكل عام، لا تعزز هذه العمل الأساليب المنهجية في التحليلات التنبؤية فحسب، بل توفر أيضًا أدوات عملية لتعزيز اتخاذ القرار في سياقات التجارة الرقمية.
مقدمة
تناقش مقدمة ورقة البحث تطور التمويل الجماعي كآلية تمويل بديلة هامة للشركات الناشئة، خاصة بعد الأزمة المالية العالمية عام 2008. تسلط الضوء على كيفية تمكين منصات مثل Kickstarter وIndiegogo رواد الأعمال من جمع رأس المال من خلال بيع المنتجات مسبقًا التي لا تزال غالبًا قيد التطوير، مما يحول المستهلكين إلى مستثمرين مشاركين. على الرغم من شعبيته المتزايدة، تفشل العديد من حملات التمويل الجماعي في تحقيق أهدافها التمويلية، حيث يعتمد النجاح إلى حد كبير على عدد الداعمين ومساهماتهم المتوسطة. وهذا يستلزم استراتيجيات فعالة لجذب الانتباه وتقديم مقترحات قيمة مقنعة.
تشدد الورقة على تعقيد التنبؤ بنجاح التمويل الجماعي بسبب الطبيعة غير المتجانسة وغير المنظمة للبيانات المدخلة، والتي تشمل السرديات الحملة وإشارات التفاعل. تعتبر طرق التنبؤ بالتجارة الإلكترونية التقليدية غير كافية، مما يستدعي الحاجة إلى أنظمة دعم القرار المدفوعة بالذكاء الاصطناعي القادرة على تحليل المحتوى النصي الغني. تقترح الدراسة إطار عمل جديد للتعلم العميق يستخدم مشفرًا تلقائيًا معززًا بـ CBAM لضغط دلالي موجه للتمثيلات عالية الأبعاد لـ BERT، جنبًا إلى جنب مع خوارزميات اختيار الميزات الميتا-heuristic. يهدف هذا النهج إلى تحسين الدقة التنبؤية والكفاءة الحسابية، محققًا أكثر من 95% من تقليل أبعاد الميزات مع الحفاظ على ملاءمتها للتطبيقات الواقعية. يمثل الإطار تقدمًا منهجيًا في تحليلات التمويل الجماعي، حيث يعالج تحديات التنبؤ في المراحل المبكرة ويعزز القيمة الاستراتيجية لنظم التمويل الجماعي.
الطرق
تعالج المنهجية المقترحة الفجوات المحددة في الأدبيات المتعلقة بضغط التمثيلات المعتمدة على الانتباه واختيار الميزات الميتا-heuristic للتنبؤ بنجاح التمويل الجماعي. يقدم المؤلفون إطار عمل ذكاء اصطناعي متعدد المراحل مصمم خصيصًا لقطاع التمويل الجماعي في التجارة الرقمية، والذي يدير بفعالية التعقيد الدلالي، والأبعاد العالية، والضوضاء الكامنة في وصف الحملات. يدمج هذا الإطار تقنيات معالجة اللغة الطبيعية المتقدمة، بما في ذلك تمثيلات النص السياقية، ومشفرًا تلقائيًا جديدًا لضغط التمثيلات العميقة، وخوارزميات ميتا-heuristic لتقليل الأبعاد، إلى جانب مصنفين: الذاكرة طويلة وقصيرة المدى (LSTM) وآلة تعزيز التدرج (GBM).
يتكون الإطار من عدة مراحل رئيسية: (1) معالجة البيانات، حيث يتم تنظيف وصف الحملات وتجزئته؛ (2) استخراج الميزات، باستخدام BERT لتوليد تمثيلات سياقية تلتقط الأنماط الإقناعية؛ (3) ضغط الميزات العميقة، باستخدام مشفر تلقائي معزز بـ CBAM لضغط تمثيلات BERT مع الحفاظ على الثراء الدلالي؛ و(4) اختيار الميزات، حيث يتم تطبيق خوارزميات تحسين ميتا-heuristic (الخوارزمية الجينية، جايا، وتحسين عشوائي تكيفي) لتحديد الميزات الأكثر صلة، وبالتالي زيادة التمييز بين الحملات الناجحة وغير الناجحة. تظهر النتائج التجريبية، التي أجريت باستخدام بايثون ومكتبات تعلم الآلة المختلفة، فعالية استراتيجيات تقليل الأبعاد واختيار الميزات في تعزيز دقة التنبؤ بنجاح حملات التمويل الجماعي. تم تحسين المعلمات الفائقة للمصنفين من خلال البحث الشبكي وتم التحقق منها باستخدام التحقق المتقاطع 5-fold.
المناقشة
تسلط المناقشة حول نظام التمويل الجماعي الضوء على تطوره كنموذج تمويل لامركزي يمكّن رواد الأعمال من جمع مساهمات صغيرة من مجموعة كبيرة من الأفراد عبر المنصات الإلكترونية. يعالج هذا النموذج قيود الأسواق المالية التقليدية، ويقدم آليات تمويل متنوعة، تصنف بشكل أساسي إلى نماذج “احتفظ بكل شيء” و”كل شيء أو لا شيء”، بالإضافة إلى أربعة أنواع من التمويل الجماعي: القائم على الأسهم، القائم على الائتمان، القائم على التبرعات، والقائم على المكافآت. لقد اكتسب نموذج “كل شيء أو لا شيء” شهرة لتعزيز الثقة وتقليل المخاطر لكل من المبدعين والداعمين. تلعب منصات التمويل الجماعي دورًا حاسمًا كوسطاء، مما يسهل التفاعلات ويشكل ديناميكيات المشاركة والثقة داخل النظام.
تؤكد أهمية التنبؤ بنجاح الحملات، حيث يتم تعريف الحملات الناجحة من خلال تحقيق أهدافها التمويلية ضمن أطر زمنية محددة. على الرغم من إمكانيات التمويل الجماعي، تشير الأدلة التجريبية إلى انخفاض معدلات النجاح عبر المنصات، مما يستدعي تطوير نماذج تنبؤية. تستفيد هذه النماذج جميع أصحاب المصلحة: فهي تساعد المؤسسين في تحسين المقترحات، وتوجه الداعمين في اتخاذ قرارات استثمار مستنيرة، وتساعد المنصات في تنسيق الحملات ذات الإمكانيات العالية. يمكن أن تعزز الرؤى التنبؤية اتخاذ القرار، وتحسين تخصيص الموارد، وفي النهاية تحسين الثقة في نظام التمويل الجماعي. مع استمرار نضوج التمويل الجماعي، يصبح فهم العوامل المؤثرة في نجاح الحملات أمرًا حيويًا بشكل متزايد لرواد الأعمال والباحثين وصانعي السياسات الذين يهدفون إلى تعزيز النمو الشامل.
القيود
تسلط القيود في الدراسة الضوء على عدة مجالات حاسمة يجب أخذها في الاعتبار عند تفسير النتائج. أولاً، مجموعة البيانات محدودة بحملات Kickstarter من عام 2018، مما يقيد العمومية الزمنية للنتائج. على الرغم من تنفيذ تحقق زمني متجدد لمعالجة هذه المشكلة، قد تؤثر التغيرات في سلوك المبدعين، أو سياسات المنصات، أو تفضيلات الداعمين مع مرور الوقت على قوة النموذج. يجب أن تهدف الأبحاث المستقبلية إلى تقييم الإطار باستخدام مجموعات بيانات أكثر حداثة لتعزيز قابليته للتطبيق.
ثانيًا، التحليل مقصور على أوصاف الحملات باللغة الإنجليزية، مما يقدم تحيزات لغوية ومنصات محتملة قد تحد من ملاءمته للمنصات غير الإنجليزية أو الثقافات المختلفة. يعد توسيع النهج ليشمل مجموعات بيانات متعددة اللغات ومنصات بديلة مثل Indiegogo أو GoFundMe خطوة منطقية تالية. بالإضافة إلى ذلك، فإن الاعتماد على أوصاف الحملات النصية يستثني الإشارات متعددة الوسائط مثل الصور، ومقاطع الفيديو، والتفاعلات الاجتماعية، والتي من المعروف أنها تؤثر على نجاح الحملات. يلتقط هذا التركيز الجانب اللغوي للإقناع ولكنه يتجاهل السياق الأوسع متعدد الوسائط.
علاوة على ذلك، قد تؤدي الطبيعة العشوائية للخوارزميات الميتا-heuristic المستخدمة لتحديد مجموعات الميزات إلى تباين في اختيار الميزات عبر عمليات مختلفة. على الرغم من استخدام تدابير مثل البذور العشوائية الثابتة ومتوسط التحقق المتقاطع للتخفيف من هذا التباين، فإن العمل الإضافي على تحليل الاستقرار وأدوات التفسير، مثل الشروحات المعتمدة على SHAP، ستحسن الشفافية. أخيرًا، تعترف الدراسة بتنوع الفئات على مستوى Kickstarter، مما يثير اعتبارات العدالة. على الرغم من عدم استخدام تسميات فئات المشاريع مباشرة كميزات تنبؤية، قد تنشأ ارتباطات غير مباشرة من خلال الأنماط اللغوية. من الضروري إجراء تدقيق منهجي للعدالة، بما في ذلك تحليل الأداء المشروط بالفئة وقياسات تقييم واعية بالتحيز، لضمان عدم تفضيل دقة التنبؤ بشكل غير متناسب لأنواع معينة من الحملات. تؤكد هذه القيود على الحاجة إلى أبحاث مستقبلية في التكامل متعدد الوسائط، والتحقق عبر المنصات، والنمذجة الواعية بالعدالة، وتعزيز القابلية للتفسير.
DOI: https://doi.org/10.3390/jtaer21010028
Publication Date: 2026-01-08
Author(s): Hakan Gunduz et al.
Primary Topic: FinTech, Crowdfunding, Digital Finance
Overview
This research presents a hybrid AI framework designed to predict the success of crowdfunding campaigns, specifically utilizing fine-tuned BERT embeddings, a Convolutional Block Attention Module (CBAM)-enhanced convolutional autoencoder, and meta-heuristic feature selection techniques. The framework effectively addresses the challenges posed by high-dimensional textual data, achieving an accuracy of 77.8%, an F1-score of 0.821, and a Matthews correlation coefficient (MCC) of 0.515 while significantly reducing the feature set from an original 64 × 768 × 4 BERT tensor to just 117 dimensions. The model demonstrates robust performance under time-aware validation, indicating its reliability beyond random cross-validation.
Key findings include the effectiveness of CBAM in compressing data while enhancing predictive accuracy compared to traditional dimensionality reduction methods, and the superiority of the Artificial Rabbit Optimization (ARO) technique in generating compact feature subsets over Genetic Algorithm (GA) and Jaya. Additionally, Long Short-Term Memory (LSTM) classifiers consistently outperform Gradient Boosting Machines (GBM), highlighting the importance of sequence-aware architectures in capturing the narrative structure of campaign descriptions. The framework’s compact design and rapid inference capabilities make it suitable for real-time applications in crowdfunding platforms, offering valuable insights for campaign creators and platform managers. Overall, this work not only advances methodological approaches in predictive analytics but also provides practical tools for enhancing decision-making in digital commerce contexts.
Introduction
The introduction of the research paper discusses the evolution of crowdfunding as a significant alternative financing mechanism for startups, particularly following the 2008 Global Financial Crisis. It highlights how platforms like Kickstarter and Indiegogo enable entrepreneurs to raise capital by pre-selling products that are often still in development, thereby transforming consumers into co-investors. Despite its growing popularity, many crowdfunding campaigns fail to meet their funding goals, with success largely dependent on the number of backers and their average contributions. This necessitates effective strategies for attracting attention and presenting compelling value propositions.
The paper emphasizes the complexity of predicting crowdfunding success due to the heterogeneous and unstructured nature of input data, which includes campaign narratives and interaction signals. Traditional e-commerce forecasting methods are inadequate, prompting the need for AI-driven decision-support systems capable of analyzing rich textual content. The study proposes a novel deep learning framework that utilizes a CBAM-enhanced autoencoder for attention-guided semantic compression of high-dimensional BERT embeddings, combined with meta-heuristic feature selection algorithms. This approach aims to improve predictive accuracy and computational efficiency, achieving over 95% feature dimensionality reduction while maintaining suitability for real-world applications. The framework represents a methodological advancement in crowdfunding analytics, addressing the challenges of early-stage prediction and enhancing the strategic value of crowdfunding ecosystems.
Methods
The proposed methodology addresses identified gaps in the literature regarding attention-based embedding compression and meta-heuristic feature selection for predicting crowdfunding success. The authors introduce a multi-stage AI framework specifically designed for the digital commerce crowdfunding sector, which effectively manages the semantic complexity, high dimensionality, and noise inherent in campaign blurbs. This framework integrates advanced Natural Language Processing (NLP) techniques, including contextual text representations, a novel autoencoder for deep embedding compression, and meta-heuristic algorithms for dimensionality reduction, alongside two classifiers: Long Short-Term Memory (LSTM) and Gradient Boosting Machine (GBM).
The framework comprises several key stages: (1) Data Preprocessing, where campaign blurbs are cleaned and tokenized; (2) Feature Extraction, utilizing BERT to generate contextual embeddings that capture persuasive patterns; (3) Deep Feature Compression, employing a CBAM-enhanced autoencoder to compress BERT embeddings while preserving semantic richness; and (4) Feature Selection, where meta-heuristic optimization algorithms (Genetic Algorithm, Jaya, and Adaptive Random Optimization) are applied to identify the most relevant features, thereby maximizing the distinction between successful and unsuccessful campaigns. Experimental results, conducted using Python and various machine learning libraries, demonstrate the effectiveness of dimensionality reduction and feature selection strategies in enhancing prediction accuracy for crowdfunding campaign success. Hyperparameters for the classifiers were optimized through grid search and validated using 5-fold cross-validation.
Discussion
The discussion on the crowdfunding ecosystem highlights its evolution as a decentralized financing model that enables entrepreneurs to gather small contributions from a large pool of individuals via online platforms. This model addresses the limitations of traditional capital markets, offering various funding mechanisms, primarily categorized into “keep-it-all” and “all-or-nothing” models, as well as four types of crowdfunding: equity-based, credit-based, donation-based, and reward-based. The all-or-nothing model has gained prominence for enhancing trust and reducing risk for both creators and backers. Crowdfunding platforms play a crucial role as intermediaries, facilitating interactions and shaping the dynamics of participation and trust within the ecosystem.
The importance of predicting campaign success is emphasized, as successful campaigns are defined by achieving their funding targets within specified time frames. Despite the potential of crowdfunding, empirical evidence indicates low success rates across platforms, necessitating the development of predictive models. These models benefit all stakeholders: they assist founders in refining proposals, guide backers in making informed investment decisions, and help platforms curate high-potential campaigns. Predictive insights can enhance decision-making, optimize resource allocation, and ultimately improve trust in the crowdfunding ecosystem. As crowdfunding continues to mature, understanding the factors influencing campaign success becomes increasingly vital for entrepreneurs, researchers, and policymakers aiming to foster inclusive growth.
Limitations
The limitations of the study highlight several critical areas for consideration when interpreting the findings. Firstly, the dataset is limited to Kickstarter campaigns from 2018, which restricts the temporal generalizability of the results. Although a rolling time-aware validation was implemented to address this issue, changes in creator behavior, platform policies, or backer preferences over time may still impact the model’s robustness. Future research should aim to evaluate the framework using more recent datasets to enhance its applicability.
Secondly, the analysis is confined to English-language campaign blurbs, introducing potential linguistic and platform-specific biases that may limit its relevance to non-English or culturally distinct crowdfunding platforms. Expanding the approach to include multilingual datasets and alternative platforms like Indiegogo or GoFundMe is a logical next step. Additionally, the reliance on textual campaign blurbs excludes multimodal signals such as images, videos, and social interactions, which are known to influence campaign success. This focus captures the linguistic aspect of persuasion but neglects the broader multimodal context.
Furthermore, the stochastic nature of the meta-heuristic algorithms used to identify feature subsets may lead to variability in feature selection across different runs. While measures such as fixed random seeds and cross-validation averaging were employed to mitigate this variability, further work on stability analysis and interpretability tools, such as SHAP-based explanations, would improve transparency. Lastly, the study acknowledges category-level heterogeneity within Kickstarter, which raises fairness considerations. Although project category labels were not directly used as predictive features, indirect correlations may arise through linguistic patterns. Conducting a systematic fairness audit, including category-conditioned performance analysis and bias-aware evaluation metrics, is essential for ensuring that predictive accuracy does not disproportionately favor certain campaign types. These limitations underscore the need for future research in multimodal integration, cross-platform validation, fairness-aware modeling, and enhanced interpretability.