怎么才能在大模型时代，更好地通过大模型（LLM）来挣钱？写软文拿打赏，画海报给甲方，或者制作视频来打造个人IP？不够，还想要更直接一点的方式？那有没有一种可能，直接通过LLM材料来筹钱呢？**
听起来似乎有些玄幻吧，但确实是有可能的，经过最近一份研究的分析，如果可以巧妙地把大模型运用于对众筹文案语言的优化，可以使得众筹文案被更多人所接受，并提高获得筹款的概率11.9%！
论文标题:
Using Artificial Intelligence to Unlock Crowdfunding Success for Small Businesses
论文链接:
https://arxiv.org/pdf/2407.09480.pdf
众筹
小型企业是经济的重要基础，然而与大公司相比，小企业在面对政策变化和经济衰退时财务上更为脆弱，且它们能够获得的财务支持资源相对有限。这种挑战在像2008年金融危机、COVID-19疫情封锁和不可抗力自然灾害这样的经济冲击期间尤为突出。因此，随着经济形势的不断变化，小企业越来越多地转向众筹平台寻求财务支持。预计到2031年，这类资金的年交易量将达到68亿美元。
然而，因为许多从业者在组织成功的众筹活动方面经验有限，超过40%的众筹活动未能筹集到任何资金，尤其是来自欠发达地区的企业（如下图，圆圈的大小表示活动的总数，颜色表示资助活动的平均百分比）。
为了解决这一挑战，以往的研究已经调查了各种促进众筹的活动策略，包括使用匹配捐赠和提供感谢礼物等。但这些机制往往受到财务和后勤限制，导致在现实世界中应用有限。相比之下，企业主对他们活动的文案却有更多的控制权和灵活性，允许他们将实用的语言表述增强融入他们精心制作的信息中，比如使文案更具情感吸引力并更符合社会导向，更多地关注捐赠者或受赠者的利益，或使用不常见的词汇来传达他们的故事。
然而，在缺乏准确理解文本的方法的情况下，以往关于语言因素的研究仅限于词汇和句法分析，这种限制阻碍了对文案中语言表达的范围、深度和复杂性的完整理解，包括筹款活动的策略性呈现，预算计划和商业历史等关键方面。随着LLM对语言理解能力的不断提高，使得LLM对众筹活动文案进行分析成为可能。
方法
首先，本文从GoFundMe平台收集了2020年1月22日至2020年12月31日期间，即COVID-19大流行初期11,274个"受冠状病毒影响的小企业救济"类别的筹款活动数据。随后本文对数据进行了清洗，排除了非商业活动、美国以外的活动以及缺少关键信息的活动，确保了数据集的准确性和相关性。
为了深入理解影响众筹成功的各种因素，本文共构建了168个特征，这些特征被分为四组：文本描述特征、活动配置特征、新冠冲击程度特征和本地人口统计特征。
文本描述特征：通过LLM（如ChatGPT）和基于词典的方法（如LIWC-22）来提取的，包括了语义、情感、文本复杂性等多个维度。 活动配置特征：涵盖了筹款目标金额、组织者性别等元信息。 大新冠冲击程度特征：通过控制COVID-19在不同地区的严重程度来衡量。 本地人口统计特征：基于2019年美国社区调查（ACS）数据，以反映地区社会经济和人口统计背景。
本文采用了Light Gradient-Boosting Machine（LightGBM）模型用于筹款活动成功与否的预测，LightGBM是一种非线性基于树的机器学习模型，以其高解释性和计算效率而著称。本文的目标不仅是测试特征的预测能力，更重要的是探索可操作的洞察，以指导撰写有效的众筹活动文案。为评估模型的性能，本文将数据集根据时间依赖知识划分为训练集、验证集和测试集，并根据验证集的F1分数严格调整超参数。
此外，本文还通过ChatGPT-4对500个活动描述进行了重写，调整了与最佳预测模型识别的重要特征相对应的特定文案方面。然后，通过线下模拟分析和在线随机实验两种补充分析方法来评估AI修订的活动文案的有效性。线下模拟分析估计了GPT增强活动获得资金支持的反事实可能性，而在线随机实验则直接比较了AI增强前后的活动描述。通过这些方法，本文旨在验证AI在优化众筹活动描述方面的潜力，并为小企业提供实用的策略，以提高其众筹活动的成功率。
实验结果
预测结果
LightGBM模型对小企业众筹活动成功与否的预测成效显著，在测试集达到了81%的准确率，相较于基线的均匀猜测模型，这一准确率提高了36.59%。通过对模型特征重要性的解读（下图a），本文发现文本特征在提升预测准确性方面贡献最大，占到了80.33%，其次是地区人口统计特征（10.76%）、活动配置（6.75%）以及地区疫情冲击的严重程度（2.16%）。特别地，仅确认筹款实体为小企业身份这一单一特征，就对预测准确性的提升贡献了36%。此外，本文还进行了消融研究，比较了有无文本特征组的预测模型性能，进一步验证了文本特征的重要性。
在个体文本特征与筹款结果的具体关系方面，本文通过训练逻辑回归模型，深入理解了这些特征对活动成功的影响（下图b）。研究发现，较长的描述与更高的捐赠可能性相关联，这与Kickstarter众筹平台上的先前研究一致。此外，在活动描述中使用第一人称复数代词“We”和第二人称代词“You”与筹款成功呈正相关。此外，使用更多音节的词汇与较低的筹款成功率相关，这与Kickstarter上的研究结果形成对比，可能因为GoFundMe平台上的小型企业筹款活动通常寻求资金以应对困难的经济环境，简单直接的语言可能更有效。
该研究还揭示了由LLM识别出的语义特征，例如，表明小企业已运营超过两年或突出其历史的活动更有可能获得资金；而明确指出是新业务的描述则不太受捐赠者青睐。此外，提及特定筹款目的，如支付租金或支持员工，以及提供额外激励措施，如感谢礼物和商店礼品卡，都能显著提高筹款成功率。令人意外的是，描述中包含自我比较或社会比较的表述与活动结果呈相反的相关性。与过去相比情况更糟的自我比较与筹款成功呈边际显著正相关，而将自己描绘为在产品质量或服务上优于同行的社会比较则不太可能获得资金支持。
反事实预测
该部分进一步探讨了如何通过AI增强的文本修改来提高众筹活动的成功率。本文首先从预测分析中识别出三个关键因素：明确披露匹配赠款的可用性、表达对捐赠者的感激之情、以及解释资金需求的紧迫性。这些因素被选中是因为它们允许我们在不损害活动文案真实性的前提下进行修改，从而验证这些可操作洞察的有效性。
因此，本文从未能满足所有这些标准的活动中随机抽取了500个样本，进行反事实模拟。随后采用标准的反事实分析方法，对每个活动文案中与感激之情、赠款匹配和紧迫性相关的句段进行了假设性的“纠正”，同时保持了所有其他措辞和活动配置不变。具体来说，本文通过GPT4模型，逐步增加对潜在捐赠者的真诚感谢、突出GoFundMe提供的匹配政策，并强调获得足够资金的紧迫性。为了确保GPT4在增加文本内容时不损害信息的真实性，采用了“思维链”提示来促进一系列中间推理步骤。
本文采用最佳表现的LightGBM模型预测这些假设活动获得资金的概率，并比较了GPT4增强文案和原始文案的活动之间的成功概率，以衡量文案编辑的有效性。结果显示，92%的活动在经过GPT4修订后比原始文案更有可能获得资金，平均而言，筹款成功率从GPT4增强前的33.2%提高到45.1%，平均提高了11.9%。这一提升在最初未获得资助的活动中尤为显著，这些活动获得资金的可能性从25.1%增加到41.1%；而最初已获得资助的活动筹款成功率的提高幅度较小，从50.2%增加到53.5% （下图a、b）。
为了排除观察到的GPT4增强效果仅仅是由于文本长度增加的替代假设，本文使用线性回归模型进行了鲁棒性检查。结果显示，即使在控制文本长度的情况下，GPT4增强的效果在统计上仍然显著。此外，本文还探讨了GPT4增强对众筹公平性的潜在贡献，发现在教育水平较低的城市和由女性组织者发起的活动中，GPT4增强对提高获得资金的可能性的影响更大。
在线实验
在线实验部分旨在验证通过预测分析得到洞察的有效性，并测试GPT4增强对众筹活动文案的人类偏好影响。实验设计了三种条件：原始活动使用原始的众筹文案；GPT4增强文案；GPT4扩展文案，使用GPT4对原始介绍进行了释义和扩展，但未添加新信息。在线实验中，每位参与者都被呈现了两对随机的众筹活动介绍。对于每对活动，参与者需要比较原始、GPT4增强和GPT4扩展三种文案的变体。实验中的顺序是随机的，且参与者需要对每一对众筹活动介绍进行两项评估：一是他们自己的捐赠偏好，二是他们对大多数人偏好的预测。
实验结果显示，83%的参与者更倾向于选择经过GPT4增强文案，而82%的参与者偏好GPT4增强版本多于GPT4扩展版本。此外，GPT4扩展版本相比原始文案也获得了61%参与者的偏好。通过对参与者的进一步调查，本文发现表达感激之情、确认匹配赠款的可用性以及资金需求的紧迫性是影响他们决策的关键因素。这些定性证据验证了通过LightGBM发现的洞察在GPT4修订中得到了成功传递。
结论与展望
“不需要任何更多投入，只需要改进文案就可以极大增加众筹成功的概率！” 本文的研究揭示通往众筹成功之门的途径，尤其考虑到当前全球所共同面临的财政债务和资金限制，小企业比以往任何时候都更需要这样的帮助。本文发现，简单地在众筹活动文案中确认匹配赠款的可用性、表达感谢以及阐明资金需求的紧迫性，就可以显著提高获得捐赠的概率。这些策略不仅易于实施，而且对于大多数活动来说都是普遍适用的，特别对于那些最初不被看好成功的活动，这些调整提供了一个显著的机会来改善它们的结果。
本文的研究还发现了一些可以在未来实践中进一步验证的洞察，例如，如果小企业在文案中为其请求的预算提供理由，包括详细说明所需资金的具体用途，如支付租金或员工工资，并解释为何在此时需要这些资金，它们更有可能获得资金支持。此外，捐赠者对于新企业提高资金支持的可能性较低，这可能与风险规避理论有关，也与有关初创公司筹资的现有文献相一致。鉴于此，可能需要为新企业和初创公司创建专门的政策或机制，以辅助初创公司孵化，尤其在经济下行或存在新冠流行这样的外部挑战期间。
总的来说，生成式AI的发展为理解和分析文本沟通提供了卓越的解决方案，对于小企业来说，调用类似GPT4这样的大模型接口进行文案修订是非常容易且几乎不消耗成本的，而回报则很可能远远大过投入。因此，本文对于生成式AI的落地应用也是一个很好的启示，随着AI技术的不断进步，我们期待着这些能力可以激发更多创新的应用，并帮助个人和企业取得更大的成功。
