大模型“挣钱”新方法！用GPT-4优化众筹文稿，提高筹款成功率11.9%！

怎么才能在大模型时代，更好地通过LLM来挣钱？写软文拿打赏、画海报给甲方、做视频打造个人IP……这些路子都不错，但还想要更直接一点的？那有没有一种可能——直接通过LLM材料来筹钱呢？

听起来有点玄幻吧？但还真有这回事。最近一份研究分析发现，如果把大模型巧妙运用于众筹文案的语言优化，可以让文案被更多人接受，并且提高获得筹款的概率——整整11.9%！

:
Using Artificial Intelligence to Unlock Crowdfunding Success for Small Businesses

:
https://arxiv.org/pdf/2407.09480.pdf

众筹

小型企业是经济的重要基石，但跟大公司相比，它们在面对政策变化和经济衰退时财务上更脆弱，能获得的财务支持资源也相对有限。这一点在2008年金融危机、COVID-19疫情封锁、以及不可抗力的自然灾害等冲击期间尤其明显。所以，随着经济形势不断变化，越来越多的小企业转向众筹平台寻求支持。预计到2031年，这类资金的年交易量将达到68亿美元。

可惜的是，很多从业者在组织成功的众筹活动方面经验有限——超过40%的众筹活动最终一分钱都没筹到，尤其是来自欠发达地区的企业（下图圆圈大小表示活动总数，颜色表示资助活动的平均百分比）。

为了解决这个难题，以往研究调查过各种促进众筹的策略，比如匹配捐赠、提供感谢礼物等。但这些机制往往受财务和后勤条件的限制，实际应用起来并不容易。相比之下，企业主对自己活动文案的控制权和灵活性就大多了——他们完全可以把实用的语言表达技巧融入到精心撰写的信息中，比如让文案更有情感吸引力、更符合社会导向、更多关注捐赠者或受赠者的利益，甚至用一些不常见的词汇来讲述故事。

然而，在缺乏准确理解文本方法的情况下，以往对语言因素的研究只能停留在词汇和句法分析层面。这种限制阻碍了我们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、商业历史等关键方面。但大模型对语言理解能力的持续提升，让这一切成为了可能——用LLM来分析众筹活动文案，不再是空谈。

方法

首先，研究团队从GoFundMe平台收集了2020年1月22日至2020年12月31日期间——也就是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。随后进行数据清洗，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，研究人员构建了168个特征，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）提取，包括语义、情感、文本复杂性等多个维度。

• 活动配置特征
  ：包括筹款目标金额、组织者性别等元信息。

• 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，反映地区社会经济和人口统计背景。

预测模型方面，研究选用了Light Gradient-Boosting Machine（LightGBM）——一种非线性基于树的机器学习模型，解释性强且计算效率高。研究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。为了评估模型性能，数据集按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，研究还通过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，评估AI修订的活动文案的有效性。线下模拟分析估算了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AI增强前后的活动描述。通过这些方法，研究旨在验证AI在优化众筹活动描述方面的潜力，并为小企业提供实用策略。

实验结果

预测结果

LightGBM模型的预测表现相当亮眼——在测试集上达到了81%的准确率，比基线的均匀猜测模型提高了36.59%。对模型特征重要性的解读（下图a）显示，文本特征在提升预测准确性方面贡献最大，占比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%）。特别值得注意的是，仅仅确认筹款实体为小企业身份这一个特征，就对预测准确性贡献了36%的提升。消融研究也进一步验证了文本特征的重要性——比较有无文本特征组的预测模型性能，差异非常明显。

那么，具体到单个文本特征与筹款结果的关系呢？研究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）。结果发现：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。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。而使用更多音节的词汇则与较低的筹款成功率相关——这与Kickstarter上的研究结果形成对比，可能因为在GoFundMe平台上，小型企业筹款活动通常是为了应对困难的经济环境，简单直接的语言反而更有效。

研究还揭示了由LLM识别出的语义特征：比如，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，包含自我比较或社会比较的表述与活动结果呈相反相关性——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，而把自己描绘成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

接下来，研究探讨了一个更实际的问题：如何通过AI增强的文本修改来提高众筹活动的成功率？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，是因为它们可以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。

研究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。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”，同时保持所有其他措辞和活动配置不变。具体来说，通过GPT-4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GPT-4在增加文本内容时不损害信息的真实性，研究采用了“思维链”提示来促进一系列中间推理步骤。

然后，使用表现最佳的LightGBM模型预测这些假设活动获得资金的概率，并比较GPT-4增强文案和原始文案的活动之间的成功概率。结果显示：92%的活动在经过GPT-4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——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GPT-4增强效果仅仅是由于文本长度增加的替代假设，研究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，GPT-4增强的效果在统计上仍然显著。此外，研究还探讨了GPT-4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，GPT-4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GPT-4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（使用原始众筹文案）、GPT-4增强文案、GPT-4扩展文案（使用GPT-4对原始介绍进行释义和扩展，但未添加新信息）。在线实验中，每位参与者都被呈现两对随机的众筹活动介绍，需要比较原始、GPT-4增强和GPT-4扩展三种文案的变体。实验顺序随机，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GPT-4增强的文案，82%的参与者偏好GPT-4增强版本多于GPT-4扩展版本。此外，GPT-4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GPT-4修订中得到了成功传递。

结论与展望

这句话听起来像是一句口号，但研究数据实实在在证明了这一点。在当前全球普遍面临财政债务和资金限制的背景下，小企业比以往任何时候都更需要这样的帮助。研究发现，简单地在众筹活动文案中、以及，就可以显著提高获得捐赠的概率。这些策略不仅易于实施，而且对大多数活动都普遍适用——特别是那些最初不被看好的活动，这些调整提供了一个显著的机会来改善它们的结果。

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，那么它们更有可能获得资金支持。此外，捐赠者对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，或许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，尤其是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GPT-4这样的大模型接口进行文案修订，几乎不消耗成本，而回报很可能远远大过投入。这项研究也是生成式AI落地应用的一个很好的启示：随着AI技术的不断进步，我们期待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。