1. KichwaMiradi ya Metaverse si majukwaa ya kiufundi pekee, bali pia ni chumi za kidijitali ambamo jamii huingiliana kikamilifu. Katika ulimwengu wa mtandaoni kama vile Decentraland, watumiaji huwasiliana mara kwa mara kuhusu ardhi ya kidijitali, avata, matukio, NFT, na michakato ya utawala. Baadhi ya mawasiliano haya yanaweza kuonyesha uaminifu, kuridhika, au kukatishwa tamaa kuelekea jukwaa.Tokeni ya MANA ni rasilimali ya crypto inayohusiana na miamala ya rasilimali pepe na utawala katika mfumo wa ikolojia wa Decentraland. Kwa hivyo, ikiwa hisia za jamii zina uhusiano na bei au faida ya tokeni ni swali muhimu la utafiti.Tatizo kuu la utafiti ni hili: Je, ishara za hisia zinazopatikana kutoka kwa njia za jamii kama Discord zinaweza kutoa matokeo bora kuliko modeli za utabiri zinazotegemea historia ya bei pekee?Swali hili ni muhimu sana kwa chumi za metaverse. Kwa sababu katika miradi kama hii, mienendo ya bei haiathiriwi tu na soko kuu la crypto, lakini pia na uzoefu wa mtumiaji ndani ya jukwaa, maslahi ya jamii, matukio, masuala ya kiufundi, na mtazamo wa utawala.2. Muhtasari mfupiUtafiti unachanganya vyanzo viwili kuu vya data. Chanzo cha kwanza ni data ya soko la kila siku kwa tokeni ya MANA. Data hii inajumuisha nyanja za kawaida za kifedha kama vile bei ya ufunguzi, juu, chini, bei ya kufunga, kiasi cha biashara, na thamani ya soko. Chanzo cha pili ni jumbe za kituo cha #general katika jamii ya Discord ya Decentraland.Kwa data ya maandishi, modeli ya hisia ya mitandao ya kijamii inayotegemea RoBERTa hutumiwa. Kila ujumbe hupokea lebo ya hisia chanya, isiyoegemea upande wowote, au hasi. Kisha alama ya hisia ya kila siku inahesabiwa. Alama hii ya kila siku inaingizwa katika modeli ya LSTM ya lugha nyingi pamoja na bei, kiasi, na thamani ya soko.Katika utafiti huu, mbinu mbili za LSTM zinalinganishwa:Price-only baseline: Modeli inatumia tu maelezo ya kawaida ya bei.Multi-modal model: Modeli inatumia bei ya kawaida, kiasi cha biashara, thamani ya soko, na alama ya kila siku ya hisia za Discord kwa pamoja.Ulinganisho huu unalenga kupima ikiwa data ya hisia inatoa maelezo ya ziada ikilinganishwa na modeli ya bei pekee.3. Maelezo ya kinaFomula katika utafiti zinaonyesha jinsi bei ya MANA inavyowakilishwa, jinsi faida inavyohesabiwa, jinsi alama ya kila siku ya hisia inavyozalishwa kutoka kwa jumbe za Discord, na muundo wa msingi wa modeli ya utabiri ya LSTM.1. Bei ya kawaidaKatika utafiti, bei ya kawaida inatumika kupunguza bei ya kila siku kwa thamani moja ya uwakilishi:$$ \tau_t=\frac{1}{3}\left(P_t^H+P_t^L+P_t^C\right) $$Hapa $P_t^H$ inawakilisha bei ya juu zaidi ya siku; $P_t^L$, bei ya chini zaidi ya siku; $P_t^C$, bei ya kufunga. Bei ya kawaida inawakilisha anuwai ya bei ya ndani ya siku kwa njia iliyolainishwa zaidi, badala ya kuangalia tu kufungwa.2. Faida endelevuFaida ya tokeni inahesabiwa kama faida ya logarithmiki juu ya bei ya kawaida:$$ r_t=\ln\left(\frac{\tau_{t+1}}{\tau_t}\right) =\ln(\tau_{t+1})-\ln(\tau_t) $$Fomula hii hupima mabadiliko ya bei ya jamaa kati ya siku mbili zinazofuatana. Matumizi ya faida ya logi ni njia ya kawaida ya kufanya viwango vya bei kulinganishwa katika mfululizo wa muda wa kifedha.3. Lebo ya hisia katika kiwango cha ujumbeKwa kila ujumbe wa Discord, modeli hutoa lebo ya hisia:$$ s_{i,t}\in\{+1,0,-1\} $$Hapa $+1$ inaonyesha hisia chanya, $0$ isiyoegemea upande wowote, na $-1$ hisia hasi. $i$ inaonyesha ujumbe ndani ya siku hiyo hiyo; $t$ inaonyesha siku.4. Alama ya hisia ya kila sikuHisia ya kila siku inahesabiwa kwa kutumia hisia ya ujumbe na uaminifu wa modeli kwa pamoja:$$ S_t=\frac{1}{n_t}\sum_{i=1}^{n_t}s_{i,t}\gamma_{i,t} $$Hapa $n_t$ ni idadi ya jumbe katika siku ya $t$. $\gamma_{i,t}$ inawakilisha alama ya uaminifu wa modeli kwa ujumbe husika. Muundo huu hauzingatii mwelekeo wa lebo pekee, bali pia ni kiasi gani modeli inaamini lebo hiyo.5. Madarasa ya hisiaKatika utafiti, alama ya hisia ya kila siku imegawanywa katika kanda tatu:$$ S_t\in[-1,-0.1)\Rightarrow Negative $$$$ S_t\in[-0.1,0.1]\Rightarrow Neutral $$$$ S_t\in(0.1,1]\Rightarrow Positive $$Vizingiti hivi hutumiwa kufupisha hali ya jamii ya kila siku kama chanya, isiyoegemea upande wowote, au hasi.6. Vibadili vya ingizo vya LSTMKatika modeli ya bei pekee, ingizo ni bei ya kawaida tu:$$ x_t=\tau_t $$Katika modeli ya lugha nyingi, vekta ya ingizo inajumuisha vipengele vinne:$$ x_t=(\tau_t,V_t,M_t,S_t)^{\prime}\in\mathbb{R}^{4} $$Hapa $V_t$ inaonyesha kiasi cha biashara; $M_t$, thamani ya soko; na $S_t$, alama ya kila siku ya hisia za Discord. Muundo huu huruhusu modeli kuzingatia si tu historia ya bei, bali pia data ya jamii na taarifa za ukubwa wa soko.7. Muundo wa lango la LSTMKatika utafiti, utaratibu wa msingi wa lango la LSTM umeonyeshwa kwa urahisi kama ifuatavyo:$$ i_t=\sigma(W_i\cdot[h_{t-1},x_t]+b_i) $$$$ o_t=\sigma(W_o\cdot[h_{t-1},x_t]+b_o) $$Hapa $i_t$ inawakilisha lango la kuingia; na $o_t$, lango la kutoka. $\sigma$ ni chaguo la sigmoid. Kupitia malango haya, LSTM inajaribu kujifunza ni kiasi gani cha taarifa zilizopita inapaswa kubeba na ni kiasi gani inapaswa kuzingatia ingizo jipya.8. Kosa la wastani la mrabaKipimo cha kwanza kinachotumiwa kupima utendaji wa utabiri ni MSE:$$ MSE=T^{-1}\sum_{t=1}^{T}(r_t-\hat{r}_t)^2 $$MSE huadhibu makosa makubwa ya utabiri kwa ukali zaidi. Inatumika kupima jinsi modeli inatabiri faida kwa ukaribu kiasi gani.9. Kosa la wastani kamiliKipimo cha pili cha kosa ni MAE:$$ MAE=T^{-1}\sum_{t=1}^{T}|r_t-\hat{r}_t| $$MAE inatoa ukubwa wa wastani kamili wa makosa ya utabiri. Haichukulii makosa ya nje kwa ukali kama MSE inavyofanya.10. Nguvu ya maelezo: $R^2$Kiasi gani modeli inaweza kuelezea ubadilikaji wa faida hupimwa na $R^2$:$$ R^2=1-\frac{\sum_{t=1}^{T}(r_t-\hat{r}_t)^2}{\sum_{t=1}^{T}(r_t-\bar{r})^2} $$Wakati $R^2$ ni chanya, modeli inachukuliwa kuwa yenye maelezo zaidi ikilinganishwa na utabiri wa wastani. Katika utafiti huu, $R^2$ ilibaki hasi katika modeli zote mbili. Hii inaonyesha kuwa hata ukiongeza data ya hisia na soko, ubadilikaji mpana katika faida ya MANA bado hauwezi kuelezewa vya kutosha.4. Mbinu na matokeo ya utafitiKielelezo 1 katika PDF, kinaonyesha njia ya data ya utafiti. Jumbe za Discord hupitishwa kupitia modeli ya hisia inayotegemea RoBERTa. Alama ya hisia ya kila siku $S_t$ huundwa. Kisha alama hii huhamishiwa kwa modeli ya utabiri ya LSTM pamoja na viashiria vya kifedha kama vile bei ya kawaida $\tau_t$ na kiasi cha biashara $V_t$.Kielelezo 2 kinafupisha usambazaji wa hisia za jamii na utendaji wa modeli. Sehemu kubwa ya jumbe za Discord imekusanywa katika tabaka lisiloegemea upande wowote. Katika utafiti, kiwango cha jumbe chanya kimeripotiwa kuwa takriban 26.94%, kiwango cha jumbe zisizoegemea upande wowote 60.96%, na kiwango cha jumbe hasi kikiwa 12.10%. Usambazaji huu unaonyesha kuwa hisia za jamii kwa ujumla haziegemei upande wowote lakini zinaelekea upande chanya.Kwa upande wa utendaji wa modeli, muundo wa lugha nyingi umepunguza vipimo vya makosa ikilinganishwa na modeli ya LSTM ya bei pekee. Katika sehemu kuu ya matokeo, imeelezwa kuwa thamani ya MSE inashuka kutoka 0.002100 hadi 0.001528, na thamani ya MAE inashuka kutoka 0.0297 hadi 0.0241. Hata hivyo, kwa kuwa $R^2$ ilibaki hasi katika modeli zote mbili, uboreshaji huu unapaswa kufasiriwa kwa mipaka.Jedwali la ulinganisho wa modeli katika kiambatisho cha PDF pia linatoa ujumbe sawa. Katika wastani wa majaribio manane huru, MSE inaripotiwa kama 5.84 kwa modeli ya bei pekee, na 5.40 kwa modeli iliyoongezwa hisia. Wastani wa MAE pia ulishuka kidogo sana, na $R^2$ iliboreka kutoka kiwango cha -0.266 hadi kiwango cha -0.170. Hii inaonyesha kuwa maelezo ya hisia yanaweza kutoa mchango lakini bado hayaunde modeli yenye nguvu ya maelezo.5. Maelezo ya chanzo na mbinuKatika utafiti, data ya kila siku ya OHLCV ya tokeni ya MANA imetumika. Kipindi cha data kinashughulikia siku 366 kati ya tarehe 15 Juni 2023 na 14 Juni 2024. Data ya soko inajumuisha nyanja za kufungua, juu, chini, kufunga, kiasi cha biashara na thamani ya soko.Kwa upande wa data ya maandishi, jumbe katika kituo cha #general cha jamii ya Discord ya Decentraland vimetumika. Katika hatua ya kwanza, jumbe 5,883 zilikusanywa, na baada ya kuondoa rekodi batili, hifadhidata ya mwisho ya maandishi ilijumuisha jumbe 5,513.Kila ujumbe umeainishwa na modeli ya hisia inayotegemea RoBERTa. Baadaye, jumbe ziliunganishwa katika kiwango cha kila siku na alama ya hisia ya $S_t$ ikahesabiwa.Katika sehemu ya utabiri, modeli ya LSTM ilitumika. Wakati modeli ya bei pekee inatumia bei ya kawaida tu, modeli ya lugha nyingi inatumia bei ya kawaida, kiasi cha biashara, thamani ya soko na alama ya hisia kwa pamoja. Utendaji ulipimwa na vipimo vya MSE, MAE na $R^2$.6. Lebo za metaMatokeo ya kwanza ya utafiti ni kwamba hisia katika jamii ya Discord ya Decentraland kwa kiasi kikubwa haziegemei upande wowote. Ukweli kwamba jumbe nyingi haziegemei upande wowote unaonyesha kuwa hakuna hali ya matumaini kupita kiasi au kukata tamaa sana katika jamii. Walakini, kiwango cha jumbe chanya ni cha juu zaidi kuliko kiwango cha jumbe hasi.Matokeo ya pili ni kwamba miinuko hasi ya hisia inaonekana zaidi kuhusishwa na masuala ya kiufundi katika kiwango cha mtumiaji. Huu ni utofautishaji muhimu. Kwa sababu hisia za Discord haziwezi kutoa ishara kuu ya soko kila wakati; wakati mwingine inaweza kuonyesha moja kwa moja uzoefu wa mtumiaji ndani ya jukwaa.Matokeo ya tatu ni kwamba data ya hisia inaweza kutoa mchango mdogo lakini unaopimika kwa utendaji wa utabiri. Modeli ya lugha nyingi ilipunguza thamani za MSE na MAE ikilinganishwa na modeli ya bei pekee. Hii inaonyesha kuwa ishara inayotokana na jumbe za jamii si isiyo na maana kabisa.Matokeo ya nne na yenye tahadhari zaidi yako upande wa $R^2$. $R^2$ ilibaki hasi katika modeli zote mbili. Hii inaonyesha kuwa faida ya tokeni ya MANA haiwezi kuelezewa kwa uthabiti tu kwa bei, kiasi, thamani ya soko na hisia za Discord. Kwa maneno mengine, hata kama modeli itaboresha katika vipimo vya makosa ya muda mfupi, bado haiwezi kunasa kikamilifu mienendo ya soko kwa ujumla.Kwa Nini Hili Ni Muhimu?

Question

Accepted Answer

Utafiti huu ni muhimu kwa sababu unaonyesha jinsi data ya jamii inaweza kujumuishwa katika modeli za utabiri wa kifedha katika chumi za metaverse. Kwenye majukwaa kama Decentraland, Discord si sehemu ya mazungumzo pekee; pia ni ishara ya jamii inayoonyesha kuridhika kwa watumiaji, matatizo ya kiufundi, matarajio, na maslahi katika jukwaa.

Je, Hisia za Discord za Decentraland Zinaweza Kusaidia Kutabiri Bei ya MANA?

1. Kichwa

2. Muhtasari mfupi

3. Maelezo ya kina

1. Bei ya kawaida

2. Faida endelevu

3. Lebo ya hisia katika kiwango cha ujumbe

4. Alama ya hisia ya kila siku

5. Madarasa ya hisia

6. Vibadili vya ingizo vya LSTM

7. Muundo wa lango la LSTM

8. Kosa la wastani la mraba

9. Kosa la wastani kamili

10. Nguvu ya maelezo: \(R^2\)

4. Mbinu na matokeo ya utafiti

5. Maelezo ya chanzo na mbinu

6. Lebo za meta

Kwa Nini Hili Ni Muhimu?

Mambo ya Kuzingatia

Hitimisho

Ujumbe wa Chanzo na Mbinu

Acha maoni

Kutambua Mapema Wanafunzi Walio Hatarini kwa Data za Mwingiliano wa LMS: Mfumo wa AI wa Kitaaluma Mseto Unaotilia Maanani Faragha

Walimu wa Sayansi na Hisabati Wanaionaje Lesson Study Kama Modeli Endelevu ya Maendeleo ya Kitaaluma?

Athari ya Ujifunzaji Hai kwa Ufaulu wa Wanafunzi katika Elimu ya STEM Hubadilika Kulingana na Aina na Kiwango: Meta-Uchanganuzi

Kufundisha Kabla ya Kutathmini: Kuoanisha Pedagogia ya EAP Inayojumuisha Akili Bandia na Tathmini ya Uandishi wa Kitaaluma Inayopitia Akili Bandia

Kuelewa Kuandika kutoka kwenye Vyanzo katika Programu za Pre-sessional kwa Mitazamo ya Wanafunzi: Uchanganuzi wa Kimaudhui wa Kujitafakari