Live streaming has recently become a popular direct selling channel which offers small, self-employed sellers unseen levels of consumer interaction and engagement. While the extant research focused on consumer motivation and intention to shop via live streaming, little is known from the seller’s perspective. Indeed, the potential advantages of live streaming commerce are accessible to everyone, but sellers experience different levels of success with this medium. Using a mixed quantitative and qualitative approach, this study analyses Facebook data of live streaming sellers to assess the nature and extent of engagement metrics, and delineate the dynamic, interactive live streaming sales process. We identify four sales approaches and twelve strategies adopted in acquiring and retaining customers. This typology of sales approach representing seller-focused antecedents is mapped against the relationship process and outcomes to provide a framework for understanding relationship mechanisms in live streaming commerce.

As if 2020 was not a peculiar enough year, its fifth month saw the relatively quiet publication of a preprint describing the most powerful natural language processing (NLP) system to date—GPT-3 (Generative Pre-trained Transformer-3)—created by the Silicon Valley research firm OpenAI. Though the software implementation of GPT-3 is still in its initial beta release phase, and its full capabilities are still unknown as of the time of this writing, it has been shown that this artificial intelligence can comprehend prompts in natural language, on virtually any topic, and generate relevant original text content that is indistinguishable from human writing. Moreover, access to these capabilities, in a limited yet worrisome enough extent, is available to the general public. This paper presents examples of original content generated by the author using GPT-3. These examples illustrate some of the capabilities of GPT-3 in comprehending prompts in natural language and generating convincing content in response. I use these examples to raise specific fundamental questions pertaining to the intellectual property of this content and the potential use of GPT-3 to facilitate plagiarism. The goal is to instigate a sense of urgency, as well as a sense of present tardiness on the part of the academic community in addressing these questions.

Text-to-Image artificial intelligence (AI) recently saw a major breakthrough with the release of Dall-E and its open-source counterpart, Stable Diffusion. These programs allow anyone to create original visual art pieces by simply providing descriptions in natural language (prompts). Using a sample of 72,980 Stable Diffusion prompts, we propose a formalization of this new medium of art creation and assess its potential for teaching the history of art, aesthetics, and technique. Our findings indicate that text-to-Image AI has the potential to revolutionize the way art is taught, offering new, cost-effective possibilities for experimentation and expression. However, it also raises important questions about the ownership of artistic works. As more and more art is created using these programs, it will be crucial to establish new legal and economic models to protect the rights of artists.

The statistical evaluation of aggregation functions for trauma grades, such as the Injury Severity Score (ISS), is largely based on measurements of their Pearson product-moment correlation with mortality. However, correlation analysis makes assumptions about the nature of the involved random variables (cardinality) and their relationship (linearity) that may not be applicable to ordinal scores such as the ISS. Moreover, using correlation as a sole evaluation criterion neglects the dynamic properties of these aggregation functions scores.We analyze the domain and ordinal properties of the ISS comparatively to arbitrary linear and cubic aggregation functions. Moreover, we investigate the axiomatic properties of the ISS as a multicriteria aggregation procedure. Finally, we use a queuing simulation with various empirical distributions of Abbreviated Injury Scale (AIS) grades reported in the literature, to evaluate the queuing performance of the three aggregation functions.We show that the assumptions required for the computation of Pearson's product-moment correlation coefficients are not applicable to the analysis of the association between the ISS and mortality. We suggest the use of Mutual Information, a information-theoretic statistic that is able to assess general dependence rather than a specialized, linear view based on curve-fitting. Using this metric on the same data set as the seminal study that introduced the ISS, we show that the sum of cubes conveys more information on mortality than the ISS. Moreover, we highlight some unintended, undesirable axiomatic properties of the ISS that can lead to bias in its use as a patient triage criterion. Lastly, our queuing simulation highlights the sensitivity of the queuing performance of different aggregation procedures to the underlying distribution of AIS grades among patients.Viewing the ISS, and other possible aggregation functions for multiple AIS scores, as mere operational indicators of the priority of care, rather than cardinal measures of the response of the human body to multiple injuries (as was conjectured in the seminal study introducing the ISS) offers a perspective for their construction and evaluation on more robust grounds than the correlation coefficient. In this regard, Mutual Information appears as a more appropriate measure for the study of the association between injury severity and mortality, and queuing simulations as an actionable way to adapt the choice of an aggregation function to the underlying distribution of AIS scores.

Text-to-Image artificial intelligence (AI) recently saw a major breakthrough with the release of Dall-E and its open-source counterpart, Stable Diffusion. These programs allow anyone to create original visual art pieces by simply providing descriptions in natural language (prompts). Using a sample of 72,980 Stable Diffusion prompts, we propose a formalization of this new medium of art creation and assess its potential for teaching the history of art, aesthetics, and technique. Our findings indicate that text-to-Image AI has the potential to revolutionize the way art is taught, offering new, cost-effective possibilities for experimentation and expression. However, it also raises important questions about the ownership of artistic works. As more and more art is created using these programs, it will be crucial to establish new legal and economic models to protect the rights of artists.

This article describes a Comma Separated Values (CSV) dataset consisting of 7050 Facebook posts of various types (text, deferred and live videos, images). These posts were extracted from the Facebook pages of 10 Thai fashion and cosmetics retail sellers from March 2012, to June 2018. The dataset was collected via the Facebook API, and anonymized in compliance with the Facebook Platform Policy for Developers [1]. For each Facebook post, the dataset records the resulting engagement metrics comprising shares, comments, and emoji reactions within which we distinguish traditional "likes" from recently introduced emoji reactions, that are "love", "wow", "haha", "sad" and "angry". This dataset could serve as a basis for research on customer engagement with the novel sales channel that is Facebook Live, through comparative studies with other forms of content (text, deferred videos, and images), as well as the statistical analysis of the seasonality of engagement and outlier posts.

Two distinct and non-redundant understandings of volatility, as deviation from consistency, exist for a time-series: (1) exhibiting high standard deviation and, closer to the dictionary definition of the term, (2) appearing highly irregular and unpredictable. We find that Bitcoin is a prime example of an asset for which the two concepts of volatility diverge. We show that, historically, Bitcoin combines high Standard Deviation and low Approximate Entropy, relative to Gold and S&P 500. Moreover, subsample analysis for different time-scales (daily, weekly, monthly) shows that lower sampling frequencies drastically reduce the Kurtosis of the distribution of log-returns of Bitcoin. The opposite effect is observed for Gold and S&P 500. These properties suggest that, contrary to the volatility of the two traditional assets, Bitcoin’s high volatility is essentially an intra-day phenomenon that is strongly attenuated for a weekly or monthly time-preference.

Pre-trained deep learning models underpin many public-facing applications, and their propensity to reproduce implicit racial and gender stereotypes is an increasing source of concern.The risk of large-scale, unfair outcomes resulting from their use thus raises the need for technical tools to test and audit these systems.In this work, a dataset of 10, 000 portrait photographs was generated and classified, using CLIP (Contrastive Language-Image Pretraining), according to six pairs of opposing labels describing a subject's gender, ethnicity, attractiveness, friendliness, wealth, and intelligence.Label correlation was analyzed and significant associations, corresponding to common implicit stereotypes in culture and society, were found at the 99% significance level.A strong positive correlation was notably found between labels Female and Attractive, Male and Rich, as well as White Person and Attractive.These results are used to highlight the risk of more innocuous labels being used as partial euphemisms for protected attributes.Moreover, some limitations of common definitions of algorithmic fairness as they apply to general-purpose, pre-trained systems are analyzed, and the idea of controlling for bias at the point of deployment of these systems rather than during data collection and training is put forward as a possible circumvention.

We study the problem of evaluating a set of project proposals and selecting a subset of the best projects among them. Through a review of the relevant literature, we found that the sector in which the analysed projects are carried out impacts the design of the project portfolio selection methodology to be used. In this paper, we focus on the project portfolio evaluation and selection processes in the non-profit sector. We propose new rule-based multi-criteria methodology based on SWOT analysis. The proposed approach is based on an original preference elicitation framework in which a key novelty is the definition of the relative importance of criteria on a two-dimensional scale.