MétaCan
Menu
Retour à la cohorte
Enregistrement W1499028561 · doi:10.3386/w20854

Invisible Women: Entrepreneurship, Innovation and Family Firms in France during Early Industrialization

2015· preprint· en· W1499028561 sur OpenAlexaff
B. Zorina Khan

Notice bibliographique

RevueNational Bureau of Economic Research · 2015
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHistorical Economic and Social Studies
Établissements canadiensBibliothèque et Archives nationales du Québec
Organismes subventionnairesNational Science Foundation
Mots-clésEntrepreneurshipIndustrialisationFamily businessBusinessEconomicsEconomic geographyBusiness administrationMarket economyFinance

Résumé

récupéré en direct d'OpenAlex

Family firms are typically associated with negative characteristics, including lower tendencies towards innovation, a higher risk of failure, and inefficiencies deriving from nepotism among family members, criticisms which are even greater when the company is handed over to a female relative. Women in business have generally been presented as petty traders and passive investors, whose entrepreneurial activities were scarce because of such restrictions as limited human capital, culture, market imperfections, and institutional biases. The French economy has similarly been faulted for the prevalence of family firms during the nineteenth century, and for disincentives for the integration of women in the business sector. These issues are explored using an extensive sample of women who obtained patents and prizes at industrial exhibitions during early industrialization. The empirical evidence indicates that middle-class women in France were extensively engaged in entrepreneurship and innovation, and that their commercial efforts were enhanced by association with family firms. Their formerly invisible achievements suggest a more productive role for family-based enterprises, as a means of incorporating relatively disadvantaged groups into the market economy as managers and entrepreneurs.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,105
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,328
Tête enseignante GPT0,406
Écart entre enseignants0,078 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetHistorical Economic and Social StudiesTravaux en français237 207