MétaCan
Menu
Retour à la cohorte
Enregistrement W1985623447 · doi:10.3401/poms.1070.0004

Open Source Development with a Commercial Complementary Product or Service

2008· article· en· W1985623447 sur OpenAlexaff
Ernan Haruvy, Suresh Sethi, Jing Zhou

Notice bibliographique

RevueProduction and Operations Management · 2008
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueDigital Platforms and Economics
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésSource codeRevenueProduct (mathematics)Context (archaeology)Quality (philosophy)Software qualityComputer scienceSoftwareNetwork effectSoftware developmentBusinessIndustrial organizationOperating systemAccounting

Résumé

récupéré en direct d'OpenAlex

We examine optimal control decisions regarding pricing, network size, and hiring strategy in the context of open source software development. Opening the source code to a software product often implies that consumers would not pay for the software product itself. However, revenues may be generated from complementary products. A software firm may be willing to open the source code to its software if it stands to build a network for its complementary products. The rapid network growth is doubly crucial in open source development, in which the users of the firm's products are also contributors of code that translates to future quality improvements. To determine whether or not to open the source, a software firm must jointly optimize prices for its various products while simultaneously managing its product quality, network size, and employment strategy. Whether or not potential gains in product quality, network size, and labor savings are sufficient to justify opening the source code depends on product and demand characteristics of both the software and the complementary product, as well as on the cost and productivity of in‐house developers relative to open source contributors. This paper investigates these crucial elements to allow firms to reach the optimal decision in choosing between the open and closed source models.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,753
Score d'incertitude au seuil0,938

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,004
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,056
Tête enseignante GPT0,232
Écart entre enseignants0,176 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations7
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProduction and Operations ManagementMême sujetDigital Platforms and EconomicsTravaux en français237 207