MétaCan
Menu
Retour à la cohorte
Enregistrement W2101015594 · doi:10.1002/nvsm.226

Finding the funds in fun runs: exploring physical activity events as fundraising tools in the nonprofit sector

2003· article· en· W2101015594 sur OpenAlexaff
Joan Higgins, Lara L. Lauzon

Notice bibliographique

RevueInternational Journal of Nonprofit and Voluntary Sector Marketing · 2003
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueNonprofit Sector and Volunteering
Établissements canadiensNatural Sciences and Engineering Research Council of CanadaUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésPublicityEvent (particle physics)Public relationsOrder (exchange)Function (biology)Nonprofit sectorNonprofit organizationMarketingBusinessProcess (computing)Raising (metalworking)Political scienceComputer scienceFinanceEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract An increasingly popular form of raising funds in the nonprofit sector is the special event that involves some form of physical activity. This paper describes a study that tracked 50 events over nine months in order to explore the phenomenon of physical activity events, their function as a solicitation strategy and as a public awareness/relations tool, and to gauge how these events met the needs of participants who donated their money and energy to a cause. Data were collected by means of participant observation at 12 events and interviews with 12 participants and 12 hosting organisations. Using a social marketing framework and diffusion of innovations theory as an approach to making sense of the data, the results suggest that events serve two main purposes: celebrating a cause and offering an event that satisfies the physical activity interests of participants, and that events appropriately act as fundraising and publicity tools. Implications for adopting a social marketing orientation so that nonprofit organisations can hasten the diffusion process by tailoring events to meet the needs of participants, and for further research are discussed. Copyright © 2003 Henry Stewart Publications

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)0,007
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,775

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,110
Tête enseignante GPT0,355
Écart entre enseignants0,245 · 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'étudeObservationnel
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

Citations78
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Nonprofit and Voluntary Sector MarketingMême sujetNonprofit Sector and VolunteeringTravaux en français237 207