MétaCan
Menu
Retour à la cohorte
Enregistrement W2107506921 · doi:10.1177/0018726713481634

Institutional complexity and logic engagement: An investigation of Ontario fine wine

2013· article· en· W2107506921 sur OpenAlexaffabout
Maxim Voronov, Dirk De Clercq, CR Hinings

Notice bibliographique

RevueHuman Relations · 2013
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueManagement and Organizational Studies
Établissements canadiensUniversity of AlbertaBrock University
Organismes subventionnairesnon disponible
Mots-clésScripting languageInstitutional logicInterpretation (philosophy)Institutional theorySociologyCreativityEpistemologySocial psychologyComputer sciencePsychologySocial science

Résumé

récupéré en direct d'OpenAlex

We contribute to research on institutional complexity by acknowledging that institutional logics are not reified cognitive structures, but rather are open to interpretation. In doing so, we highlight the need to understand how actors engage with institutional logics and the creativity that such engagement implies. Using an inductive case study of the Ontario wine industry, we rely on the notion of scripts to explicate how actors engage with the aesthetic and the market logics that are entrenched in their field. Our findings reveal two scripts that are used to adhere to the aesthetic logic (farmer and artist) and one that is used to adhere to the market logic (business professional). We find that not only can actors enact two different scripts to adhere to an institutional logic, but also that flexible script enactment takes place within interactions with specific audiences. Thus, we found no unique match between particular logics and specific audiences, but rather that the aesthetic and the market logics, and their underlying scripts, are relevant in the interactions with each of the audience groups, albeit to varying degrees. These findings have important implications for research on institutional complexity.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,298
Score d'incertitude au seuil0,599

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0190,012
Communication savante0,0050,003
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,084
Tête enseignante GPT0,241
Écart entre enseignants0,156 · 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 source (Gemma direct ou Codex distillé), 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

Citations90
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHuman RelationsMême sujetManagement and Organizational StudiesTravaux en français237 207