Understanding structures and practices of meaning-making in industrial networks
Notice bibliographique
Résumé
Purpose This paper aims to propose an approach for exploring industrial marketing network environments through a social semiotic lens. Design/methodology/approach This conceptual paper introduces social semiotic perspectives to the study of business/industrial network interaction. Findings This paper describes how structures of meaning derived from a cultural history of signification and interpretive processes of meaning in action are co-determined in social semiosis. The meaning of environments using this social semiotic approach is emphasised, leading us to explore the idea of the “atmosemiosphere” – the most highly complex business network level, in illustrating how meaning is made through structuration between structures of meaning and their enactments in interactions between actors within living business networks. Practical Implications Figurative language plays an important role in the structuration of meaning. This facilitates establishing plots and, therefore, in the actors’ capability to tell a story, which starts with knowing what kind of story can be told. By implication, the effective networker must be a consummate moving “picture maker” and, to do so, she must have competence in narrative, emplotment, myth-making, storytelling and figuration in more than one discursive repertoire. Originality/value In using a structurational discourse perspective informed by social semiotics, our original contribution is a “business networks as discursive constructions” approach, in that discursive nets, webs of narratives and stories and labyrinths of tropes are considered just as important in constituting networks as networks of actor relationships and patterns of other activities and resources.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».