From green technology development to green innovation: inducing regulatory adoption of pathogen detection technology for sustainable forestry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Technological entrepreneurship has been widely acknowledged as a key driver of modern industrial economies, and more recently, a panacea for environmental and social problems. However, our current understanding of how green-technology ventures emerge and diffuse more sustainable innovations remains limited. We advance theory on green entrepreneurship by drawing on institutional work to refine and extend our understanding of how entrepreneurs may influence government policies and practices in their attempts to diffuse green technology. We develop a theoretical framework that combines institutional work with a search tool, the technological, commercial, organizational, and societal (TCOS) framework of innovative uncertainties, which identifies key opportunities, hurdles, and potential unintended consequences at early stages of technology development. We present a detailed case study of a potential university-based green-tech venture developing pathogen detection technology for forestry protection. Foreign pathogens spread by international trade can have major detrimental impacts on forests and the industries that rely on them. Our analysis found that green technology demonstrating technological feasibility is necessary but not sufficient; green-tech ventures must also engage in institutional work, in this case, articulating the technology’s benefits to regulators to establish legitimacy and avoid misuse that can hinder its adoption. We thus add to previous studies by emphasizing that institutional work could be a main activity for a green-tech venture, a core entrepreneurial strategy rather than an afterthought.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle