Noise as Signal in Learning from Rare Events
Notice bibliographique
Résumé
Firms increasingly have access to information about the failure events of other firms through public repositories. We study one such repository that accumulates reports of adverse events in the medical device industry. We provide qualitative evidence that shows how firms select a sample of adverse events and then engage in inferential learning. We show that firms use the reports of others to extract new valid knowledge from the adverse events in other firms. We use quantitative evidence to explore how a public repository can be used to provide more direct evidence of vicarious learning. Our findings challenge some standard assumptions about vicarious learning. First, we show that the learning in a repository does not come from referent others. Instead, it emerges directly from failure events that might ordinarily be dismissed as noise. Second, we show that the learning does not come from copying others. Instead, it is constructed by firm members as they assemble individual failure events to identify possibilities they had not considered. Third, in contrast to vicarious learning, where the referent others and rare events provide the context, repository-based learning requires that actors impose their own context as part of the learning process. Our qualitative and quantitative evidence serve explanatory purposes by showing how firms use a repository of failure events to identify moments of valid learning, and they serve exploratory purposes by investigating how we can demonstrate reliable learning from a repository of failure events. The e-companion is available at https://doi.org/10.1287/orsc.2017.1179 .
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,161 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,008 | 0,016 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».