MétaCan
Menu
Retour à la cohorte
Enregistrement W2807749304 · doi:10.1123/shr.2016-0026

The Utilization of Interorganizational Relations in an Uncertain Institutional Field: A Case Study of the Fiesta Bowl’s Ascension

2018· article· en· W2807749304 sur OpenAlexaff
Chad Seifried, Brian P. Soebbing, Kwame J.A. Agyemang

Notice bibliographique

RevueSport History Review · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueSport and Mega-Event Impacts
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Collegiate Athletic AssociationUniversity of Notre Dame
Mots-clésField (mathematics)BusinessPolitical scienceMathematicsPure mathematics

Résumé

récupéré en direct d'OpenAlex

This study utilized a historical institutionalism frame to examine three questions. First, what environmental conditions must be present to prompt a city or region to support the creation of a college football bowl game when the failure rate (50%) of bowl games is so high? Second, how does a bowl game survive in an uncertain institutional field? Third, how does a bowl game improve its standing in a competitive institutional field? Focusing on the collective history of the Fiesta Bowl (i.e., 1968 to 2015) as a theoretical sample, this work utilizes Barringer and Harrison’s interorganizational relationship (IR) typology (i.e., joint ventures, networks, consortia, alliances, trade associations, and interlocking directorates) and Oliver’s IR environmental determinants (i.e., necessity, asymmetry, reciprocity, efficiency, stability, and legitimacy) to explain the Fiesta Bowl’s ascension to a top-tier event. Specifically, we found conference affiliations, corporate sponsors, and television broadcast agreements were major areas involving IR. These relationships show IR helped improve the market position and value creation of the Fiesta Bowl in a competitive institutional field. Furthermore, this works uniquely demonstrates that a bowl game’s timeliness to use emerging IR may enhance their institutional position (i.e., tier-status) and ability to help create a new product.

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)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,075

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0170,010
Communication savante0,0060,004
Science ouverte0,0020,006
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,124
Tête enseignante GPT0,387
Écart entre enseignants0,263 · 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'étudeQualitatif
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

Citations5
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSport History ReviewMême sujetSport and Mega-Event ImpactsTravaux en français237 207