Notice bibliographique
Résumé
In the era of the digital economy and the cities’ infatuation for new creative spaces, we see the creation (either led by a public or a private initiative) and the rise in popularity of new forms of organizations for economic, knowledge and social exchanges. Collaborative spaces, also known as 'co-working spaces', are among these organizations. However, it remains unclear how many of these collaborative spaces can ensure their viability, which may depend on several reasons such as the difficulty to reach a critical mass of users that is enough, to cover their expenses and generate profits. Hence, the following questions are raised: How do collaborative spaces become viable? What are the criteria that determine the success or failure of collaborative spaces? To date, such questions are not addressed in the existing research on collaborative spaces. We rely on case studies to uncover the qualitative and non-financial performance criteria associated with their practices as well as the users’ perceptions of the value created by the collaborative spaces. Our findings contribute to the existing literature by providing new criteria for monitoring their performance. In addition, they provide to the managers and the founders of these collaborative spaces additional management tools to attract and retain users, therefore increasing their ability to reach the critical mass of users for their viability. Our results also provide public policy makers with new tools for a better understanding of collaborative spaces’ success criteria. Hence, they can refine their strategies related to the creation and support of collaborative spaces, as well as their policies for supporting entrepreneurship and creative cities.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».