MétaCan
Menu
Retour à la cohorte
Enregistrement W2965358695 · doi:10.5465/ambpp.2019.14540abstract

The Emotionality of Social Enterprises: Mechanisms and Challenges for Generating Emotional Energy

2019· article· en· W2965358695 sur OpenAlexaff
Diego Moreira Soares

Notice bibliographique

RevueAcademy of Management Proceedings · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueFamily Business Performance and Succession
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésSocial entrepreneurshipLeverage (statistics)EmotionalityPerspective (graphical)SociologySocial psychologyPower (physics)Face (sociological concept)PsychologyPublic relationsEntrepreneurshipBusinessPolitical scienceSocial scienceFinance

Résumé

récupéré en direct d'OpenAlex

Despite the clear importance of emotions for social enterprises, theory on social entrepreneurship still lacks a framework for understanding why emotions are so important for these organizations. Further, theory on social entrepreneurship lacks a framework for understanding the challenges faced by social entrepreneurs in attempting to mobilize their internal and external audiences from an emotion-based perspective. Building on the sociological work that has been carried out on emotions, I provide a framework for understanding how a collective emotionality is manifested in and by social enterprises. I suggest that social enterprises leverage three mechanisms for generating emotional energy: (1) pursuing meaningful ideals, (2) nourishing a vibrant emotional culture, and (3) granting power and status to individuals with less power and lower status. By analyzing these factors, I reveal the challenges that social enterprises face in scaling up, challenges that are relatively unknown compared with the well-explored challenges of balancing social and financial objectives. As social enterprises attempt to scale up their objectives, organizational growth exerts pressures on these efforts, putting these organizations at risk of emotional dispersion.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,019

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
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,014
Communication savante0,0100,006
Science ouverte0,0010,005
Intégrité de la recherche0,0010,002
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 Opus0,026
Tête enseignante GPT0,237
Écart entre enseignants0,211 · 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetFamily Business Performance and SuccessionTravaux en français237 207