Platform diffusion at temporary gatherings: Social coordination and ecosystem emergence
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
Abstract Research Summary Software platforms create value by cultivating an ecosystem of complementary products and services. Existing explanations for how a prospective complementor chooses platforms to join assume the complementor has rich information about the range of available platforms. However, complementors lack this information in many ecosystems, raising the question of how complementors learn about platforms in the first place. We investigate whether attending a temporary gathering—a hackathon—impacts the platform choices of software developers. Through a large‐scale quantitative study of 1,302 developers and 167 hackathons, supported by qualitative research, we analyze the multiple channels—sponsorship, social learning, knowledge exchange, and social coordination—through which hackathons serve as a social forum for the diffusion of platform adoption among attendees. Managerial Summary A software platform such as Windows, iOS, or Amazon Web Services relies on third‐party developers to create applications that complement the platform and make it valuable for end users. However, developers face a wide range of possible platforms, and they may have limited information about which platforms would be worthwhile to develop for. A software platform business can educate and encourage developers to adopt their platform by supporting in‐person software development competitions, known as hackathons. Developers learn about prospective platforms that advertise at the hackathon. Developers also learn whether and how to use a platform by observing and teaching one other. Hackathons are particularly useful for spreading platform technologies: developers prefer to adopt widely used platforms, and hackathons permit developers to identify and join fashionable platforms.
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 | 0,000 |
| 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 | 0,001 | 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