MétaCan
Menu
Retour à la cohorte
Enregistrement W3117632840 · doi:10.1287/orsc.2021.1440

How Inductive and Deductive Generalization Shape the Guilt-by-Association Phenomenon Among Firms: Theory and Evidence

2021· article· en· W3117632840 sur OpenAlexaff
Ivana Naumovska, Edward J. Zajac

Notice bibliographique

RevueOrganization Science · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensKellogg's (Canada)
Organismes subventionnairesnon disponible
Mots-clésPhenomenonGeneralizationMisconductCategorizationSpillover effectPsychologySimilarity (geometry)Social psychologyRelevance (law)Association (psychology)Stereotype (UML)Positive economicsEconomicsPolitical scienceEpistemologyMicroeconomicsLawComputer science

Résumé

récupéré en direct d'OpenAlex

This study advances and tests the notion that the phenomenon of guilt by association-- whereby innocent organizations are penalized due to their similarity to offending organizations-- is shaped by two distinct forms of generalization. We analyze how and why evaluators’ interpretative process following instances of corporate misconduct will likely include not only inductive generalization (rooted in similarity judgments and prototype-based categorization) but also deductive generalizing (rooted in evaluators’ theories and causal-based categorization). We highlight the role and relevance of this neglected distinction by extending guilt-by-association predictions to include two unique predictions based on deductive generalization. First, we posit a recipient effect: if an innocent organization falls under a negative stereotype that causally links the innocent firm with corporate misconduct, then that innocent firm will suffer a greater negative spillover effect, irrespective of its similarity to the offending firm. Second, we also posit a transmission effect: if the offending firm falls under the same negative stereotype, then the negative spillover effect to other similar firms will be lessened. We also analyze how media discourse can foster negative stereotypes, and thus amplify these two effects. We find support for our hypotheses in an analysis of stock market reactions to corporate misconduct for all U.S. and international firms using reverse mergers to gain publicly traded status in the United States. We discuss the implications of our theoretical perspective and empirical findings for research on corporate misconduct, guilt by association, and stock market prejudice.

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)0,039
score de la tête « metaresearch » (Gemma)0,136
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,039
Score d'incertitude au seuil0,208

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0390,136
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0020,018
Communication savante0,0050,013
Science ouverte0,0030,005
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,209
Écart entre enseignants0,199 · 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'étudeObservationnel
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

Citations10
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOrganization ScienceMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207