Who does (not) benefit from entrepreneurship programs?
Notice bibliographique
Résumé
Research Summary We evaluate a technology entrepreneurship training program by comparing career decisions among applicants accepted into the program with unaccepted applicants who are program finalists. We find that program participation is associated with an increased likelihood of subsequent entrepreneurship but that this is not uniform across participants; the estimated relationship between program participation and subsequent entrepreneurial activity is disproportionately lower for applicants with ex‐ante resources and capabilities in entrepreneurship, measured by prior entrepreneurship experience. Moreover, we only observe this reduced impact of the program on subsequent entrepreneurial activity for participants that have prior experience in founding a technology company as opposed to other forms of entrepreneurial activity. This suggests the program is more effective for individuals that have otherwise limited access to technology entrepreneurship opportunities. Managerial Summary Given the increasingly competitive landscape for entrepreneurship education programs, it is important to understand when and for whom they have the greatest impact. Using 5 years of data from a technology entrepreneurship training program, we show that individuals with a higher predisposition toward the type of entrepreneurship being taught by the program, measured by prior technology entrepreneurship experience, are less likely to benefit from training. Our findings imply that individuals who enter programs with the skill set being taught benefit less from the program at the margin, and that individuals without prior experience can be trained in entrepreneurship. These patterns have implications for entrepreneurial program strategy, individuals considering entry into entrepreneurial careers, and firms deciding whether to develop entrepreneurial capabilities in‐house or acquiring them externally.
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 | 0,002 | 0,000 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».