Strength and Weakness in Numbers? Unpacking the Role of Prevalence in the Diffusion of Reverse Mergers
Notice bibliographique
Résumé
A common prediction in research on practice diffusion is a “strength in numbers” effect (i.e., that a growing number of past adopters will increase the number of future adopters). We advance and test a theoretical perspective to explain when and how practice prevalence may also generate a “weakness in numbers” effect. Specifically, in seeking to explain the diffusion of reverse mergers (RMs) — a controversial practice that allows a private firm to go public by merging with a publicly listed “shell company” — we suggest that prevalence affected their diffusion in a complex way, based on two divergent social influence pathways, creating: (1) a direct and positive effect of practice prevalence on potential adopters, who view prevalence as evidence of the practice’s value, and (2) an indirect and negative effect, mediated through third-party evaluators (i.e., investors, and the media) who view prevalence as a cause for concern and skepticism. We also highlight the utility of this theoretical framework by analyzing how a decline in the status of past adopters exerts a negative effect on diffusion through both social influence pathways. Employing structural equation modeling techniques, we find support for the hypothesized relationships and we discuss the implications of the study for future research on practice diffusion.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».