MétaCan
Menu
Retour à la cohorte
Enregistrement W3134316087 · doi:10.5430/ijba.v12n2p64

Risk in Leadership and Management: Risk-seeking vs. Risk Averse

2021· article· en· W3134316087 sur OpenAlexvenueno aff
Samuel L. Dunn, Joshua D. Jensen

Notice bibliographique

RevueInternational Journal of Business Administration · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueRisk Management in Financial Firms
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRisk managementEnterprise risk managementFinancial risk managementRisk-seekingIT riskBusinessIT risk managementRisk analysis (engineering)Perspective (graphical)Factor analysis of information riskWork (physics)Business risksRisk assessmentMarketingRisk financingActuarial scienceRisk management information systemsEconomicsComputer sciencePolitical scienceManagementFinanceEngineering

Résumé

récupéré en direct d'OpenAlex

The 21st century business environment is full of dangers and risk. At the same time, it is ripe with opportunities and rewards. As organizations continue to pursue opportunities and rewards with vigor, while minimizing unnecessary exposure to risk, leaders find themselves with one of two perspectives on risk: risk-seeking or risk averse. Leaders who are risk-seeking are not moved by the inherent dangers of risk, and understand risk to be a necessary part of the business landscape – and therefore engage risk head-on. Alternatively, leaders who are risk averse understand the implications of risk on the enterprise, and work to minimize, or even avoid risk altogether, or at least to the furthest extent possible. This paper examines risk from a leadership perspective. There are various types of risk that business leaders face, and those will be identified and described herein, along with a discussion of various approaches for addressing risk and how risk is manifested in the business environment. Finally, this paper will assist leaders in determining their own attitudes toward risk using various self-assessment tools.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,091
Score d'incertitude au seuil0,860

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,025
Tête enseignante GPT0,247
Écart entre enseignants0,222 · 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 tête enseignante, 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Business AdministrationMême sujetRisk Management in Financial FirmsTravaux en français237 207