Competitive Rationales: Beneath the Surface of Competitive Behavior
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
Competitive dynamics research has focused on studying whether rivals are able and likely to carry out competitive actions, typically by examining indirect reasons such as characteristics of the actions themselves, the firms involved, or the competitive context. We explore why rivals initiate a specific competitive action at a particular time and situation. Drawing from the philosophy of action literature, we introduce the concept of competitive rationales to examine the primary reasons that cause tactical actions. Given the rapid exchanges characterizing tactical competitive dynamics, we conducted an inductive, multicase study to explore the reasons behind over 800 discrete tactical decisions carried out by 9 professional basketball coaches during 15 basketball games. To garner insight, we develop a conceptual framework revealing their types and scope. Even during intense head-to-head rivalry, most rationales were not rivalrous but were instead organizational-to optimize resource use, strategic consistency, and reputation-or social-to manage relationships. Moreover, the three main types of rationales varied in scope, extending beyond immediate competitive situations and rivals to address longer term, strategic outcomes, and assorted stakeholders. Thus, our analysis reveals these rationales to be complex and potentially difficult for rivals to decipher. It also recasts each component of the dominant awareness-motivation-capability (AMC) model of rivalry, suggesting that awareness is challenged by subtle rationales, motivation drives not only action but also forbearance, and capability is both a requirement and product of action.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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