Achieving cultural resonance: Four strategies toward rallying support for entrepreneurial endeavors
Notice bibliographique
Résumé
Abstract Research Summary We theorize the strategies that entrepreneurial actors employ to instill their endeavors with culturally resonant meanings and rally the support of key audiences (investors, analysts, or customers). In extant cultural entrepreneurship research, endeavors are assumed to achieve resonance and gain support when actors deploy the culture they share with their targeted audiences. But what if actors and audiences hold cultural repertoires that poorly overlap? We consider actors' efforts to “mobilize” and “enrich” the repertoires of both parties. Specifically, we introduce a typology identifying four strategies: anchoring, retooling, channeling, and seeding. Viewing culture as an engine of stability and change, we contend that each strategy addresses a distinct tension that actors must skillfully balance. We develop propositions to explain how and when actors manage these tensions. Managerial Summary Entrepreneurs must explain their endeavors in terms that audiences (investors, analysts, or customers) will understand and value. We know that entrepreneurs do so by telling stories and performing other symbolic actions, or by revising their stories and actions. However, prior insights assume a preexisting fit between what entrepreneurs and audiences value. How is this fit created? We identify four strategies by which entrepreneurs leverage a preexisting fit, and foster greater fit. We explain how entrepreneurs leverage a preexisting fit by presenting endeavors in familiar terms, and guiding audiences' interpretations. We explain how entrepreneurs foster greater fit by learning what audiences value, and educating audiences about their endeavors' value. Considering the inherent tension that each strategy entails, we explain how and when entrepreneurs use these strategies.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».