MétaCan
Menu
Retour à la cohorte
Enregistrement W4214604107 · doi:10.1177/09728201211060679

ABC Smart Coffee Maker: A Young Techno Start-Up

2022· article· en· W4214604107 sur OpenAlexaboutno aff
Nittaya Wongtada

Notice bibliographique

RevueAsian Journal of Management Cases · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Supply Chain Traceability
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessOrder (exchange)Product (mathematics)MarketingVendorOutsourcingCoffee shopGraduation (instrument)CommercializationChinaOperations managementEconomicsEngineeringFinanceMathematics

Résumé

récupéré en direct d'OpenAlex

A team of three young entrepreneurs formed the Auroma Brewing Company (ABC) in November 2014 right after their graduation from the University of British Columbia, Canada. Their first product was a smart coffee maker which could brew coffee with high precision, allowing users to experiment with variations in the brew. After successfully raising funds online in January 2016, they moved to Shenzhen, China, to manufacture the device. The initially promised shipment date was August 2017, but—as of October 2017—the backer and pre-order buyers were still waiting for their smart coffee maker. The team had faced several obstacles in outsourcing parts to various manufacturers, which caused several delays in shipping the device to the backers who had supported their project through the crowdfunding platforms. After the first delay, about one-tenth of the backers withdrew their supports. After successive delays, the remaining backers became more agitated and questioned the team’s ability to deliver the smart coffee device successfully. Detecting the market potential of ABC’s device, a large company had proposed to acquire ABC’s technology. The team wondered whether they should accept the offer or if they should explore other opportunities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,116

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0130,003
Communication savante0,0100,004
Science ouverte0,0020,007
Intégrité de la recherche0,0040,006
Charge utile insuffisante (le modèle a refusé de juger)0,0350,016

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 Opus0,018
Tête enseignante GPT0,211
Écart entre enseignants0,193 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Journal of Management CasesMême sujetFood Supply Chain TraceabilityTravaux en français237 207