Categories and narratives as sources of distinctiveness: Cultural entrepreneurship within and across categories
Notice bibliographique
Résumé
Abstract Research Summary Cultural entrepreneurship theory suggests that entrepreneurial narratives need to be optimally distinctive—neither portraying an offering as too similar to nor too distinctive from the conventions of its product category—for attracting superior demand. Building on and extending this literature, we propose that the benefits and downsides of a distinctive narrative fundamentally depend on a category's distinctiveness vis‐à‐vis alternative categories because distinctive categories (a) provide an important source of differentiation for their members and (b) disproportionally attract those audience members that highly value novelty. Our longitudinal study of 159,343 Airbnb listings in 45 categories strongly supports our hypotheses: the relationship between Airbnb listings' narrative distinctiveness and demand‐side performance flips from an inverted U‐shaped curve in indistinctive categories to a U‐shaped curve in distinctive categories. Managerial Summary Entrepreneurs need to craft a compelling narrative around their offering to legitimate and differentiate it from competing offerings. In this article, we explore when and why entrepreneurs should craft narratives that portray their offerings as similar, moderately distinctive, or highly distinctive from other offerings. We study this question in the context of the Airbnb marketplace, in which Airbnb hosts compete with their respective accommodation listings. Our study shows that Airbnb listings in indistinctive categories attract most demand when their narratives portray them as moderately distinctive. In contrast, Airbnb listings in distinctive categories attract the most demand when their narratives portray them as either highly similar or highly distinctive from other listings in their category
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 | 0,005 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».