The importance of rare events and other outliers in global strategy research
Notice bibliographique
Résumé
Abstract Research Summary Rare events and other nonerror outliers (such as the COVID‐19 pandemic) are important phenomena in global strategy contexts. Despite their salience, however, they have hardly been studied systematically in our field (or organizational research at large). We suggest that this is due to a dominance of the Gaussian paradigm, which (often unrealistically) assumes linearity and independence of observations. Moreover, case‐based qualitative studies which offer contextualization have been underrepresented. We thus call on researchers to abolish the practice of habitually discarding outliers, reflect on nonnormal distributions, and pursue more qualitative studies. Journal editors and reviewers should widen their assumptions regarding “acceptable” papers and reflect on the requirement of contributing to big “T” theories. Finally, PhD training should juxtapose fundamental paradigms and associated implications for epistemological choices. Managerial Summary Extreme occurrences, such as organizational crises, recessions, or pandemics, are challenges most practitioners deal with and worry about. Understanding their determinants, characteristics, and dynamics allows for heightened vigilance, preparedness, and ultimately performance. Yet, much of global strategy research (and organizational research at large) has focused on “average” phenomena, based on methodologies that assume bell‐shaped distributions and independent observations. In this note, we argue that this is not a realistic way to think about most social phenomena. In fact, most are characterized by their high degree of interdependence among elements, as well as a relative commonness of “rare” events and outliers. As a result of embracing the reality of nonnormality, scholars will be able to offer more relevant guidance to practitioners.
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 | 0,265 | 0,496 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,009 | 0,012 |
| Études des sciences et des technologies | 0,007 | 0,033 |
| Communication savante | 0,023 | 0,034 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».