Hacking a reputation: crisis communication and the Ashley Madison data breach
Notice bibliographique
Résumé
[Para. 1] At a time where online activists are targeting and obtaining the intellectual property of companies on a regular basis, how should a company communicate and mitigate the data breach to ensure that its valued customers feel protected, or in the best case scenario, prevent it altogether? The adoption and implementation of a sound crisis communication and management strategy is thus a fundamental operative for the success of any organization. Organizational crises can fundamentally disrupt and harm companies, organizations and individuals alike; they are characterized as “non-routine, severe event[s] that [can] destroy [its] reputation or operations” (Koerber, 2017). When a crisis arises for an organization, it is imperative that they have a strong sense of clarity regarding the issue at hand – specifically, they must understand the context and “background narrative that gives interpretative shape to [its] foreground issues” (Arnett, Deiuliis, Corr, 2017). Perhaps most emblematic of these background narratives is the circulation of competing information and perspectives, by both social media and traditional news sources. With the rise of social media and the 24/7 news cycle, a new sense of power and inflated ability to frame an issue has been afforded to many publics – particularly due to the ability of these mediums to rapidly transmit and receive information. These affordances have the potential to be either beneficial or detrimental to a company when faced with a crisis. While an organization can benefit from strategic media relations and effective crisis communication, even the most established of firms can have their voice become convoluted or be reprimanded if communication is poorly executed.
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 | 0,005 | 0,001 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».