The Role of Education in Entrepreneurship: Two Canadian Stories
Notice bibliographique
Résumé
The role that education and training plays in entrepreneurial success is one that is subject to lively debates in the literature. In the first half of this paper, we explore the essence of this debate, with a particular focus on women entrepreneurs in Canada. In the second half of the paper, we tell the stories of these two Canadian entrepreneurs who have started technology-based businesses and were participants in a unique Canadian non-profit educational enterprise, Shad Valley Centre for Creative Technology. The stories of these two successful entrepreneurs - Thelma Zee, who started a freelance web design business while she was still in high school, and Jennifer Corriero, who started a now world-renowned non-profit organization for youth - aim to shed light on the role they see for education in entrepreneurship. Our cases suggest that personal characteristics are important — persistence, self-confidence, initiative, creative thinking, and as Thelma said, a certain kind of intelligence that isn't really about being "book-smart," although it often includes that too. Our research also asked the question, "Is learning important?"Traditional formal education plays a relatively small role in these two cases and the others that we have gathered through our study. Based on our research, we would argue this reflects the relatively low importance of formal education as specific preparation for entrepreneurship for women. In our stories, the informal learning that young people receive from family and friends was important. Furthermore, participation in the Shad Valley program - its intensity, level of challenge, and focus on experiential and applied learning — played a key role in inspiring these women to take on the entrepreneurial initiatives.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».