Rankings, Reputation and Status: Novel Market Dynamics
Notice bibliographique
Résumé
Third-party evaluations -- such as rankings, awards, and aggregated consumer reviews -- have grown in influence over the last decades. This change has opened several important avenues of inquiry; yet, our understanding of how third-party evaluators impact markets remains nascent. One major knowledge gap involves understanding the complications that arise as evaluators proliferate and organizations increasingly receive multiple evaluations from different evaluators. In this symposium, we compile four different empirical studies using different contexts and methods to shed light on the complexity created by heterogeneous external evaluations. Through this symposium, we hope to build awareness of the unique dynamics of markets with multiple evaluators, as well as the unexpected consequences of third-party evaluations. Ranker Reactivity: An Investigation of Ranking Spillover Effects across Multiple Intermediaries Author: W Chad Carlos; Brigham Young U. Author: Yasir Dewan; HEC Paris Author: Ben William Lewis; Brigham Young U. Author: Brian Philip Reschke; Brigham Young U. Author: Isaac St. Clair; Brigham Young U. Paths of Glory: How Centrality in Attention Networks Affects Status Evaluations Author: Matteo Prato; ESADE Business School Author: Raquel Pruna; ESADE Business School Author: Anne Bowers; U. of Toronto The Experts and The Crowd: How Rankings Affect Consumer Ratings Author: Clara Depalma; Department of Management and Technology, Bocconi U. Author: Giada Di Stefano; Bocconi U. Author: Saverio Dave Favaron; SKEMA Business School CSR at the Margins: Firms’ Responses to Marginal Inclusion on the Vault Law 100 Author: Wooseok Jung; HEC Paris Author: Amanda Sharkey; W. P. Carey School of Business, Arizona State U.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».