Missed chances and unfulfilled hopes: Why do firms make errors in evaluating technological opportunities?
Notice bibliographique
Résumé
Abstract Research Abstract This study examines commission and omission errors in the evaluation of technological opportunities. Integrating structural and cognitive perspectives, we propose that inventors with more cohesive collaboration networks within the firm or geographically closer to the corporate headquarters exert greater influence on the dominant representations shaping opportunity evaluation within the firm. Thus, their inventions are more likely to be positively assessed, even if quality considerations suggest otherwise. Conversely, even when superior in quality, inventions from individuals with less cohesive collaboration networks within the firm or located far from the corporate headquarters are less likely to be positively evaluated, leading to omission errors. The study provides evidence based on 22 interviews and archival data from the mobile phone and personal digital assistant industry between 1990 and 2010. Managerial Abstract This study examines commission and omission errors in decision‐making about technologies. Studying patent renewal decisions of 42 firms in the mobile phone and personal digital assistant industry between 1990 and 2010, we show that inventors with more cohesive collaboration networks within the firm or located close to the corporate headquarters have their inventions positively assessed even when of lower quality, leading to commission errors. On the other hand, inventors with less cohesive collaboration networks within the firm or located far away from the corporate headquarters have their inventions disregarded even when of higher quality, causing omission errors. These findings call for managerial vigilance in technology evaluation decisions, ensuring valuable ideas are not overlooked due to an inventor's network position or location.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».