Words Matter: Measuring the Co-Operative Identity Crisis
Notice bibliographique
Résumé
Identity is at the core of a rich body of business communications research, spanning studies on organizational identity, branding, and corporate social responsibility. This work has, however, neglected the question of corporate identity from the perspective of co-operatives—democratically-controlled businesses owned and controlled by their users—and the existential challenge posed by an operating environment often hostile to the business model. At the same time, the question of identity permeates the scholarly organizational and co-operative literature, shaping studies into co-operative identity crises, isomorphism, and from a transactions-cost economics perspective, the co-operative lifecycle. Bridging these literatures, we develop a first-ever conceptual dictionary of terms that we associate with co-operative and investor-owned firms (IOFs). Using text-as-data techniques, we apply the dictionary to a 15-year sample of credit union (a type of co-operative) and bank (IOFs) annual report texts. The resulting model ranks credit unions and banks on a co-op versus IOF firm scale and identifies credit unions that may be at risk of losing their identity because of their use of IOF language. To validate our results, we employ a variety of strategies, including novel machine learning models. Generally, these strategies support the findings from our dictionary model but also suggest the model may not be picking up on some creeping isomorphic pressures on credit unions to conform to IOF language. We conclude by noting that identity questions have important real-world implications, noting potential legal and public policy implications (e.g., loss of preferential tax measures) and pointing to literature that associates co-operative “identity crises” with business failures and demutualizations which, in turn, can lead to higher consumer prices.
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 | 0,002 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
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 ».