Effective altruism and the dark side of entrepreneurship
Notice bibliographique
Résumé
Purpose: Effective Altruism (EA) has become one of the most prominent socio-philosophical movements of recent years. EA is also facing intense scrutiny due to the business practices of some of its most prominent adherents. On the other hand, the dark triad traits of Machiavellianism, narcissism and psychopathy have been getting increasing attention in entrepreneurship research. There is growing evidence that these traits can motivate entrepreneurial intention. We therefore sought to investigate if there was a connection between the entrepreneurship discourse in EA and traits corresponding to dark triad behavior. Design/methodology/approach: Using a discursive analytic method, we investigated the discursive threads on entrepreneurship in EA over a 10-year period. Findings: While we believe EA brings a much-needed perspective to the overall debate on doing good, we found ample evidence that it might have promoted the sort of dark triad behavior which some evidence suggests can lead to financial success, but can equally lead to the type of morally bankrupt, unethical and even illegal practices of some entrepreneurs. We also discovered a somewhat temporal dimension in EA's discourse on entrepreneurship, beginning with discourse encouraging some risk taking and entrepreneurship, before moving on to discourses on the benefits of having a smart and illicit character, and ending with a focus on aggressive risk taking. Originality: The findings contribute to the still nascent debate on dark personality traits in entrepreneurship, and enriches the theoretical advancement of the field. However, our research differs from prior studies which were almost exclusively focused on the firm. Instead, we examine this phenomenon within a highly influential belief system/philosophical movement.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».