Seeing the whole: Configurational cognition and new venture resource mobilization
Notice bibliographique
Résumé
Abstract Research Summary Research is scant on how multiple venture attributes combine as “whole packages” of signals (or cognitive configurations) in resource holders’ eyes, shaping a venture's ability to mobilize resources. Drawing on a qualitative comparative analysis of 1,395 crowdfunding campaigns, we identified different configurations of signals for high and low resource mobilization, theorizing abductively their underlying mechanisms through the analysis of case‐level qualitative data. Our results explain some past mixed findings, such as the contradictory effects of social value and entrepreneurial narratives, showing that these narratives can instead be successfully combined in the presence of signals of venture quality and community embeddedness. We show that there is no single best way to impress resource holders, but multiple recipes to holistically communicate a venture's value. Managerial Summary Analyzing Kickstarter crowdfunding campaigns, we examine how entrepreneurs combine four signals to raise money: 1) the venture's underlying quality; 2) social networks; 3) narratives; 4) embeddedness in the crowdfunding community. We identified four successful configurations of these signals (500% above the funding goal) and two failing configurations (4% of the funding goal). Narratives per se are not sufficient to mobilize resources, unless backed by signals of quality and community embeddedness. A simpler narrative is supported by cheaper quality signals (product images). More complex narratives (combining social value, entrepreneurial orientation, positive psychology) are supported by more costly signals (videos). Our results encourage entrepreneurs to look beyond “silver bullet” solutions and think holistically how to communicate their ventures as “whole packages”.
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 | 0,000 | 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 | 0,003 | 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 ».