Sport organizations under tension: dynamic capabilities and resilience building during the COVID-19 pandemic
Notice bibliographique
Résumé
Research question Sport management research on resilience has primarily focused on athletes and sport teams. This has led to a limited understanding of how sport organizations can enhance their resilience. Therefore, drawing on the dynamic capabilities framework, the purpose of this study is to explore the processes that contributed to the resilience of sport organizations during the COVID-19 pandemic. Additionally, the present study seeks to investigate whether the type and size of sport organizations influenced their dynamic capabilities and resilience during this large-scale crisis.Research methods Based on a qualitative approach, a thematic analysis was conducted of semi-structured interviews with 41 high-ranking managers from 37 Canadian sport organizations.Results and findings Findings indicate that economic, social, technological, human, and political capital were all important sources of resilience for sport organizations during the COVID-19. Also, we found that the acquisition, reconfiguration, and integration of these five forms of capital are key capabilities through which sport organizations can enhance their crisis resilience. Lastly, segmentation analyses revealed that while most dynamic capabilities were leveraged by all sport organizations, others were only applied by certain types.Implications This study offers a fined-grained analysis of the processes through which sport organizations can enhance their resilience and manage large-scale crises effectively. Specifically, our findings highlight that capabilities that expand, refine, and integrate the capital base of sport organizations are integral to their resilience-building efforts.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».