MétaCan
Menu
Retour à la cohorte
Enregistrement W4414974427 · doi:10.1123/jsm.2025-0009

Optimal Distinctiveness Revisited: Discursive Strategies of Intercategorical Positioning of New Market Categories

2025· article· en· W4414974427 sur OpenAlexaff
Jingxuan Zheng, Daniel S. Mason, Marvin Washington

Notice bibliographique

RevueJournal of Sport Management · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBusiness Strategy and Innovation
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésOptimal distinctiveness theoryCategorizationLegitimacyHierarchySituatedHeuristicsAdaptation (eye)Intersection (aeronautics)Martial arts

Résumé

récupéré en direct d'OpenAlex

Research on optimal distinctiveness is situated at the intersection of institutional theory and strategic management. Using Mixed Martial Arts as an explanatory case study, we examine its evolution as a distinct market category of combat sport within the broader institutions of sport and society. We identify three intercategorical positioning benchmarks that serve as evaluative criteria for assessing optimal distinctiveness—broader societal values, values of umbrella categories, and norms of horizontal peer categories. Drawing on these benchmarks, we propose a layered strategic framework that comprises three foundational positioning strategies—excessive differentiation, moderate differentiation, and over conformity. These foundational strategies are configured and enhanced through two overarching configural strategies; moderating integration involves complementary coupling and multilevel positioning, while contextual adaptation encompasses strategic categorization and intertemporal positioning. Our findings challenge traditional conceptualizations of optimal distinctiveness by illustrating how new sports rely on dynamic, context-dependent strategies to establish legitimacy and ensure category viability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,026
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0040,019
Communication savante0,0080,008
Science ouverte0,0020,008
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,244
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Sport ManagementMême sujetBusiness Strategy and InnovationTravaux en français237 207