MétaCan
Menu
Retour à la cohorte
Enregistrement W4416005795 · doi:10.5465/amproc.2025.48bp

Strategic Invisibility in Emerging Economies: How Entrepreneurs Navigate Corruption

2025· article· en· W4416005795 sur OpenAlexaff
Sofiane Baba, Shoeb Mohammad

Notice bibliographique

RevueAcademy of Management Proceedings · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueEntrepreneurship Studies and Influences
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésInvisibilityOpportunismEntrepreneurshipVisibilityLanguage changePerspective (graphical)Process (computing)Face (sociological concept)

Résumé

récupéré en direct d'OpenAlex

Entrepreneurship is vital for economic development in emerging economies. Yet entrepreneurs in these contexts continue to face unique challenges such as widespread opportunism fueled by weak institutions and high levels of corruption. While previous studies explored how entrepreneurs navigate these environments, it remains unclear how they strategically manage their visibility to mitigate threats. Using a qualitative phenomenological approach rooted in the entrepreneurship-as-practice perspective and Bourdieu’s theory of practice, we conducted extensive fieldwork in North Africa, shadowing an entrepreneur we refer to as Casper. Our study uncovers three key strategies—concealing, diminishing, and obfuscating—that collectively form a process we theorize as strategic invisibility work. Our theoretical model provides new insights into how entrepreneurs navigate weak institutional environments by strategically managing their visibility to reduce the risk of opportunism. Theoretically, we challenge the Western-centric view that visibility is universally essential for success, showing instead that invisibility can be a strategic advantage. Our findings contribute to the entrepreneurship literature by offering a novel process model of strategic invisibility, expanding our understanding of how entrepreneurs adapt and thrive in highly uncertain and opportunistic contexts.

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)0,004
score de la tête « metaresearch » (Gemma)0,008
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: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,011
Communication savante0,0050,006
Science ouverte0,0000,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,028
Tête enseignante GPT0,267
Écart entre enseignants0,240 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetEntrepreneurship Studies and InfluencesTravaux en français237 207