Entrepreneurs (novice contre expert) et investisseurs : interactions et dynamique des rationalités (effectuale contre causale)
Bibliographic record
Abstract
La littérature sur la prise de décision stratégique a montré que les entrepreneurs peuvent combiner les logiques effectuale et causale lors du processus de développement de l’entreprise, mais les interactions entre l’entrepreneur et les investisseurs et la manière dont ces logiques et leur combinaison peuvent impacter le processus d’investissement ont été peu abordées. Une étude exploratoire longitudinale auprès de deux jeunes entreprises a été menée pour étudier la complexité des interactions et comprendre les rationalités mises en oeuvre et leur évolution lors du processus d’investissement dans les jeunes entreprises. Les résultats montrent que l’entrepreneur expert utilise une rationalité causale pour lever des fonds auprès des capital-risqueurs et des anges. À l’inverse, l’entrepreneur novice recourt à une rationalité effectuale dans la création de la jeune entreprise et dans ses relations avec les anges. Les anges peuvent – de manière proactive – basculer d’une rationalité effectuale vers une rationalité causale soit pour coinvestir avec les capital-risqueurs au démarrage de la jeune entreprise, soit pour accompagner son développement. Ces résultats contribuent à la littérature sur la théorie de l’effectuation en interrogeant l’évolution des rationalités et des comportements entrepreneuriaux lors de la création de l’entreprise et de la recherche de financement.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".