Opportunité entrepreneuriale et culture: comprenant l'identification et l'exploitation des opportunités entrepreneuriales dans deux contextes culturels
Bibliographic record
Abstract
ntrepreneuriat a pour thème central dans l'étude des opportunités entrepreneuriales. Identifier et exploiter les opportunités entrepreneuriales est fondamental pour le entrepreneuriat (SHANE; VENKATARAMAN, 2000; RAMOS-Rodriguez et al, 2010;. BARON, Shane, 2011). De nombreux facteurs influencent l'entrepreneur à identifier et exploiter ces opportunités. Ces opportunités peuvent être liés à la culture d'un certain endroit (Valiati; FLRIASSI, 2007; LIMEIRA, 2008). Visant à comprendre comment les opportunités entrepreneuriales liées à la culture ont été identifiées et exploitées par des entrepreneurs à Parana, au Brésil et au Québec, au Canada, cette étude a analysé les cas d'entrepreneurs qui ont identifié et exploré les opportunités liées à la culture. La méthode a été l'étude de cas et quatre cas ont été sélectionnés à partir de l'industrie alimentaire, deux cas dans chaque contexte culturel. Cette recherche a été caractérisée par une étude qualitative, la collecte de données réalisée entretiens semi-structurés avec des entrepreneurs et des données secondaires. Les résultats ont montré que, en plus des aspects identifiés dans la littérature comme l'alerte entrepreneur, l'information et le traitement cognitif, la connaissance préalable, l'expérience, l'apprentissage et le capital intellectuel, la culture a influencé l'attitude entrepreneuriale. Les données ont montré qu'il existe une seule dimension du profil entrepreneurial dans quatre cas, et que l'entrepreneuriat peuvent créer et recréer la culture, et la culture peuvent créer et recréer l'entrepreneuriat. Ainsi, les champs sont entièrement interconnectés
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 | 0.009 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".