Opening Fields: A Methodological Contribution to the Identification of Heterogeneous Actors in Unbounded Relational Orders

Abstract

Institutional scholarship studies how individuals coexist and interact with social structures. Organizations and inter-organizational relations within industries are a central focus of these studies. Hence, empirical research has so far largely relied on the observation of individual actors identified by their organizational attributes, and organizations identified by their industry characteristics. The flourishing of new types of social structures has sent an invitation to observe a broader range of actors beyond organizations stricto sensu, and to define the arena of interest beyond the boundaries of industry membership. However, in practice, these remain a favorite starting point of empirical investigations. In this article, we present a new method for the study of organizational fields that facilitates the identification of a large number and varied types of actors in a given field, provides a characterization of the relational structure of the field, and offers a content analysis on different sub-regions of the field. We test the method by replicating a previous study in the field of ‘social impact of nonprofits’, and show how it can contribute to operationalize mechanisms at play in the field. We conclude by noting that the principles of this method can extend beyond the dataset it is originally built on and facilitate a comparative approach to the study of fields. This contribution should enhance the value of the field as a theoretical construct by extending its operational reach.

Samesweringsteorieë en vals nuus in leserskommentaar op nuusberigte van Maroela Media tydens die COVID-19-pandemie

“…Volgens Onderwerpmodellering deur middel van 'n woord ko-voorkomsnetwerkontleding is in die huidige studie gebruik om 'n oorsig oor die aard van leserskommentaar te verkry. Benabdelkrim et al (2020) stel 'n tegniek voor waarmee onderwerpe in teks met behulp van woord-ko-voorkomsnetwerke en Blondel et al (2008) se modulariteitsalgoritme (ook genoem die Louvain-metode) geïdentifi seer kan word. Die teks word eers skoongemaak deur leestekens te verwyder, teks in kleinletters om te skakel, woorde te lemmatiseer (waardeur 'n woord na sy basiese vorm herlei word deur die stam van die woord te gebruik en die invloed van grammatikale affi kse te verwyder), en stopwoorde te verwyder.…”

“…Omdat Benabdelkrim et al (2020) se metode nie aangepas is vir Afrikaans nie, is die leserskommentaar eers na Engels omgeskakel met behulp van Google Translate. Google Translate is gekies omdat Aikin (2019) reeds vier jaar terug aangetoon het dat Afrikaans-Engelse vertalings een van die taalpare is wat die beste met hierdie diens vertaal kan word, en sedertdien het Google Translate beduidende vordering gemaak om akkuraatheid te verbeter met die implementering van nuwer taalmodelle soos PaLM (Chowdhery et al, 2022).…”

“…Google Translate is gekies omdat Aikin (2019) reeds vier jaar terug aangetoon het dat Afrikaans-Engelse vertalings een van die taalpare is wat die beste met hierdie diens vertaal kan word, en sedertdien het Google Translate beduidende vordering gemaak om akkuraatheid te verbeter met die implementering van nuwer taalmodelle soos PaLM (Chowdhery et al, 2022). Benabdelkrim et al (2020) se metode, soos geïmplementeer in die aanlyn funksies by nocode functions.com (https://nocodefunctions.com/), is daarna op die Engelse teks toegepas. Alle leserskommentaar is aanvanklik ingesluit, maar dit was nie moontlik om onderwerpe met die hele datastel te identifi seer nie.…”

“…Nadat leserskommentaar onttrek is wat samesweringsteorieë en vals nuus verwoord, is sodanige kommentaar in die uittreksel met Benabdelkrim et al (2020) se metode in onderwerpe of temas verdeel.…”