Research Companion to Corruption in Organizations
Notice bibliographique
Résumé
Contents: Introduction: Corruption in Organizations: Causes, Consequences and Choices Ronald J. Burke PART I: CAUSES OF CORRUPTION 1. Greed Ronald J. Burke 2. Individual and Organizational Antecedents of Misconduct in Organizations: What do we (believe that we) know, and on what bases do we (believe that we) know it? Joel Lefkowitz 3. Research on Corruption and Unethical Behavior in Organizations: The Use of Conjoint Analysis Robert Folger, Robert Pritchard, Rebecca L. Greenbaum and Deborah DiazGranados 4. The Escalation of Corruption in Organizations Stelios C. Zyglidopoulos and Peter Fleming PART II: CONSEQUENCES OF CORRUPTION 5. Labour Relations and Ethical Dilemmas of Extractive MNEs in Nigeria, South Africa and Zambia Gabriel Eweje 6. On the Corruption of Scientists: The Influence of Field, Environment, and Personality Michael D. Mumford, Alison L. Antes, Cheryl Beeler and Jay J. Caughron PART III: INDIVIDUAL AND ORGANIZATIONAL CHOICES 7. A Comparative Perspective on Corruption: Kantian, Utilitarian or Virtue? Rosa Chun 8. Ethical Leadership R. Edward Freeman, Brian Moriarty and Lisa A. Stewart 9. Corruption, Outrage and Whistleblowing Brian Martin 10. Organizational Responses to Allegations of Corporate Corruption Vikas Anand, Alan Ellstrand, Aparna Rajagopalan and Mahendra Joshi 11. Reducing Employee Theft: Weighing the Evidence on Intervention Effectiveness Edward C. Tomlinson 12. Corporate Ethical Codes as a Vehicle of Reducing Corruption in Organizations Betsy Stevens 13. Transparency International: Global Franchising and the War of Information Against Corruption Luis de Sousa and Peter Larmour 14. Canadian Corporate Corruption L.S. Rosen Index
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,114 | 0,035 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».