The presentation of graphs in annual reports: The case of the KLSE corporate awards winners
Notice bibliographique
Résumé
Misleading graphs could be the result of annual report preparers’ ignorance, carelessness, or intention to use impression management. The graphs impair the communication effectiveness, even though this has not been tested empirically.Unfortunately, the use of the graphs appears to be widespread due to many parties (for example users, auditors, and preparers of annual reports) not familiar with the potential abuses of construction standards.The aim of this study is to determine whether annual reports by the Kuala Lumpur Stock Exchange (KLSE, now known as Bursa Malaysia) Corporate Awards winners contain inconsistent graphs by assessing graph accuracy based on the guidelines for good graphics as set forth in previous literature and graph discrepancy index (GDI), also known as graph measurement distortion (part of impression management).The methodology used is an adaptation of the graphical guidelines developed by Schmid and Schmid (1979), Tufte (1983), Jarett and Babad (1988), Canadian Institute of Certified Accountant (CICA) (1993), Jarett (1993), and subsequently applied by Frownfelter-Lohrke and Fulkerson (2001).The GDI was calculated using a variant of Tufte’s (1983) lie factor.As far as we are aware, this is the first study in Malaysia to investigate the graph presentation in annual reports of companies that had received awards for their annual reports.It was discovered that 95% of companies in our sample used graphs, which included most of the key financial variables (KFVs) graphs, that exhibited more material overstatement (mean +61.78%) than understatement distortion (mean -45.79%), and many graphs conform to the suggested graph guidelines.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».