Prévention et détection des fraudes : que font les organisations canadiennes?
Notice bibliographique
Résumé
Résumé Les journaux parlent fréquemment de fraudes commises par des personnes et des organisations. Ces fraudes ont des répercussions énormes et variées, d’où l’importance de les prévenir et de les détecter le plus rapidement possible. Mais que font les organisations à ce sujet? Cet article présente les résultats d’une enquête menée au Canada auprès de 90 experts en détection des fraudes et en compare les résultats avec les statistiques aux États-Unis. Les résultats montrent que plus du quart des fraudes entraînent une perte supérieure à 1 million de dollars pour les entreprises qui en sont victimes; que les détournements d’actifs, la corruption et les fraudes comptables sont souvent utilisés comme moyens de s’enrichir illégalement aux dépens de l’entreprise et de ses actionnaires; que la formation sur la politique antifraude ou sur le code de conduite de l’entreprise, les mécanismes de signalement d’irrégularités et les contrôles à l’improviste sont autant de contrôles préventifs efficaces; et, finalement, que les mécanismes de signalement d’irrégularités sont de loin la méthode de détection la plus efficace. De plus, des recommandations et des conditions de succès sont présentées aux dirigeants, aux conseils d’administration et aux comités de vérification afin de prévenir la fraude et de faciliter la gestion des risques dans l’environnement de travail.
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 | 0,004 | 0,010 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».