MétaCan
Menu
Retour à la cohorte
Enregistrement W2804979549 · doi:10.5771/0506-7286-2021-2-160

Coordinating the Enforcement of Anti-Corruption Law: South American Experiences

2021· article· en· W2804979549 sur OpenAlexfundno aff
Kevin E. Davis, Guillermo Jorge, Maíra Rocha Machado

Notice bibliographique

RevueVerfassung in Recht und Übersee · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCorruption and Economic Development
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research Centre
Mots-clésEnforcementLanguage changeContext (archaeology)Law enforcementPolitical sciencePoliticsCorporate governanceVariety (cybernetics)Law and economicsLawBusinessSociologyGeographyFinanceComputer science

Résumé

récupéré en direct d'OpenAlex

One of the most pressing challenges in anti-corruption law is whether and how to coordinate enforcement across multiple agencies, that is to say, under conditions of institutional multiplicity. One approach is modular enforcement, which involves dividing responsibility for enforcement among multiple institutions that are able, but not required, to coordinate their activities. The relatively impressive performance of Brazil’s anti-corruption agencies around the beginning of the twentieth century has been attributed to this kind of institutional modularity. We examine whether other similarly situated countries adopted the Brazilian approach. Specifically, we compare the extent to which the modular approach to anti-corruption enforcement was reflected in the national anti-corruption institutions of Brazil and five other South American countries as of 2014. We find little evidence that Brazil’s neighbors adopted the modular approach and suggest a variety of political, intellectual and institutional factors that may limit the attraction of institutional modularity outside the Brazilian context. Our analysis also demonstrates the value of an approach to comparative legal analysis which extends beyond the judiciary and the police to cover the full range of institutions involved in law enforcement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,204
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,330
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVerfassung in Recht und ÜberseeMême sujetCorruption and Economic DevelopmentTravaux en français237 207