LEARNING POINTS FROM WHISTLEBLOWER CLAIMS AGAINST INSTITUTIONS OF HIGHER EDUCATION
Notice bibliographique
Résumé
The types of whistleblowing claims made against institutions of higher education are not well understood nor are the various mechanisms used to solicit, investigate, and learn from such claims at the institutional and state levels. This research obtained and analyzed whistleblower claims made against institutions of higher education and explores and facilitates a discussion around the value of learning opportunities that come from whistleblowing claims. Aggregate claims data and detail workpapers for claims made against the 45 publicly funded colleges and universities in the state of Ohio, in the midwestern United States was analyzed to identify patterns and areas of focus which could improve institutional processes and internal controls. Four areas resulted from the analysis: hiring and pay practices, prevention of the theft of institutional assets, prevention of the theft of student funds, and an institutional accreditation issue. All claims that were reported reflected real concerns on topics of strategic importance to institutions and their management practices, although not all were substantiated or corroborated. One quarter of the claims resulted in proven cases for recovery and prosecution. At the state level, completeness of investigation and administrative learning were sometimes not pursued due to the code enforcement nature of the governing bodies whose mandate was limited to the identification and prosecution of crimes, although improvement opportunities clearly existed. The case of Ohio demonstrates that open government and public information request processes can provide sufficient information to allow insight into the nature of the claims and to identify improvement opportunities for both the institution and state level administration. Key words: internal controls, internal audit, higher education, whistleblowing, fraud, ethics, Ohio, college and university administration, governance.
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 | 0,025 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».