Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This paper aims to explore how well reporting mechanisms work, investigate current trends and develop a framework for implementing effective mechanisms. Design/methodology/approach This study is based on primary and secondary data, criminology theory and best corporate strategies. Findings This study shows that the median number of annual reports equals 1.2 per cent of the number of employees in an organization and that 40 per cent of these reports have merit (Navex Global, 2014). In addition, 42.2 per cent of all frauds are detected through internal reports, whatever their form. Organizations with formal reporting mechanisms sustain fraud losses that are 40.5 per cent less than other organizations (ACFE, 2014). Moreover, employees are more willing to report theft, human resource and workplace issues than fraud and corruption, while 21 per cent of all whistleblowers have experienced some form of retaliation for reporting wrongdoing (Ethics Resource Center, 2014). Results from primary data show that the option to remain anonymous is offered only by 74 per cent of all reporting mechanisms. This paper argues that effective reporting mechanisms should actively encourage whistleblowing, that all credible allegations should be independently investigated and that whistleblowers should be offered the option to remain anonymous. The oversight and the daily administration of reporting mechanisms should be given to two different parties who are independent from management and who do not participate in incentive compensation plans (Lipman, 2012). Research limitations/implications This paper extends previous research by reporting on current hotline trends and integrating various factors into a framework to implement effective reporting mechanisms. Originality/value It is the first paper to investigate the effectiveness of reporting mechanisms and current policy trends.
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.
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 | 0,014 | 0,104 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle