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
Shrinking budgetary allocations for tax enforcement at the U.S. federal level have placed an unprecedented premium on low cost policies that promote voluntary tax compliance. In other jurisdictions, tax administrators have experimented with rewarding taxpayers for voluntarily complying with tax laws, but there has been an absence of reward-focused policy experimentation in the United States. To explore the efficacy of rewards among U.S. taxpayer populations, a multi-period online tax reporting experiment was conducted featuring a simple reward intervention: a token monetary amount pre-announced and provided to participants who were audited and found to have fully complied. The reward failed to increase average post-audit compliance levels as compared to the no-reward control condition, regardless of whether random audits or non-random (i.e., conditional on past detected evasion) audits were used. However, the reward treatment condition in combination with random audits was strikingly effective with respect to an alternative measure of tax compliance: “consistent compliance,” or the outcome in which a participant voluntarily reports all of her income in each and every period of the experiment. When used in conjunction with random audits, the reward treatment caused consistent compliance to rise by 89% as compared to the no-reward control condition (statistically significant at the 5% level). These results suggest that pairing token monetary rewards with random audits may help maintain taxpayers’ commitments to voluntary compliance over time. Such findings may justify conducting field experiments to better understand the effects of reward programs on real-world taxpayer populations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,003 | 0,005 |
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