Anti-money laundering and moral intensity in suspicious activity reporting
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 examine the influence Jones’ Moral Intensity Model (1991) has on the decision-making process of anti-money laundering (AML) compliance officers charged with reporting suspicious money laundering transactions in Jersey. Design/methodology/approach Ten interviews were conducted to elicit participants’ views on the six dimensions of moral intensity and their influence on the compliance officers’ decision to submit a suspicious activity report (SAR) of potential money laundering. Findings The findings indicate that the officers’ moral intensity to submit a SAR seems to be heavily influenced by issue-specific contextual factors. Contexts (legal and legislative mandates) seem to have more of an effect on the moral intent and actions of the officers rather than directly affecting the decision to submit a report of a suspicious money laundering transaction. Research limitations/implications The paper lays the groundwork for further work in this area and calls on researchers to develop instruments that can enhance the measurements of the dimensions of moral intensity. Practical implications The setting (AML in the financial sector) is both timely and extremely interesting to keep studying, particularly in Jersey because of its dubious sensitive particularities. Originality/value The study is the first to examine Jersey AML sector through the lens of moral intensity. In this sense, the paper poses interesting questions, namely, to explore the dynamic complexities experienced by compliance officers in Jersey to detect and report suspicious money laundering activities and the decision-making criteria of actually submitting a SAR.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 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