MétaCan
Menu
Retour à la cohorte
Enregistrement W2946514487 · doi:10.5430/ijfr.v10n3p216

Factors That Might Lead to Corruption: A Case Study on Malaysian Government Agency

2019· article· en· W2946514487 sur OpenAlexvenueno aff
Sharifah Liyana Marissa Malik Syed Abdul, Haslinda Yusoff, Nafsiah Mohamed

Notice bibliographique

RevueInternational Journal of Financial Research · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIslamic Finance and Banking Studies
Établissements canadiensnon disponible
Organismes subventionnairesUniversiti Teknologi MARAMinistry of Education, India
Mots-clésLanguage changeAccountabilityDiscretionGovernment (linguistics)Agency (philosophy)BusinessControl (management)Corrupt practicesAccountingEconomicsPolitical scienceLawPoliticsSociology

Résumé

récupéré en direct d'OpenAlex

Corruption has hindered the effectiveness of customs administrations in many developing countries. In the 21st century, a new problem has arisen which is the rise of international terrorism. Usually, these criminal corruption activities will happen at the border points of a country. This is where the criminal operators offer bribes to the customs officials to allow them to smuggle illegal items into the country. This has posed a huge risk to both the internal and international securities of many countries. This paper seeks to investigate the factors that may influence corruption in organizational procedures that occur in Malaysia. Given the importance of government agency and its accountability, internal control and discretionary power, this paper focuses on these factors in the effort to combat corruption, increase moral awareness and narrow the opportunities for corrupt practices. Specifically, this study found that there are significant relationships between the level of accountability, internal control, discretionary power and the perception on corruption. The result also indicated that corruption flourishes in a situation where the accountability of agents to the principal is weak, when agents have low internal control and when the agents have great discretion.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,202
Score d'incertitude au seuil0,532

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 savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,107
Tête enseignante GPT0,368
Écart entre enseignants0,261 · 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'étudeObservationnel
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

Citations6
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Financial ResearchMême sujetIslamic Finance and Banking StudiesTravaux en français237 207