Whistleblowing System and Fraud Early Warning System on Village Fund Fraud: The Indonesian Experience
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
This research aims to investigate the effectiveness of village fund fraud prevention models by analyzing the implementation of the Fraud Early Warning System (FEWS) and whistleblowing system to good village governance towards clean government. This study used a descriptive qualitative research method by conducting interviews to explore more information about the problems of preventing village fund fraud. The paradigm used is the interpretive and methodology paradigm used to express meaning is phenomenology to describe and explain how behavior in the implementation of FEWS and the whistleblowing system against village fund fraud. Determination of informants was carried out with a sequential technique, namely all village officials and communities involved in managing the process of allocating village funds in Sumowono Subdistrict, Central Java Province, Indonesia as research informants. The population of this study was 105 village officials and community members from 16 villages in Sumowono District. This study shows that in managing village fund fraud, complaints about village fund fraud were mainly driven by courage from the local community in their respective villages. The strategy to reduce fraud is to provide opportunities for the community to implement FEWS and the whistleblowing system as a preventive strategy to prevent village fund fraud. FEWS and wshistleblowing system activities in village funds also face various challenges. The implementation of the FEWS and the effective whistleblowing system, the fraudsters will think again whether to continue fraud or cancel the behavior.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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