Internal audit: from effectiveness to organizational significance
Notice bibliographique
Résumé
Purpose From the perspective of two groups of governance actors, this paper aims to understand how internal audit (IA) achieves and consolidates organizational significance. Design/methodology/approach Interviews were conducted with audit committee chairs and chief audit executives from multinational corporations, and the participating corporations’ registration documents were analyzed. Findings The data indicate that IA achieves and consolidates organizational significance by activating the IA effectiveness “building blocks” (Lenz et al., 2014) all together so as to generate organizational learning and positive change. New IA effectiveness drivers also emerged from the field. Research limitations/implications This research contributes to the IA literature by establishing a connection, through the IA impact on organizational learning, between the constructs of IA effectiveness and organizational significance. It also contributes to the IA literature by identifying new drivers and illustrating the complementarity and interconnections between the IA effectiveness building blocks. Practical implications This paper encourages internal auditors to keep their eyes on the prize (i.e. organizational significance) instead of simply being focused on the mean (i.e IA effectiveness), in order to fight stakeholder disappointment. Originality/value The paper proposes a conceptual model of IA organizational significance and gives key insights for setting up effective IA to stimulate organizational learning and fostering positive change in the whole organization.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,016 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».