Exploring anti-corruption, transparency, and accountability in the World Health Organization, the United Nations Development Programme, the World Bank Group, and the Global Fund to Fight AIDS, Tuberculosis and Malaria
Notice bibliographique
Résumé
Corruption is recognized by the global community as a threat to development generally and to achieving health goals, such as the United Nations Sustainable Development Goal # 3: ensuring healthy lives and promoting well-being for all. As such, international organizations such as the World Health Organizations and the United Nations Development Program are creating an evidence base on how best to address corruption in health systems. At present, the risk of corruption is even more apparent, given the need for quick and nimble responses to the COVID-19 pandemic, which may include a relaxation of standards and the rapid mobilization of large funds. As international organizations and governments attempt to respond to the ever-changing demands of this pandemic, there is a need to acknowledge and address the increased opportunity for corruption.In order to explore how such risks of corruption are addressed in international organizations, this paper focuses on the question: How are international organizations implementing measures to promote accountability and transparency, and anti-corruption, in their own operations? The following international organizations were selected as the focus of this paper given their current involvement in anti-corruption, transparency, and accountability in the health sector: the World Health Organization, the United Nations Development Program, the World Bank Group, and the Global Fund to Fight Aids, Tuberculosis and Malaria. Our findings demonstrate that there has been a clear increase in the volume and scope of anti-corruption, accountability, and transparency measures implemented by these international organizations in recent years. However, the efficacy of these measures remains unclear. Further research is needed to determine how these measures are achieving their transparency, accountability, and anti-corruption goals.
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 | 0,033 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,011 |
| Communication savante | 0,015 | 0,010 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».