Measuring executive personality using machine‐learning algorithms: A new approach and audit fee‐based validation tests
Notice bibliographique
Résumé
Abstract We present a novel approach for measuring executive personality traits. Relying on recent developments in machine learning and artificial intelligence, we utilize the IBM Watson Personality Insights service to measure executive personalities based on CEOs’ and CFOs’ responses to questions raised by analysts during conference calls. We obtain the Big Five personality traits – openness, conscientiousness, extraversion, agreeableness and neuroticism – based on which we estimate risk tolerance. To validate these traits, we first demonstrate that our risk‐tolerance measure varies with existing inherent and behavioural‐based measures (gender, age, sensitivity of executive compensation to stock return volatility, and executive unexercised‐vested options) in predictable ways. Second, we show that variation in firm‐year level personality trait measures, including risk tolerance, is largely explained by manager characteristics, as opposed to firm characteristics and firm performance. Finally, we find that executive inherent risk tolerance helps explain the positive relationship between client risk and audit fees documented in the prior literature. Specifically, the effect of CEO risk‐tolerance – as an innate personality trait – on audit fees is incremental to the effect of increased risk appetite from equity risk‐taking incentives (Vega). Measuring executive personality using machine‐learning algorithms will thus allow researchers to pursue studies that were previously difficult to conduct.
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 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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».