EVALUATING GOVERNANCE PRACTICES AND BUSINESS OPERATIONS IN NIGERIA: ATTENDANT RESPONSE TO FRAUD PREVENTION AND RISK MANAGEMENT IN THE COVID-19 PANDEMIC ERA
Notice bibliographique
Résumé
Despite the outcome of the COVID-19 pandemic onslaught on global economies that has negatively undermined the financial prowess of major markets in United States of America, United Kingdom, Germany, France, Austria, Canada, Spain, Italy, Nigeria, South Africa, Ghana et cetera, leading to loss of trillions of US Dollars, the need to uphold responsive financial sustainability among nations and businesses has been largely impaired by the prevalence of fraud, cyber crimes, mismanagement of scarce finance resources and external loan funds, bad leadership and poor oversight. Amid unprecedented increase in job layoffs, salary cuts, expenses cuts, robotic technologies embrace, bonuses suspension, promotions postponements, remote working embrace, price hikes, high inflation rate et cetera which have all culminated into heightened fraud occurrences and consequent fraud losses, fraud risk appear not to be proactively considered a top priority by the government and management of businesses in critical challenging COVID-19 pandemic economic downturn period as this. Deploying a descriptive approach, the study expressly evaluates the threat of COVID-19 pandemic upsurge on public governance and businesses with extant emphasis laid literally on attendant responses to fraud prevention and fraud risk management in Nigeria. Conceptualized schematic frameworks and widely recognized current statistics were utilised and evaluated to maximally envisage reliable response measures to fraud risk factors in the contemporary COVID-19 pandemic business environment in Nigeria. The study concludes by proposing possible actions (way forward) for policies development towards rescuing Nigeria and its business environment from the prevailing unfavourable situations..
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».