Removing Barriers to Whistleblowing at Nonprofit Organizations through Employee Empowerment*
Notice bibliographique
Résumé
Abstract This study explores how key organizational and governance actors perceive the effectiveness of whistleblowing at nonprofit organizations (NPOs) and how whistleblowing is interrelated with other anti‐fraud mechanisms. Using a systems approach, we develop a conceptual framework of anti‐fraud mechanisms consisting of a set of interrelated components: control‐focused mechanisms and employee‐focused mechanisms (whistleblowing) intended to prevent and detect fraud, influenced by the environment (regulation and stakeholders) and human factors (employees' attitudes and leaders' awareness of fraud). We conducted 14 semistructured interviews with key actors at Canadian NPOs and noted that diverse control mechanisms were in place at these groups, but seemingly no formal whistleblowing policy existed. The organizations were disinclined to formalize a whistleblowing system in the short term despite viewing such a system as effective. Whereas prior research has examined the role of control‐focused mechanisms, NPOs' adoption of whistleblowing systems, and the benefits thereof, we contribute to the literature by stressing that employee empowerment is crucial to overcoming reluctance to blow the whistle. If the board of directors is aware of fraud risk and provides employees with the resources, motivation, and protection to speak up, whistleblowing could be implemented in these organizations. Whistleblowing should be interrelated with other mechanisms to form an effective anti‐fraud system.
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 | 0,003 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».