Crowdsourcing Compliance: The Use of WikiRate to Promote Corporate Supply Chain Transparency
Notice bibliographique
Résumé
Abstract This article analyzes the use of crowdsourcing to promote corporate sustainability by assessing compliance with supply chain disclosure laws. It draws on a case study of WikiRate.org as a novel example of crowdsourcing compliance with respect to the UK Modern Slavery Act and U.S. conflict minerals legislation (section 1502 of the Dodd-Frank Financial Reform Act). WikiRate is an open research platform whose mission is to crowdsource better companies by motivating corporations to be transparent about their environmental, social, and governance performance. In particular, WikiRate’s projects on modern slavery and conflict minerals harness the power of citizens to evaluate the quality of corporate disclosures produced in accordance with these laws. Following an analysis of its projects on modern slavery and conflict minerals, I evaluate the challenges of using crowdsourcing to assess legal compliance, including the potential manipulation of data and the difficulty of relying on non-expert citizens to assess complex information in corporate disclosures. I argue that one must identify the appropriate “crowd” that would be most capable of assessing compliance with a given law. While crowdsourcing platforms such as WikiRate invite a broad range of stakeholders to assess compliance, the reality is that only a limited set of individuals may be able to meaningfully participate given the complexity of supply chain disclosures. Thus, “expertsourcing” may be a more appropriate tool for assessing compliance with certain laws as it limits participation to citizens with specialized expertise.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».