Role of Due Diligence in Combating Money Laundering in Lens of ESG: A Concept
Notice bibliographique
Résumé
This study focuses on the implementation of Customer Due Diligence (CDD) requirements under Section 16 of the Anti-Money Laundering Act (AMLA) in Reporting Institutions (RIs). While RIs have established policies and procedures to comply with AMLA and mitigate risks associated with money laundering, there needs to be more emphasis on gathering information to address Environmental, Social, and Governance (ESG) Factors. ESG concerns have become increasingly important in the financial sector, but many institutions need help integrating ESG considerations into their due diligence processes. This study explores the incorporation of ESG due diligence within CDD practices, as it is crucial for long-term value creation, investor returns, and mitigating ESG risks that might be exposed to money laundering. This research aims to identify and propose practical strategies for integrating ESG factors into the customer evaluation process of RIs OR investigate factors that influence the role of due diligence in combating money laundering through the lens of ESG. This paper examines factors that influence the function of due diligence in tackling money laundering through the lens of ESG.
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 | 0,014 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,045 |
| Communication savante | 0,013 | 0,014 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».