Education dimensions relevant to successful electronic levy mobilization in resource-rich yet poor countries in Africa
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
First and foremost, the study explored why countries in Africa are rich in natural resources yet resort to e-levy legislation for more revenues. In addition, the study investigated dimensions of education needed to facilitate successful mobilization of e-levy revenue in resource -rich yet poor countries in Africa. Qualitative exploratory design, semi-structured interviews, judgmental and snowball sampling techniques were used for the study. Twelve (12) scholars from US (N = 3), Uganda (N = 3) Canada (N = 3), Ghana (N = 3) were interrogated. The paper was guided by the natural resource-cursed and social learning theories. Thematic analyses were used to analyse the data. It was found that although African countries are rich in natural resources yet they face challenges generating revenue from natural resources due to mismanagement, poor leadership and weak governance. They also find it difficult to mobilize revenues from e-levy too because of the informal nature of the economy, lack of financial inclusion, corruption, the disinterest of the public in the e-levy legislation as well as inadequate education on the e-levy concept. But the advanced economies are successful in generating revenue from e-levy. Proactive leadership and governance in managing natural resources, addressing mismanagement, and dealing with corruption and its negative effects are required to make things happen in Africa. African economies need to be more formalised and financial inclusion deepened. Proper accounting of state revenues to the citizenry must be enforced. E-levy education, civic education, digital literacy, ethics and legal education, can significantly contribute to the success of e-levy revenue generation in Africa.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle