MétaCan
Menu
Retour à la cohorte
Enregistrement W4394912601 · doi:10.5267/j.ijdns.2024.3.002

Enhancing estate governance using blockchain technology through risk management in estate governance of business sustainability

2024· article· en· W4394912601 sur OpenAlexvenueno aff
Iqbal H. Jebril, Murad Ali Ahmad Al-Zaqeba, Haneen A. Al-Khawaja, Abdulbasit Lutfy A. Al Obaidy, Osama shokri Marashdah

Notice bibliographique

RevueInternational Journal of Data and Network Science · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueImpact of AI and Big Data on Business and Society
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBlockchainCorporate governanceBusinessRisk governanceRisk managementSustainabilityEstateReal estateAccountingFinanceComputer securityComputer science

Résumé

récupéré en direct d'OpenAlex

The integration of blockchain technology into estate governance has the potential to revolutionize transparency, efficiency, and security in estate management. Traditional governance structures often grapple with inefficiencies, lack of transparency, and security issues in estate management. This paper comprehensively explores the impact of blockchain on estate governance, and then risk management and business sustainability. This research centers on the role of risk management on business sustainability to mediate and moderate the effect of estate governance on business sustainability. The results indicate that effective real estate governance positively affects risk management practices in real estate. However, both real estate governance and risk management contribute to business sustainability. Moreover, there are still gaps in the literature that require further investigation. Where policymakers and practitioners can develop informed strategies to strengthen governance structures, mitigate risks, and promote sustainable practices in real estate; Thus, promoting long-term success and resilience in the real estate industry. It is worth noting that future research should focus on empirical testing of the proposed hypotheses to provide a better understanding of these dynamics and their implications for risk management that can affect business sustainability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,937
Score d'incertitude au seuil0,546

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0000,001
Communication savante0,0000,003
Science ouverte0,0030,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,396
Écart entre enseignants0,339 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Data and Network ScienceMême sujetImpact of AI and Big Data on Business and SocietyTravaux en français237 207