MétaCan
Menu
Retour à la cohorte
Enregistrement W4399442237 · doi:10.5430/afr.v13n3p1

Enhancing Anti-Money Laundering Strategies: A Conceptual Paper

2024· article· en· W4399442237 sur OpenAlexvenueno aff
Yusri Hazrol Yusoff, Syahirah Jumbli, Nur Nashuha Norazman, Nor Shahida Binti Abdul Razak, Muhamad Ridzuan Hashim

Notice bibliographique

RevueAccounting and Finance Research · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCrime, Illicit Activities, and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMoney launderingBusinessLaw enforcementGovernment (linguistics)EnforcementPrivate sectorFinanceAccountingEconomicsLawPolitical scienceEconomic growth

Résumé

récupéré en direct d'OpenAlex

The effectiveness of strategies in enhancing anti-money laundering depends on various factors such as technological advancements, anti-money laundering laws and regulations, responsibilities of banks and other financial entities in anti-money laundering, and Collaboration between government agencies, the private sector, and law enforcement. Money laundering harms the economy and political stability of a country. This paper examines the effectiveness of anti-money laundering strategies through an article review, focusing on three aspects: technological advancements, anti-money laundering laws and regulations, and responsibilities of banks and financial entities, as well as Collaboration between government agencies, private sector, and law enforcement. Based on these insights, recommendations are proposed for authorities to improve the strategies to combat anti-money laundering in the country.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,854
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,065
Tête enseignante GPT0,387
Écart entre enseignants0,322 · 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.

Devis d'étudeSans objet
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

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAccounting and Finance ResearchMême sujetCrime, Illicit Activities, and GovernanceTravaux en français237 207