Gender Spectrum: Redefining Financial Disclosure Through Inclusive Leadership
Notice bibliographique
Résumé
This study conducts a bibliometric analysis of the literature on financial reporting quality and gender diversity in top management teams (TMTs) from 1943 to 2021. Utilizing the “Biblioshiny” tool, we examine publication trends, key themes, and the contributions of leading authors and institutions in this evolving field. Our analysis reveals a significant increase in annual publications, especially since 2016, indicating a growing scholarly interest in the impact of gender diversity on corporate governance and financial reporting practices. Notably, Spain and Canada emerge as key contributors, showcasing substantial citation metrics that underscore their influence in shaping discussions around gender dynamics in TMTs. The thematic analysis identifies core areas of focus, including the role of female directors in enhancing oversight and improving financial reporting quality. Furthermore, the study emphasizes the need for increased international collaboration, as the majority of contributions stem from single-country publications, limiting the diversity of perspectives. By providing a comprehensive overview of existing literature, this research contributes to the academic discourse on gender diversity and financial reporting while laying the groundwork for future studies aimed at exploring the complex dynamics between these critical dimensions. The insights gained can inform practitioners and policymakers on the importance of fostering gender diversity within corporate leadership to enhance financial transparency and governance effectiveness. Ultimately, this study highlights the necessity of integrating diverse perspectives in TMTs to improve overall corporate performance and accountability. Received: 23 September 2024 | Revised: 17 December 2024 | Accepted: 19 March 2025 Conflicts of Interest The authors declare that they have no conflicts of interest to this work. Data Availability Statement Data are available on request from the corresponding author upon reasonable request. Author Contribution Statement Amna Arshad: Conceptualization, Validation, Formal analysis, Investigation, Resources, Data curation, Writing – original draft, Writing – review & editing, Funding acquisition. Saira Arshad: Methodology, Validation, Formal analysis, Data curation, Writing – original draft, Supervision, Project administration. Mahnoor: Conceptualization, Methodology, Software, Formal analysis, Investigation, Resources, Writing – original draft, Writing – review & editing, Visualization, Funding acquisition. Khoula Naseer: Methodology, Validation, Formal analysis, Resources, Writing – review & editing, Funding acquisition. Muhammad Rehan: Validation, Visualization. Hafiz Azeem: Software, Investigation, Visualization.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».