Gouvernance et qualité de l'information financière
Bibliographic record
Abstract
Résumé De nombreux gestionnaires s’interrogent sur le bien-fondé de la réforme actuelle en matière de gouvernance d’entreprise. Ils en voient clairement les coûts, puisqu’ils devront les assumer, mais ils se demandent quels seront les effets de ces prétendues «meilleures pratiques» destinées à améliorer la transparence ou la qualité de l’information financière, élément clé d’une saine gouvernance. Cet article examine la recherche qui met en relief les facteurs censés contribuer à la qualité de l’information financière; ces facteurs combinés pourraient servir au calcul d’une mesure agrégée de la qualité de l’information financière. Une analyse de la littérature permet de dégager cinq catégories de facteurs, soit le conseil d’administration, le comité de vérification, le vérificateur externe, les caractéristiques du P.D.G. et les autres facteurs. Le présent article présente les trois premières catégories de facteurs, tandis qu’un second article, qui paraîtra dans le prochain numéro de la revue Gestion , décrit les deux dernières catégories.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.044 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.013 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".