Bibliographic record
Abstract
L’auteure examine comment les analystes traitent l’information non financière et comment ce traitement est influencé par le profil des entreprises en ce qui a trait à la publication d’informations non financières. Elle se penche plus précisément sur le lien entre les erreurs des analystes dans les prévisions de résultats et la régularité de la publication d’informations non financières, selon des variables de contenu en information et de temps. L’étude est centrée sur les entreprises du secteur de la communication sans fil et la période s’échelonnant de 1997 à 2007. Les résultats révèlent que les analystes ont tendance à réagir de façon trop modérée aux informations contenues dans le coût d’acquisition de clients, le revenu moyen par utilisateur et le nombre d’abonnés. Ces données sont les indicateurs de performance qui ont un pouvoir prédictif important pour ce qui est des résultats futurs des entreprises de communication sans fil. L’établissement de la distinction entre les entreprises en fonction de leur profil de publication d’informations non financières révèle que les constatations qui précèdent touchent principalement les entreprises qui se caractérisent par l’irrégularité de la publication d’informations. Rien ne permet de conclure à l’inefficacité des analystes dans l’évaluation du contenu des indicateurs non financiers fournis par les entreprises qui publient des informations avec régularité. Ces observations signifient que le manque de régularité dans la publication d’indicateurs de performance restreint la capacité des analystes financiers d’analyser en profondeur l’apport de ces indicateurs pour ce qui est des résultats futurs.
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 | 0.010 | 0.085 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".