A Confiabilidade dos Dados Financeiros de Hospitais Filantrópicos Canadenses: Um Estudo Empírico Baseado na Lei de Benford
Bibliographic record
Abstract
A Lei de Benford (LB) é uma distribuição logarítmica útil para se detectar padrões anormais em conjuntos de números. Ela é frequentemente usada nas práticas de auditoria de dados para detectar indícios de práticas ilegais, erros ou ocorrências indesejáveis, tais como fraude e gestão de resultados. Neste estudo descritivo, foram analisados os dados financeiros (receitas e despesas) dos hospitais filantrópicos sediados nas províncias de Ontário e Quebec, as quais reúnem 71,4% do total dessas organizações no Canadá. O objetivo desta pesquisa foi verificar a confiabilidade dos dados financeiros dos respectivos hospitais utilizando-se como proxy de confiabilidade a distribuição probabilística prevista pela LB. A amostra foi formada por 1.334 observações relacionadas 339 entidades no exercício fiscal de 2009 e 328 entidades no ano de 2010, obtidas do banco eletrônico de dados da Canda Revenue Agency. Para a análise dos desvios entre as frequências observadas e esperadas dos dados, foram calculadas duas estatísticas: Z-teste e Chi-quadrado. Os resultados apontaram que, com um nível de confiança de 95%, os conjuntos de dados financeiros relacionados às receitas e despesas dos hospitais filantrópicos localizados em Ontário e Quebec estão em conformidade com a LB, sugerindo que, em uma análise preliminar, os respectivos dados não possuem viés.
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 | 0.008 | 0.043 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".