Prévention et détection des fraudes : que font les organisations canadiennes?
Bibliographic record
Abstract
Résumé Les journaux parlent fréquemment de fraudes commises par des personnes et des organisations. Ces fraudes ont des répercussions énormes et variées, d’où l’importance de les prévenir et de les détecter le plus rapidement possible. Mais que font les organisations à ce sujet? Cet article présente les résultats d’une enquête menée au Canada auprès de 90 experts en détection des fraudes et en compare les résultats avec les statistiques aux États-Unis. Les résultats montrent que plus du quart des fraudes entraînent une perte supérieure à 1 million de dollars pour les entreprises qui en sont victimes; que les détournements d’actifs, la corruption et les fraudes comptables sont souvent utilisés comme moyens de s’enrichir illégalement aux dépens de l’entreprise et de ses actionnaires; que la formation sur la politique antifraude ou sur le code de conduite de l’entreprise, les mécanismes de signalement d’irrégularités et les contrôles à l’improviste sont autant de contrôles préventifs efficaces; et, finalement, que les mécanismes de signalement d’irrégularités sont de loin la méthode de détection la plus efficace. De plus, des recommandations et des conditions de succès sont présentées aux dirigeants, aux conseils d’administration et aux comités de vérification afin de prévenir la fraude et de faciliter la gestion des risques dans l’environnement de travail.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| 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 teacher head, 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".