Bibliographic record
Abstract
Dans un marché financier efficient, la théorie économique classique soutient qu’il appartient d’abord aux investisseurs de sanctionner, par une réduction du prix des titres, les problèmes de gouvernance d’entreprise. Au cours des dernières années, les autorités canadiennes en valeurs mobilières (ci-après «ACVM») ont mis en place différentes mesures pour améliorer la gouvernance d’entreprise au Canada, en s’appuyant sur l’efficience informationnelle des marchés financiers. Le présent texte étudie les principales mesures qui ont été adoptées et explique certaines relations entre ces mesures et la théorie économique. D’abord, il présente certains principes économiques fondamentaux portant sur l’efficience informationnelle des marchés financiers et les effets de cette dernière sur la gouvernance d’entreprise. Ensuite, il analyse des mesures prises par les ACVM en ce qui a trait à la gouvernance d’entreprise. Ces initiatives touchent, d’une part, le renforcement de l’obligation d’information par l’inclusion d’éléments de divulgation sur la structure de gouvernance. D’autre part, elles intègrent une nouvelle réglementation pour améliorer la qualité et la fiabilité de l’information comptable. L’approche réglementaire des ACVM est commentée à la lumière des limites théoriques qui sous-tendent l’hypothèse des marchés financiers efficients. L’étude souligne notamment les limites quant au respect des divulgations en matière de gouvernance et à la rationalité des investisseurs chargés de sanctionner les lacunes au chapitre de la gouvernance d’entreprise.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 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".