Quand les analystes ajustent‐ils leurs évaluations en fonction du biais des annonces de résultats prévisionnels ? Conséquences de la feuille de route des entreprises en ce qui a trait à la publication de résultats prévisionnels et enjeux motivant les analystes
Bibliographic record
Abstract
Les études précédentes indiquent que les analystes n’ajustent pas totalement leurs évaluations en fonction du biais général à la baisse des annonces de résultats prévisionnels faites par les directions d’entreprises. Les auteurs rapportent les résultats de deux expériences visant à déterminer comment la feuille de route des entreprises en ce qui a trait à la publication de résultats prévisionnels et les enjeux motivant les analystes expliquent de concert la mesure dans laquelle ces derniers ajustent leurs évaluations en fonction du biais des annonces de résultats prévisionnels. Ces résultats d’expérience semblent indiquer que les analystes pour qui l’enjeu est celui de l’exactitude ajustent leurs évaluations selon la feuille de route de la direction en ce qui a trait à la publication de résultats prévisionnels biaisés à la baisse lorsque le biais est relativement modeste (un cent), mais que les analystes pour qui l’enjeu est celui de leur relation avec la direction s’en abstiennent. Au surplus, la différence dans l’ajustement est plus importante lorsque la feuille de route de l’entreprise en matière de biais est irrégulière que lorsqu’elle est régulière. Aussi, lorsque le biais des annonces de résultats prévisionnels est plus important que moins (deux cents par rapport à un cent), les analystes pour qui l’enjeu est celui de la relation avec la direction procèdent à un ajustement partiel, paraissant ainsi rechercher un équilibre entre exactitude et volonté de plaire à la direction. Ces constatations ont des répercussions pour les investisseurs, les autorités de réglementation et l’interprétation des études précédentes.
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 | 0.020 | 0.103 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
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".