Lutter autrement contre la corruption transnationale: potentiel et défis du système de sanctions de la Banque mondiale
Bibliographic record
Abstract
Résumé Depuis le milieu des années 1990, les principales Banques multilatérales de développement (BMD) jouent un rôle actif dans la lutte contre la corruption transnationale. La Banque mondiale (BM), suivie par les autres grandes banques régionales de développement, ont mis au point un système de sanctions appliqué aux entreprises et individus qui se livrent à des pratiques de corruption dans le cadre des projets d’investissements qu’elles financent. Les cinq grandes BMD ont récemment harmonisé leurs stratégies de lutte contre la corruption dans leurs opérations, en adoptant des définitions harmonisées des pratiques répréhensibles et des principes et directives communs pour les enquêtes. En 2010, ces dernières ont établi un système d’application mutuelle des décisions d’exclusion. Il s’agit clairement de mesures considérables prises au niveau multilatéral qui contribuent à lutter contre le problème de la corruption. Il est donc pertinent d’évaluer leur efficacité. Après avoir procédé à un examen approfondi et à une analyse critique du système de sanctions de la BM, le présent article conclut que malgré son importance, il n’est pas encore à la hauteur de ses ambitions de sanctionner et dissuader les acteurs internationaux corrompus. Par conséquent, l’article propose des solutions visant à améliorer ce système dont la nécessité n’est plus à démontrer.
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 | 0.009 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.010 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".