شفافیت و عدم سوگیری الگوریتمی بر پذیرش سیستم های تشخیص تقلب مبتنی بر هوش مصنوعی با میانجی گیری اعتماد با رویکرد معادلات ساختاری

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 144

فایل این مقاله در 34 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISM-4-4_010

تاریخ نمایه سازی: 28 آبان 1404

چکیده مقاله:

در سال های اخیر، استفاده از سیستم های هوش مصنوعی در حوزه خدمات مالی و بانکی به ویژه در زمینه تشخیص تقلب، به عنوان یکی از ابزارهای کلیدی در افزایش امنیت و کاهش ریسک مالی مورد توجه قرار گرفته است. با این حال، پذیرش این فناوری های نوین از سوی کارکنان و مشتریان بانک ها مستلزم فراهم شدن پیش شرط هایی همچون، شفافیت عملکرد الگوریتم ها و کاهش سوگیری های احتمالی آن هاست. پژوهش حاضر با هدف بررسی تاثیر شفافیت و عدم سوگیری الگوریتمی بر پذیرش سیستم های تشخیص تقلب مبتنی بر هوش مصنوعی با نقش میانجی اعتماد و با بهره گیری از رویکرد معادلات ساختاری انجام شد. این پژوهش از لحاظ هدف کاربردی و از نظر روش، توصیفی – همبستگی است. جامعه آماری پژوهش شامل: کارکنان و کارشناسان شعب بانک ملی به تعداد ۶۵۳ نفر در شهر کرج انتخاب شدند. حداقل حجم نمونه طبق فرمول کوکران ۲۴۲ نفر برآورد گردید و مورد تجزیهوتحلیل قرار گرفت. در این پژوهش برای گردآوری اطلاعات از پرسشنامه استاندارد استفاده شدهاست. پایایی با استفاده از ضریب الفای کرونباخ مورد بررسی قرار گرفت و روایی صوری و محتوا با نظر استاد راهنما و خبرگان مورد بررسی و تایید قرار گرفت. همچنین تجزیهوتحلیل دادههای بهدست آمده با استفاده از نرمافزار آماری SPSS و lisrelصورت گرفته است. یافته های پژوهش نشان داد که شفافیت الگوریتمی تاثیر مثبت و معناداری بر اعتماد و همچنین بر پذیرش سیستم های تشخیص تقلب دارد. علاوه براین، نتایج بیانگر آن است که عدم سوگیری الگوریتمی نیز به طور مستقیم بر سطح اعتماد کارکنان نسبت به سیستم اثرگذار بوده و از این طریق پذیرش فناوری هوش مصنوعی را افزایش می دهد. نقش میانجی اعتماد در این رابطه تایید شد و مشخص گردید که اعتماد به عنوان حلقه واسط، شدت اثرگذاری شفافیت و بی طرفی الگوریتم ها را بر پذیرش سیستم های مبتنی بر هوش مصنوعی تقویت می کند. بر اساس آزمون سوبل و شاخص های برازش مدل، روابط مورد نظر از اعتبار آماری مناسبی برخوردار بودند.

کلیدواژه ها:

شفافیت ، عدم سوگیری الگوریتمی ، پذیرش سیستم های تشخصیص تقلب مبتنی بر هوش مصنوعی ، اعتماد

نویسندگان

پرستو بافقی

گروه مدیریت بازرگانی، واحد شهر قدس، دانشگاه آزاد اسلامی، شهر قدس، ایران

محمود احمدی شریف

گروه مدیریت بازرگانی، واحد شهر قدس، دانشگاه آزاد اسلامی، شهر قدس، ایران

مرتضی شفعتی

استادیار، گروه مدیریت و حسابداری، دانشگاه پیام نور، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ولیپور، مهرداد،۱۴۰۴،تشخیص تقلب مبتنی بر هوش مصنوعی و پیش بینی ...
  • محمدی آریا وسط چی، علیرضا و یارمحمدی، مرضیه،۱۴۰۴،هوش مصنوعی: چالش ...
  • اثرات اعتماد شناختی و اعتماد اجتماعی بر قصد پذیرش عامل دیجیتال هوش مصنوعی با نقش میانجی اعتماد عاطفی در بین مشتریان بیمه سامان [مقاله کنفرانسی]
  • دارائی، محمد،۱۴۰۳،هوش مصنوعی توضیح پذیر: گامی به سوی شفافیت و ...
  • روزبهانی، زهرا و نظری، سارا و صراف زاده جهرمی، مجتبی،۱۴۰۳،بررسی ...
  • اکبرالسادات سیدمجید, & اسماعیل پور بابک. (۱۴۰۱). مروری بر روش ...
  • شعری آنافیز، صابر و خراسانی، ابوطالب (۱۳۹۶) . واکاوی مفهوم ...
  • Agheli, M., & Ajorloo, F. (۲۰۱۸). The Effect of brand ...
  • Agheli, M., NikMenesh, S., Rashidi, H., & Jalali, P. (۲۰۲۳). ...
  • Ayeni, T. J., Durotoye, E. O., & Eriabie, S. (۲۰۲۴, ...
  • Bahnsen, A. C., Aouada, D., Stojanovic, A., & Ottersten, B. ...
  • Basri, W. S., & Almutairi, A. (۲۰۲۳). Enhancing Financial Self-efficacy ...
  • Chen, I. Y., Johansson, F. D., & Sontag, D. (۲۰۲۰). ...
  • Dayalan, P., & Sundaramurthy, B. (۲۰۲۵). Exploring the Implementation and ...
  • Doshi-Velez, F., & Kim, B. (۲۰۱۹). Towards a rigorous science ...
  • Eskandarany, A. (۲۰۲۴). Adoption of artificial intelligence and machine learning ...
  • Goodfellow, I., Bengio, Y., & Courville, A. (۲۰۱۸). Deep learning. ...
  • Islam, M. Z., Shil, S. K., & Buiya, M. R. ...
  • Jurgovsky, J., Granitzer, M., Ziegler, K., Calabretto, S., Portier, P.-E., ...
  • Lipton, Z. C. (۲۰۱۸). The mythos of model interpretability. Communications ...
  • Ribeiro, M. T., Singh, S., & Guestrin, C. (۲۰۱۶). “Why ...
  • Veale, M., & Binns, R. (۲۰۲۰). Fairer machine learning in ...
  • Zhang, B., Dafoe, A., & Chen, J. (۲۰۲۲). Transparency and ...
  • نمایش کامل مراجع