بازچینش زمینه برای حسابرسی مبتنی بر مدل های زبانی بزرگ: چارچوبی نظری برای همترازی شواهد و ردیابی پذیری

مدل های زبانی بزرگ (LLM) به طور فزاینده ای در محیط هایی با متون طولانی و اطلاعات پراکنده به کار گرفته می شوند؛ با این حال، در حسابرسی صورت های مالی مسئله محوری صرفا بازیابی یا خلاصه سازی متن نیست، بلکه بازچینش زمینه به نحوی است که شواهد مرتبط به صورت معنادار در کنار یکدیگر قرار گیرند و زنجیره استدلال «ادعا-شاهد-نتیجه» به شکلی قابل ردیابی و دفاع پذیر شکل بگیرد. این مقاله با رویکردی کاملا نظری بازچینش زمینه را به مثابه یک مسئله طراحی در سامانه های مبتنی بر LLM برای حسابرسی باز صورت بندی می کند. استدلال اصلی مقاله آن است که دو ویژگی ساختاری محیط گزارشگری پراکندگی افشا و نویز اطلاعاتی از مسیر افزایش بار شناختی زائد و اختلال در تخصیص توجه فرآیند همترازی شواهد را تضعیف کرده و دفاع پذیری قضاوت حرفه ای را در چارچوب الزامات کیفیت و پاسخ گویی نهادی به مخاطره می اندازند. بر این مبنا مقاله یک مدل مفهومی و مجموعه ای از گزاره های نظری ارائه می دهد که روابط میان ساختار افشا، بار شناختی و کیفیت سازمان دهی شواهد را تبیین می کند. سپس این گزاره ها به اصول طراحی برای سامانه های مبتنی بر LLM ترجمه می شوند؛ از جمله دروازه مبانی نویز، هدف محور، فشرده سازی وفادار قابل ارجاع و نقشه سازی ادعا-شاهد-نتیجه به گونه ای که هر گزاره به منبع متناظر خود متصل و برای بازبینی مستقل قابل پیگیری باشد. مقاله همچنین تمایزی بنیادی میان استفاده از LLM به عنوان ابزار تولید متن و به عنوان سازوکار سازمان دهی زمینه شواهد قائل می شود و نشان می دهد تنها رویکرد دوم با منطق دفاع پذیری و کیفیت در حسابرسی سازگار است. در پایان یک دستور کار پژوهشی برای ادبیات هوش مصنوعی و یادگیری ماشین پیشنهاد می شود که بر تعریف سازی سازه های زمینه محور و توسعه معیارهای ارزیابی بازچینش زمینه در کاربردهای اطمینان بخشی تمرکز دارد.

کلیدواژه ها:

مدل های زبانی بزرگ ، بازچینش زمینه ، نویز اطلاعاتی ، پراکندگی افشا ، بار شناختی ، حسابرسی مبتنی بر LLM