طراحی مدل حسابرسی شناختی مبتنی بر هوش مصنوعی مولد برای کشف الگوهای پنهان تقلب مالی در سازمان های هوشمند

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 27

فایل این مقاله در 24 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISM-5-4_010

تاریخ نمایه سازی: 22 آبان 1405

چکیده مقاله:

در این پژوهش، مدل حسابرسی شناختی مبتنی بر هوش مصنوعی مولد برای کشف الگوهای پنهان تقلب مالی در سازمان های هوشمند طراحی و اعتبارسنجی شد. با توجه به پیچیده تر شدن ساختارهای مالی و گسترش تقلب های چندلایه و داده محور، روش های سنتی حسابرسی کارایی لازم را در شناسایی رفتارهای غیرعادی ندارند. پژوهش حاضر با رویکرد آمیخته (کیفی–کمی) انجام شد؛ در فاز کیفی، با استفاده از تحلیل مضمون و مصاحبه با ۱۸ خبره، ابعاد مدل شامل زیرساخت های داده محور، قابلیت های شناختی، هوش مصنوعی مولد، پردازش اطلاعات، کشف ناهنجاری و تصمیم گیری هوشمند استخراج گردید. در فاز کمی، داده ها از ۳۲۰ پرسشنامه معتبر جمع آوری و با استفاده از مدل یابی معادلات ساختاری مبتنی بر حداقل مربعات جزئی تحلیل شد. نتایج نشان داد که مدل از برازش مناسبی برخوردار بوده و کلیه روابط میان سازه ها معنادار هستند. یافته ها بیانگر آن است که زیرساخت های داده محور از طریق تقویت قابلیت های شناختی و مولد، نقش مهمی در افزایش دقت کشف تقلب، کاهش ریسک مالی و ارتقای شفافیت مالی دارند. همچنین هوش مصنوعی مولد با توانایی تحلیل داده های ساختاریافته و غیرساختاریافته، امکان شناسایی الگوهای پنهان و پیش بینی رفتارهای متقلبانه را فراهم می سازد. در مجموع، نتایج پژوهش نشان می دهد که حسابرسی شناختی می تواند به عنوان رویکردی نوین و کارآمد در ارتقای نظام های حسابرسی و مقابله با تقلب مالی در سازمان های هوشمند مورد استفاده قرار گیرد.

کلیدواژه ها:

نویسندگان

فرشید سیدمهدی

معاونت مالی و اداری.شرکت سبززیور، تهران، ایران

ارکیده حامدی

استادیار مدیریت بازرگانی، گروه مدیریت، اقتصاد و حسابداری، دانشکده علوم انسانی، 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 :
  • زارع، م.، حاجی ها، ع.، و کیقبادی، م. (۱۴۰۳). کاربرد ...
  • صفری، ع.، محمدی، س.، و رحیمی، ف. (۱۴۰۲). بررسی کاربرد ...
  • حسینی، ر.، و احمدی، م. (۱۴۰۱). نقش کلان داده در ...
  • کاظمی، ن.، و رضایی، س. (۱۴۰۲). حسابرسی هوشمند و آینده ...
  • موسوی، ع.، و کریمی، پ. (۱۴۰۰). هوش مصنوعی و تحول ...
  • Daft, R. L., & Weick, K. E. (۱۹۸۴). Toward a ...
  • Teece, D. J. (۲۰۲۰). Business models and dynamic capabilities. Long ...
  • Goodfellow, I., Bengio, Y., & Courville, A. (۲۰۲۰). Deep learning. ...
  • Kokina, J., & Davenport, T. H. (۲۰۲۱). The emergence of ...
  • Daliri, M. (۲۰۲۰). Artificial intelligence in fraud detection systems. Journal ...
  • Rouhollahi, A. (۲۰۲۱). Machine learning approaches in fraud detection. International ...
  • Buiya, T. (۲۰۲۶). Generative AI for financial anomaly detection. Applied ...
  • Dyapa, R. (۲۰۲۶). Large language models in auditing analytics. Engineering ...
  • Zafar, A., & Wu, Z. (۲۰۲۶). Explainable artificial intelligence in ...
  • نمایش کامل مراجع