موضوع دکتری حسابداری: سوگیری الگوریتمی و ریسک حسابرسی
گسترش کاربرد هوش مصنوعی و الگوریتم های یادگیری ماشین در حسابرسی، فرصت مهمی برای افزایش سرعت تحلیل، پوشش گسترده تر داده ها و شناسایی الگوهای پنهان ایجاد کرده است. بااین حال، این فناوری ها الزاما بی طرف و عاری از خطا نیستند. الگوریتم ها بر پایه داده های گذشته آموزش می بینند و اگر داده ها، معیارهای طراحی یا شیوه استفاده از مدل دارای سوگیری باشند، خروجی سامانه نیز می تواند تصمیم های حسابرسی را به طور نظام مند منحرف کند.
سوگیری الگوریتمی زمانی رخ می دهد که یک مدل هوشمند به صورت ناعادلانه یا نادقیق، برخی شرکت ها، تراکنش ها، مدیران یا واحدهای عملیاتی را پرریسک تر از واقع ارزیابی کند؛ یا برعکس، ریسک واقعی برخی موارد را نادیده بگیرد. برای مثال، اگر مدل کشف تقلب عمدتا با داده های شرکت های بزرگ و صنعتی آموزش دیده باشد، ممکن است در ارزیابی شرکت های کوچک، خدماتی یا دانش بنیان عملکرد مناسبی نداشته باشد. در این حالت، هشدارهای بیش ازحد یا نادیده گرفتن نشانه های واقعی تقلب، کیفیت حسابرسی را تضعیف می کند.
منشا سوگیری می تواند در مراحل مختلف ایجاد شود. نخست، سوگیری داده ای؛ یعنی داده های تاریخی ناقص، اشتباه یا غیرنماینده واقعیت باشند. دوم، سوگیری برچسب گذاری؛ زیرا تشخیص اینکه کدام مورد واقعا تقلب بوده، گاه بر مبنای قضاوت انسانی یا نتایج رسیدگی های ناقص انجام می شود. سوم، سوگیری طراحی مدل؛ زمانی که انتخاب متغیرها، آستانه هشدار یا معیار ارزیابی مدل، به درستی با هدف حسابرسی سازگار نیست. چهارم، سوگیری استفاده کننده؛ یعنی حسابرس به خروجی مدل بیش ازحد اعتماد کند یا فقط اطلاعاتی را بپذیرد که با قضاوت اولیه او هماهنگ است.
اثر سوگیری الگوریتمی بر ریسک حسابرسی بسیار مهم است. اگر مدل موارد کم اهمیت را پیوسته پرریسک اعلام کند، حسابرس زمان و منابع خود را صرف هشدارهای کاذب می کند. اما اگر مدل یک تحریف بااهمیت را تشخیص ندهد، احتمال صدور اظهارنظر نامناسب افزایش می یابد. بنابراین، اتکای صرف به دقت کلی مدل کافی نیست؛ حسابرس باید نرخ خطای مثبت کاذب، خطای منفی کاذب، پایداری مدل در صنایع مختلف و منطق تصمیم گیری آن را نیز ارزیابی کند.
راهکارهای کاهش این ریسک شامل استفاده از داده های متنوع و باکیفیت، آزمون مدل در محیط ها و صنایع گوناگون، بازبینی دوره ای عملکرد الگوریتم، مستندسازی متغیرها و معیارهای مدل، و حفظ نظارت انسانی در تصمیم های بااهمیت است. همچنین، توضیح پذیری مدل می تواند به حسابرس کمک کند تا تشخیص دهد کدام عوامل باعث افزایش امتیاز ریسک شده اند و آیا این عوامل از نظر حرفه ای قابل دفاع هستند یا خیر.
یک عنوان پیشنهادی برای رساله دکتری:
«تاثیر سوگیری الگوریتمی در ابزارهای هوش مصنوعی بر ارزیابی ریسک و کیفیت قضاوت حسابرسان: نقش تعدیل گر توضیح پذیری مدل و تجربه حرفه ای»
در این پژوهش می توان حسابرسان را در معرض خروجی مدل های دارای سطوح متفاوتی از سوگیری و توضیح پذیری قرار داد و بررسی کرد که این شرایط چگونه بر ارزیابی ریسک تحریف بااهمیت، میزان اتکا به سامانه و تصمیم نهایی آنان اثر می گذارد.
یافته های چنین پژوهشی می تواند مبنایی برای طراحی مسئولانه ابزارهای هوشمند حسابرسی و تدوین رهنمودهای حرفه ای در زمینه حاکمیت، اعتبارسنجی و نظارت بر الگوریتم های مورد استفاده در موسسات حسابرسی باشد.