مقاله انگلیسی احساسات هوش مصنوعی و عملکرد مالی در بانک های اسلامی

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سفارش ترجمه مقالات مرتبط

عنوان فارسی:

رمزگشایی سیگنال های دیجیتال: احساسات هوش مصنوعی و عملکرد مالی در بانک های اسلامی

عنوان انگلیسی:

Decoding Digital Signals: AI Sentiment and Financial Performance at Islamic Banks

کد محصول: H1114

سال نشر: ۲۰۲۵

نام ناشر (پایگاه داده): الزویر

نام مجله: Borsa istanbul Review

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: مدل ریاضی دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: ۵۸صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:H1114)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده 

این مطالعه شواهد تجربی در مورد نقش هوش مصنوعی (AI) و احساسات ناشی از یادگیری ماشین (ML) در تأثیرگذاری بر عملکرد مالی بانک‌های اسلامی ارائه می‌دهد. با استفاده از روش‌های پیشرفته تحلیل متون، از جمله شبکه‌های حافظه کوتاه‌مدت بلند (LSTM)، احساسات مرتبط با هوش مصنوعی و یادگیری ماشین از گزارش‌های سالانه استخراج می‌شوند. این مطالعه از رگرسیون اثرات ثابت با استفاده از بازده حقوق صاحبان سهام (ROE) به عنوان معیار اصلی و آزمون های پایداری با استفاده از مدل‌های جنگل تصادفی و رگرسیون‌های اسپلاین برای بررسی تأثیر آن‌ها بر ROE و بازده دارایی‌ها (ROA) استفاده می‌کند. همچنین نقش واسطه‌ای توسعه فناوری‌های اطلاعات و ارتباطات (ICT) و اثر تعدیل‌کننده رشد تولید ناخالص داخلی (GDP) را بررسی می‌کند. یافته‌های ما نشان می‌دهد که احساسات مثبت در مورد هوش مصنوعی و یادگیری ماشین به‌طور معناداری سودآوری را افزایش می‌دهد و احساسات ترکیبی قوی‌ترین قدرت پیش‌بینی را دارند. نقش واسطه‌ای توسعه ICT بر اهمیت زیرساخت‌های دیجیتال تأکید می‌کند و رشد GDP بر وابستگی زمینه‌ای نوآوری‌های مبتنی بر هوش مصنوعی تأکید دارد.

واژه‌های کلیدی: هوش مصنوعی؛ بانکداری اسلامی؛ یادگیری ماشین

Abstract This study provides empirical evidence on the role of artificial intelligence (AI) and machine learning (ML) sentiment in influencing financial performance by Islamic banks. Using advanced textual analysis methods, including long short-term memory (LSTM) networks, AI and ML sentiment is derived from annual reports. The study employs fixed-effects regression using the return on equity (ROE) as the primary measure and robustness checks using random forest models and spline regressions to examine their impact on ROE and the return on assets (ROA). It also investigates the mediating role of the development of information communication technologies (ICT) and the moderating effect of growth in the gross domestic product (GDP). Our findings reveal that positive sentiment about AI and ML significantly enhances profitability, and combined sentiment has the strongest predictive power. The mediating role of ICT development highlights the importance of digital infrastructure, and GDP growth emphasizes the contextual dependence of AI-driven innovation.

Keywords: Artificial intelligence; Islamic banking; machine learning

۱-مقدمه

ادغام فناوری‌های هوش مصنوعی (AI) و یادگیری ماشین (ML) در بخش مالی، تغییرات ساختاری را تسریع کرده، چارچوب‌های عملیاتی را بازتعریف و نوآوری را ترویج کرده است. این فناوری‌ها به موسسات مالی امکان می‌دهند تا تصمیم‌گیری را بهبود بخشند، فرآیندها را خودکار کنند و استراتژی‌های مبتنی بر داده را طراحی کنند، در نتیجه رقابت‌پذیری خود را در یک اقتصاد جهانی به‌سرعت دیجیتالی‌شده حفظ کنند (چوداری و آرورا، ۲۰۲۴). در این زمینه، تحلیل احساسات—یک کاربرد هوش مصنوعی و یادگیری ماشین—استخراج بینش‌های عملی از داده‌های متنی، از جمله گزارش‌های سالانه و بازخورد مشتریان را تسهیل می‌کند، که به‌طور فزاینده‌ای نتایج سازمانی را شکل می‌دهند (جیانگ و همکاران، ۲۰۲۳؛ موهانتی و چروکوری، ۲۰۲۳). با وجود افزایش تحقیقات در مورد تحلیل احساسات در بانکداری متعارف، استفاده و پیامدهای آن در بانکداری اسلامی تا حد زیادی مورد بررسی قرار نگرفته است. این مطالعه این شکاف را با ارائه اولین شواهد تجربی در مورد چگونگی تأثیرگذاری احساسات مربوط به هوش مصنوعی و یادگیری ماشین استخراج‌شده از افشاهای داخلی بر عملکرد مالی بانک‌های اسلامی رفع می‌کند…

۱.Introduction Integrating artificial intelligence (AI) and machine learning (ML) technologies into the financial sector has accelerated structural changes, redefined operational frameworks, and promoted innovation. These technologies enable financial institutions to improve decision-making, automate processes, and craft data-informed strategies, thereby maintaining their competitiveness in a rapidly digitizing global economy (Choudhary & Arora, 2024). In this context, sentiment analysis—an application of AI and ML—facilitates the extraction of actionable insights from textual data, including annual reports and customer feedback, which increasingly shape institutional outcomes (Jiang et al., 2023; Mohanty & Cherukuri, 2023). Despite the increase in research on sentiment analysis in conventional banking, its use and implications in Islamic banking are largely underexplored. This study fills this gap by presenting the first empirical evidence on how AI and ML sentiment extracted from internal disclosures influences the financial performance of Islamic banks…

۲.۱. چارچوب نظری

در چارچوب در حال تحول بانکداری جهانی، تجزیه و تحلیل اینکه چگونه نوآوری‌های فناوری هوش مصنوعی بر عملکرد مالی بانک‌های اسلامی—یک جزء متمایز و در عین حال جدایی‌ناپذیر از سیستم بانکداری جهانی—تأثیر می‌گذارد، نیازمند دیدگاه‌های نظری متعددی است. این موضوعات شامل بررسی قابلیت‌های هوش مصنوعی به عنوان منابع استراتژیک (دیدگاه مبتنی بر منابع)، درک گسترش این قابلیت‌ها در بازارهای مختلف (نظریه انتشار نوآوری) و تشخیص اینکه چگونه محیط‌های نظارتی و فرهنگی اجرای آن‌ها را شکل می‌دهند (نظریه نهادی) است. این مطالعه با ترکیب این دیدگاه‌ها، یک چارچوب جامع برای درک تغییرات ناشی از هوش مصنوعی در امور مالی اسلامی ارائه می‌دهد…

۲.۱.Theoretical framework In the evolving context of global banking, analyzing how AI technology innovations affect the financial performance of Islamic banks—a distinct yet integral component of the global banking system—requires multiple theoretical perspectives. They include examining AI capabilities as strategic resources (resource-based view), understanding the spread of these capabilities across diverse markets (diffusion of innovation theory), and recognizing how regulatory and cultural environments shape their implementation (institutional theory). This study offers a holistic framework for comprehending AI-driven change in Islamic finance by combining these perspectives…

۳.۱. روش‌شناسی

این مطالعه بر سه رکن نظری کلیدی—نظریه نوآوری فناوری، نظریه سیگنال‌دهی سازمانی و RBV—استوار است تا به‌طور تجربی بررسی کند که آیا احساسات در مورد هوش مصنوعی و ML بر عملکرد مالی بانک‌های اسلامی تأثیر می‌گذارد یا خیر. نظریه نوآوری فناوری بیان می‌کند که اتخاذ فناوری‌های پیشرفته، مانند هوش مصنوعی و ML، برای افزایش کارایی سازمانی و حفظ مزیت رقابتی ضروری است، به‌ویژه زمانی که با چارچوب‌های نظارتی و نهادی مساعد همسو باشد (شیاب و همکاران، ۲۰۲۳). نظریه سیگنال‌دهی سازمانی معتقد است که افشاهای رسمی، مانند گزارش‌های سالانه، به عنوان ابزارهای استراتژیکی عمل می‌کنند که از طریق آن‌ها مدیریت، اهداف آینده، اولویت‌های نهادی و آمادگی دیجیتال را به ذینفعان، تنظیم‌کننده‌ها و سرمایه‌گذاران منتقل می‌کند (اقبال و همکاران، ۲۰۲۳; د عیسی و بساریا، ۲۰۲۳). این افشاها اغلب حاوی احساسات نهفته‌ای هستند که منعکس‌کننده اعتماد یا احتیاط داخلی در مورد جهت‌گیری‌های استراتژیک است. RBV با قرار دادن دارایی‌های نامشهود—مانند قابلیت‌های فناوری، زیرساخت ICT و تخصص مدیریتی—به عنوان منابع استراتژیک منحصربه‌فرد که عملکرد شرکت را افزایش می‌دهند، این دیدگاه‌ها را تکمیل می‌کند (ادوینا و موریتسیوس، ۲۰۲۴؛ پرماتاساری و فرناندس، ۲۰۲۴)…

۳.۱. Methodology This study builds on three key theoretical pillars—technological innovation theory, organizational signaling theory, and the RBV—to empirically examine whether sentiment about AI and ML influences the financial performance of Islamic banks. Technological innovation theory posits that the adoption of cutting-edge technologies, such as AI and ML, is essential for boosting organizational efficiency and maintaining a competitive advantage, particularly when aligned with conducive regulatory and institutional frameworks (Shiyyab et al., 2023). Organizational signaling theory holds that formal disclosures, such as annual reports, serve as strategic tools through which management communicates future intentions, institutional priorities, and digital readiness to stakeholders, regulators, and investors (Iqbal et al., 2023; de Jesus & Besarria, 2023). These disclosures often contain embedded sentiment that reflects internal confidence or caution regarding strategic directions. RBV complements these views by positioning intangible assets—such as technological capabilities, ICT infrastructure, and managerial expertise—as unique strategic resources that enhance firm performance (Edwina & Mauritsius, 2024; Permatasari & Fernandes, 2024)…

۵.نتیجه‌گیری، پیامدها، محدودیت‌ها و مسیرهای تحقیقات آینده

این مطالعه یک بررسی تجربی جامع از رابطه بین احساسات در مورد هوش مصنوعی و ML و عملکرد مالی بانک‌های اسلامی انجام می‌دهد. این مطالعه با استفاده از یک مجموعه داده پانلی چندساله که شامل ۷۱ بانک اسلامی در ۱۶ کشور است و ترکیبی از رگرسیون اثرات ثابت، رگرسیون اسپلاین و مدل‌های جنگل تصادفی  به بررسی این موضوع می پردازد که آیا احساسات استخراج‌شده از اطلاعات افشا شده داخلی بانک‌ها بر اساس امتیازدهی احساسات مبتنی بر LSTM  ،سودآوری که با ROE و ROA اندازه‌گیری شده ایت را پیش‌بینی می‌کند یا خیر. این تحلیل نشان می‌دهد که نمرات احساسات هوش مصنوعی و ML—به ویژه معیار ترکیبی—به‌طور مثبتی با نتایج مالی مرتبط هستند. با گنجاندن معیارهای احساسات با تأخیر، این مطالعه نشان می‌دهد که این اثرات فوری نیستند، بلکه در طول چندین سال آشکار می‌شوند و با گذشت زمان کاهش می‌یابند، که نشان‌دهنده نیاز به همسویی استراتژیک بلندمدت پذیرش هوش مصنوعی با اهداف عملکرد نهادی است. این بینش با به کارگیری یک دیدگاه پویا در مورد ارتباط مالی احساسات هوش مصنوعی، به ادبیات موجود کمک می‌کند، ابعادی که تا حد زیادی در مطالعات قبلی غایب بود…

۵. Conclusion, implications, limitations, and directions for future research This study performs a comprehensive empirical investigation of the relationship between sentiment regarding AI and ML and the financial performance of Islamic banks. It uses a multiyear panel dataset covering 71 Islamic banks across 16 countries and a combination of fixed-effects regression, spline regression, and random forest models to examine whether sentiment extracted from internal bank disclosures with LSTM-based sentiment scoring predicts profitability, as measured by ROE and ROA. The analysis reveals that AI and ML sentiment scores—particularly the combined metric—are positively correlated with financial outcomes. By including lagged sentiment measures, the study shows that these effects are not immediate but, rather, unfold over multiple years and diminish over time, which signals the need for long-term strategic alignment of AI adoption with institutional performance objectives. This insight contributes to the literature by employing a dynamic perspective on the financial relevance of AI sentiment, a dimension largely absent from prior studies….

فرضیه‌ها

فرضیه ۱. امتیاز احساسات هوش مصنوعی مثبت ، ROE بانک‌ها را افزایش می‌دهد.
فرضیه ۲. رشد GDP تأثیر مثبت احساسات هوش مصنوعی بر ROE را تعدیل می‌کند، به طوری که این اثر زمانی تشدید می‌شود که رشد GDP بالاتر باشد.
فرضیه ۳. توسعه ICT رابطه بین احساسات هوش مصنوعی و ROE را میانجی‌گری می‌کند، که نشان می‌دهد ظرفیت ICT قوی تر باعث سودآوری مبتنی بر هوش مصنوعی می شود.

Hypothesis

Hypothesis 1. A positive AI sentiment score enhances banks’ ROE.
Hypothesis 2. GDP growth moderates the positive impact of AI sentiment on ROE, such that this effect intensifies when GDP growth is higher
Hypothesis 3. ICT development mediates the relationship between AI sentiment and ROE, indicating that stronger ICT capacity enables AI-driven gains in profitability.