مقاله انگلیسی با ترجمه پذیرش سیستم‌های تشخیص تقلب مبتنی بر هوش مصنوعی در بانکداری: نقش اعتماد، شفافیت و درک انصاف در موسسات مالی

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

عنوان فارسی:

پذیرش سیستم‌های تشخیص تقلب مبتنی بر هوش مصنوعی در بانکداری: نقش اعتماد، شفافیت و درک انصاف در موسسات مالی در امارات متحده عربی و قطر

عنوان انگلیسی:

Adoption of Artificial Intelligence-Driven Fraud Detection in Banking: The Role of Trust, Transparency, and Fairness Perception in Financial Institutions in the United Arab Emirates and Qatar

کد محصول: H1115

سال نشر: 2025 

نام ناشر (پایگاه داده): MDPI

نام مجله:  Journal of Risk and Financial Management

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی:  دارد

پرسشنامه : دارد(جدول 2)

تعداد صفحه انگلیسی: 24  صفحه PDF

تعداد صفحه ترجمه فارسی:   45 صفحه WORD

قیمت فایل ترجمه شده:  133000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

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 مقاله به بررسی میزان پذیرش سیستم‌های تشخیص تقلب مبتنی بر هوش مصنوعی  با تمرکز ویژه بر اعتماد، شفافیت و درک از انصاف، در میان مؤسسات مالی در امارات متحده عربی و قطر می‌پردازد. علی‌رغم پتانسیل هوش مصنوعی در شناسایی ناهنجاری‌های مالی، فرآیندهای تصمیم‌گیری مبهم و سوگیری الگوریتمی، پذیرش گسترده آن را به‌ویژه در بخش‌های نظارت بانکی محدود می‌کند. این مطالعه از یک استراتژی کمی مبتنی بر مدل‌سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) و تحلیل چندگروهی (MGA) برای بررسی فرضیات بر اساس پاسخ‌های نظرسنجی ۴۰۹ متخصص بانکی، مانند حسابرسان و افسران انطباق، استفاده می‌کند. این مطالعه نشان می‌دهد که شفافیت، اعتماد را تا حد زیادی افزایش می‌دهد، که پیش‌بینی‌کننده اصلی پذیرش هوش مصنوعی است. درک از انصاف، اثرات منفی سوگیری الگوریتمی را تعدیل می‌کند و بر نقش مهم آن در ایجاد اعتبار سیستم تأکید دارد. تحلیل گروه‌های مختلف نشان می‌دهد که از نظر حساسیت به اعتماد و انصاف بر اساس شغل و منطقه تفاوت هایی وجود دارد و حسابرسان داخلی و افرادی که بیشتر در معرض هوش مصنوعی هستند، آمادگی بیشتری برای پذیرش نشان می‌دهند. انطباق با مقررات نیز به‌عنوان یک فعال‌کننده مثبت برای پذیرش ظاهر می‌شود. این مقاله پیشنهادات عملی برای بانک‌ها، توسعه‌دهندگان و تنظیم‌کننده‌ها به منظور همسو کردن استقرار هوش مصنوعی با آرمان‌های اخلاقی و نظارتی ارائه می دهد. این مطالعه ابزارهای هوش مصنوعی شفاف، قابل توضیح و حساس به انصاف را به عنوان عنصری اساسی برای ترویج پذیرش در بخش‌های مبتنی بر مقررات توصیه می‌کند. یافته‌ها راهنمایی‌هایی برای اجرای مسئولانه و مبتنی بر اعتماد هوش مصنوعی در شناسایی تقلب ارائه می‌کنند.

واژه‌های کلیدی: یادگیری ماشین؛ تشخیص تقلب؛ شفافیت هوش مصنوعی؛ اعتماد؛ درک از انصاف؛ سوگیری الگوریتمی؛ انطباق با مقررات؛ مؤسسات مالی؛ پذیرش هوش مصنوعی؛ توضیح پذیری

Abstract: This paper examines the uptake of AI-driven fraud detection systems among financial institutions in the UAE and Qatar, with a special focus on trust, transparency, and perceptions of fairness. Despite the promise of AI operations in identifying financial anomalies, unclear decision-making processes and algorithmic bias constrain its extensive acceptance, especially in regulation-driven banking sectors. This study uses a quantitative strategy based on Partial Least Squares Structural Equation Modeling (PLS-SEM) and Multi- Group Analysis (MGA) of survey responses from 409 bank professionals, such as auditors and compliance officers. This study shows that transparency greatly enhances trust, which is the leading predictor of AI uptake. Fairness perception mediates the negative impacts of algorithmic bias, emphasizing its important role in establishing system credibility. The analysis of subgroups shows differential regional and professional variations in trust and fairness sensitivity, where internal auditors and highly AI-exposed subjects are found to exhibit higher adoption preparedness. Compliance with regulations also emerges as a positive enabler of adoption. This paper concludes with suggestions for practical implementation by banks, developers, and regulators to align AI deployment with ethical and regulatory aspirations. It recommends transparent, explainable, and fairness-sensitive AI tools as essential for promoting adoption in regulation-driven sectors. The findings provide a guide for promoting responsible, trust-driven AI implementation in fraud detection.

Keywords: machine learning; fraud detection; AI transparency; trust; fairness perception; algorithmic bias; regulatory compliance; financial institutions; AI adoption; explainability

1.مقدمه

استفاده گسترده‌تر از یادگیری ماشین (ML) در تشخیص تقلب در بخش بانکی، اثربخشی این فرایند را به‌ویژه در کشورهایی که به سرعت در حال دیجیتالی سازی هستند مانند امارات متحده عربی و قطر، به‌طور قابل توجهی افزایش داده است. هوش مصنوعی (AI) به عنوان ابزاری کلیدی در عملیات مالی، به‌ویژه در محیط‌های قانونمند، مزایای عملیاتی مهمی دارد، اما هم‌زمان چالش‌هایی در زمینه شفافیت، عدالت و اعتماد نهادی در تصمیم‌گیری‌های مبتنی بر آن ایجاد می‌کند (مک‌نالی و باستوس، ۲۰۲۵).

1. Introduction The growing use of machine learning (ML) for fraud detection in the banking sector has dramatically improved the effectiveness of fraud detection, especially in rapidly digitizing countries like the UAE and Qatar. Artificial intelligence (AI), as a key instrument in financial operations, particularly in compliance-driven environments, has pronounced operational benefits, along with important issues regarding transparency, fairness, and institutional trust in AI-driven decisions (McNally & Bastos, 2025).

در بخش بانکداری عادی، تشخیص تقلب مبتنی بر هوش مصنوعی از یک ابزار تکمیلی به یک جزء کلیدی برای کاهش ریسک تبدیل شده است. با این وجود، برخلاف سیستم‌های مبتنی بر قانون کلاسیک، مدل‌های ML “جعبه‌های سیاه” هستند که مانع از درک و توجیه هشدارهای تشخیص تقلب مبتنی بر هوش مصنوعی توسط حسابرسان و متخصصان مالی می‌شوند. این فقدان شفافیت، مسئولیت‌پذیری و قابلیت حسابرسی را از بین می‌برد و مستلزم همسویی چارچوب‌های هوش مصنوعی قابل توضیح (XAI) برای پر کردن شکاف بین اتوماسیون و تفسیر نظارتی است (صالح و همکاران، ۲۰۲۵)…

In the regular banking sector, AI-driven fraud detection has transitioned from being a supplementary tool to a key component of risk reduction. Nonetheless, in contrast to classic rule-based systems, ML models are “black boxes” that prevent auditors and financial experts from understanding and justifying AI-driven fraud detection alerts. This lack of transparency erodes accountability and auditability, necessitating the alignment of Explainable AI (XAI) frameworks to bridge the space between automation and regulatory interpretability (Salih et al., 2025)…

۲.۱. مقدمه‌ای بر هوش مصنوعی در تشخیص تقلب

استفاده از هوش مصنوعی (AI) و یادگیری ماشین (ML) به طور اساسی رویه‌های تشخیص تقلب در بانکداری را تغییر داده است و هم کارایی و هم دقت در تشخیص تراکنش‌های مشکوک را افزایش داده است. در بخش‌های مالی امارات متحده عربی و قطر، تشخیص تقلب مبتنی بر هوش مصنوعی از یک عملکرد تکمیلی به یک ابزار اصلی پیشگیری از تقلب تبدیل شده است که عمدتاً از طریق رشد دیجیتالی سازی و الزامات نظارتی می باشد. با این حال، اجرای این فناوری‌ها، مسائل حیاتی قابلیت تفسیر، اعتماد و انصاف را مطرح می‌کند—نگرانی‌هایی که به ویژه در زمینه‌های پرخطر مانند تشخیص تقلب، که اشتباهات می‌تواند پیامدهای قانونی و اعتباری داشته باشد، اهمیت دارد (مرشد و خریس، ۲۰۲۵)…

2.1. Introduction to AI in Fraud Detection The use of artificial intelligence (AI) andmachine learning (ML) has substantially changed fraud detection procedures in banking, enhancing both efficiency and accuracy in detecting suspicious transactions. In the financial sectors of theUAE andQatar, fraud detection powered by AI has evolved from a complementary function to a primary fraud prevention tool, mainly through growing digitalization and regulatory requirements. The implementation of these technologies, however, raises vital interpretability, trust, and fairness issues—concerns that are especially significant in high-risk contexts such as fraud detection, where mistakes can have legal and reputational implications (Morshed & Khrais, 2025)…

۳. روش‌شناسی

این تحقیق از مدل‌سازی معادلات ساختاری حداقل مربعات جزئی (PLS-SEM) از طریق SmartPLS 4 برای بررسی عوامل مؤثر در پذیرش سیستم‌های تشخیص تقلب مبتنی بر هوش مصنوعی در بانک‌های امارات متحده عربی و قطر استفاده کرد. PLS-SEM در مقایسه با SEM مبتنی بر کوواریانس (CB-SEM) انتخاب شد زیرا می‌تواند مدل‌های پیش‌بینی پیچیده شامل متغیرهای پنهان، داده‌های توزیع شده غیر نرمال و اندازه‌های نمونه متوسط را مدیریت کند. همچنین در مطالعات اکتشافی و نظریه‌سازی، به‌ویژه در موضوعات تحقیقاتی جدید مانند مقررات هوش مصنوعی در انطباق مالی مفید است (داش و پل، ۲۰۲۱)…

3. Methodology This research utilized Partial Least Squares Structural Equation Modeling (PLS-SEM) via SmartPLS 4 to examine the factors contributing to the adoption of AI-based fraud detection systems in UAE and Qatari banks. PLS-SEM was chosen over Covariance-Based SEM (CB-SEM) because it can handle complex prediction models involving latent variables, non-normally distributed data, and modest sample sizes. It is also useful in exploratory studies and theory building, especially in new research topics such as AI regulation in financial compliance (Dash & Paul, 2021)…

۳.۳. جامعه و نمونه

این نظرسنجی بر متخصصان تشخیص تقلب، انطباق و مدیریت ریسک مرتبط با هوش مصنوعی که مستقیماً توسط بانک‌های سنتی در قطر و امارات متحده عربی استخدام شده‌اند، متمرکز بود. شرکت‌کنندگان هدف شامل حسابرسان، افسران انطباق، مدیران ریسک و متخصصان هوش مصنوعی بودند که احتمالاً با سیستم‌های تشخیص تقلب و تفسیر فناوری هوش مصنوعی در مقررات آشنا هستند (مورشد و همکاران، 2024b)…

3.3. Population and Sample This survey focused on AI-related fraud detection, compliance, and risk management professionals directly employed by traditional banks in Qatar and the UAE. The targeted participants included auditors, compliance officers, risk managers, and AI specialists who are likely to be familiar with fraud detection systems and the interpretation of AI technology in regulation (Morshed et al., 2024b)…

5.بحث

در این بخش در مورد استفاده از هوش مصنوعی  و یادگیری ماشین  در تشخیص تقلب در بانک‌ها در امارات متحده عربی، قطر و غرب بحث می‌شود. فناوری‌های یادگیری ماشین  خودکارسازی تشخیص ناهنجاری‌ها، کاهش حسابرسی ها ، امکان جلوگیری بلادرنگ از تقلب و دقت تشخیص را بهبود می دهند. برخلاف سیستم‌های مبتنی بر قانون، الگوریتم‌های یادگیری ماشین  با تغییرات در الگوهای تقلب سازگار هستند، بنابراین تشخیص را بهبود می‌بخشند و وقوع نتیجه نادرست را به حداقل می‌رسانند. الگوهای پذیرش در مناطق مختلف متفاوت است: بانک‌های غربی سرعت و کارایی عملیات را در اولویت قرار می‌دهند؛ بااین‌حال، بانک‌های امارات و قطر، قابلیت اطمینان، انصاف و انطباق با مقررات را در اولویت قرار می‌دهند، که نشان‌دهنده هوشیاری بیشتر و تحمل ریسک متفاوت است (حسین و همکاران، 2025)…

5. Discussion The use of artificial intelligence (AI) and machine learning (ML) in fraud detection at banks in the UAE, Qatar, and theWest is discussed here. By automating the detection of anomalies, reducing audits, and enabling real-time blocking of fraud, detection accuracy is improved by ML technologies. Unlike rule-based systems, ML algorithms are adaptive to changes in fraud patterns, thereby improving detection and minimizing the occurrence of false positives. Adoption patterns differ by region: Western banks prioritize swiftness and the efficiency of operations; however, UAE and Qatari banks prioritize reliability, fairness, and conformity to regulations, which is indicative of tighter vigilance and varying risk tolerance (Hussin et al., 2025)…

6.جمع بندی

استفاده از یادگیری ماشین در بانک‌های قطر و امارات متحده عربی تا حد زیادی تشخیص تقلب و مدیریت ریسک را بهبود بخشیده است. پذیرش چنین فناوری‌هایی تنها درصورتی موفقیت‌آمیز خواهد بود که شفافیت، اعتماد نهادی و انصاف تضمین شود. تکنیک‌هایی مانند SHAP و LIME برای اطمینان از تفسیرپذیری فرآیندهای تشخیص تقلب مهم هستند، بنابراین اعتماد حسابرسان را افزایش می‌دهند. ممکن است همه بانک‌ها به دنبال افزایش کارایی باشند، اما استراتژی‌های پذیرش آن‌ها براساس اولویت‌ها و برنامه‌های ادغام متفاوت است. شناسایی تقلب با هوش مصنوعی مزایای قابل توجهی دارد، اما موفقیت بلندمدت آن وابسته به ایجاد اعتماد و اطمینان از انصاف است…

6. Conclusions The use of machine learning in banks across Qatar and the UAE has greatly improved fraud detection and risk management. The adoption of such technologies can be successful only if transparency, institutional trust, and fairness are ensured. Techniques like SHAP and LIME are important for ensuring the interpretability of fraud detection processes, thereby enhancing the confidence of auditors. All banks may be interested in enhancing efficiency, yet their strategies for adoption differ based on their priorities and integration plans. AI-driven fraud detection offers obvious benefits, yet long-term success is reliant on trust and the assurance of fairness…

فرضیات

H1: اجرای سیستم‌های تشخیص تقلب مبتنی بر هوش مصنوعی توسط انطباق با مقررات تحریک می‌شود.
H2: شفافیت در مدل‌های تشخیص تقلب مبتنی بر هوش مصنوعی تأثیر معناداری بر اعتماد حسابرسان و برنامه‌های پذیرش دارد.
H3: سوگیری الگوریتمی بر درک از انصاف هوش مصنوعی در تشخیص تقلب تأثیر منفی می‌گذارد.
H4: درک از انصاف به طور مثبت بر اعتماد به سیستم‌های هوش مصنوعی تأثیر می‌گذارد.
H5: اعتماد به سیستم‌های هوش مصنوعی تأثیر مثبتی بر پذیرش ابزار تشخیص تقلب مبتنی بر هوش مصنوعی دارد.
H6: هنگام مواجهه با ابزارهای هوش مصنوعی، پذیرندگان تحت تأثیر اعتماد قرار می‌گیرند.
H7: درک از انصاف رابطه بین اعتماد و پذیرش هوش مصنوعی را تعدیل می‌کند.

H1: The implementation of AI-based fraud detection systems is encouraged by regulatory compliance.
H2: Transparency in artificial fraud detection models has a significant influence on auditors’ trust and adoption plans.
H3: Algorithmic bias negatively affects the perception of AI fairness in fraud detection.
H4: Fairness perception positively influences trust in AI systems.
H5: Trust in AI systems has a positive effect on AI-driven fraud detection tool adoption.
H6: When encountering AI tools, adopters are influenced by trust.
H7: The perception of fairness mediates the relationship between trust and the adoption of AI.