مقاله تأثیر هوش مصنوعی بر بهبود کیفیت حسابرسی داخلی در بانک‌های تجاری: نقش تعدیل‌گر سیستم‌های اطلاعات حسابداری

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سایت ناشر خرید ترجمه مقالات مرتبط سفارش پروپوزال

عنوان فارسی:

تأثیر هوش مصنوعی بر بهبود کیفیت حسابرسی داخلی در بانک‌های تجاری: نقش تعدیل‌گر سیستم‌های اطلاعات حسابداری

عنوان انگلیسی:

The impact of artificial intelligence on improving the quality of internal auditing in commercial banks: The moderating role of accounting information systems

کد محصول: h1210

سال نشر: 2027

نام ناشر (پایگاه داده): الزویر

نام مجله: Journal of Digital Economy

نوع مقاله: علمی پژوهشی (Research articles)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: ندارد

پرسشنامه : دارد

تعداد صفحه انگلیسی: 14 صفحه PDF

تعداد صفحه ترجمه فارسی:   51 صفحه WORD

قیمت فایل ترجمه شده:  298000 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 مطالعه تأثیر هوش مصنوعی (AI) را بر ارتقای کیفیت حسابرسی داخلی در بانک‌های تجاری بررسی می‌کند و تمرکز ویژه‌ای بر نقش تعدیل‌گر سیستم‌های اطلاعات حسابداری (AIS) دارد. این پژوهش با به‌کارگیری رویکردی توصیفی و تحلیلی، با هدف بررسی رابطه میان این متغیرها و تأثیر آن‌ها بر اثربخشی رویه‌های حسابرسی داخلی انجام شده است. داده‌ها از طریق پرسش‌نامه‌ای گردآوری شدند که در اختیار نمونه‌ای تصادفی از کارکنان اداری بانک‌های تجاری اردن قرار گرفت. برای تحلیل داده‌های گردآوری‌شده از نرم افزار آماری علوم اجتماعی (SPSS) استفاده شد. یافته‌های این مطالعه نشان‌دهنده تأثیر معنادار آماری هوش مصنوعی بر بهبود کیفیت حسابرسی داخلی است و سیستم‌های اطلاعات حسابداری در این رابطه نقش تعدیل‌گر ایفا می‌کنند.

کلیدواژه‌ها: هوش مصنوعی، حسابرسی داخلی، بانک تجاری، سیستم‌های اطلاعات حسابداری

Abstract: This study investigates the impact of Artificial Intelligence (AI) on enhancing the quality of internal auditing in commercial banks, with a particular focus on the moderating role of accounting information systems (AIS). By employing a descriptive and analytical approach, this research aims to examine the relationship between these variables and their influence on the effectiveness of internal auditing practices. Data was collected through a questionnaire administered to a random sample of administrative workers in Jordanian commercial banks. The statistical package for the social sciences (SPSS) was used to analyze the data collected. The findings of this study demonstrate a statistically significant impact of AI on improving the quality of internal auditing, with AIS acting as a moderating factor in this relationship.

Keywords: Artificial intelligence, Internal auditing, Commercial bank, Accounting information systems

۱. مقدمه

هوش مصنوعی (AI)، شاخه‌ای تحول‌آفرین از علوم رایانه که به‌صورت «سیستمی مبتنی بر ماشین که قادر به ارائه پیش‌بینی‌ها، پیشنهادها یا تصمیم‌گیری برای مجموعه‌ای از اهداف تعیین‌شده توسط انسان است» تعریف می‌شود (سازمان همکاری و توسعه اقتصادی، ۲۰۲۱) و فناوری‌هایی مانند یادگیری ماشین، پردازش زبان طبیعی و بینایی رایانه‌ای را در بر می‌گیرد. کاپلان و هاینلاین (۲۰۱۹) با تکیه بر این تعریف، هوش مصنوعی را توانایی سیستم‌ها در تفسیر داده‌ها، یادگیری از آن‌ها و استفاده از آن‌ها برای دستیابی به اهداف مشخص توصیف می‌کنند. این قابلیت‌ها، هوش مصنوعی را به عاملی محوری و توانمندساز در صنایع مختلف، ازجمله امور مالی و حسابرسی، تبدیل می‌کنند. هم‌زمان، سیستم‌های اطلاعات حسابداری (AIS) به‌عنوان ستون فقرات تصمیم‌گیری مبتنی بر داده در سازمان‌ها عمل می‌کنند و با گردآوری، پردازش و گزارش‌دهی داده‌های مالی، زیرساخت فناورانه ضروری برای رویه‌های حسابرسی مستحکم را فراهم می‌آورند (یوسف و کانجی، ۲۰۲۰؛ رومنی و استاینبارت، ۲۰۱۴).

هم‌افزایی میان هوش مصنوعی و سیستم‌های اطلاعات حسابداری، ظرفیت قابل‌توجهی برای متحول‌کردن حسابرسی داخلی در بانک‌های تجاری دارد. هوش مصنوعی در این زمینه با خودکارسازی وظایف معمول (برای مثال، استخراج و تحلیل داده‌ها) و شناسایی ناهنجاری‌ها و ریسک‌ها با دقتی بی‌سابقه، تغییری بنیادین در الگوی موجود ایجاد می‌کند (همین، ۲۰۱۷). این امر حسابرسان را قادر می‌سازد بر فعالیت‌های دارای ارزش افزوده بالا تمرکز کنند و درنتیجه، کارایی و اثربخشی حسابرسی را افزایش دهند. برای مثال، ابزارهای هوش مصنوعی شناسایی تقلب در زمان واقعی و مدیریت پیش‌دستانه ریسک را تسهیل می‌کنند. نکته مهم این است که ادغام سیستم‌های اطلاعات حسابداری با هوش مصنوعی، از طریق فراهم‌کردن امکان به‌کارگیری تحلیل‌های پیشرفته و مدل‌های پیش‌بینی، کیفیت حسابرسی را افزایش می‌دهد (یوسف و کانجی، ۲۰۲۰) و تضمین می‌کند که حسابرسی‌ها در محیط‌های پویای کسب‌وکار همچنان کارآمد، دقیق و مرتبط باقی بمانند. حسابرسان با ترکیب قدرت تحلیلی هوش مصنوعی و قابلیت‌های سیستم‌های اطلاعات حسابداری در مدیریت داده‌های ساختاریافته، می‌توانند بهتر به چالش‌هایی مانند افزایش الزامات مقرراتی و پیچیدگی معاملات مالی رسیدگی کنند (الطایی، ۲۰۲۳)….

1. Introduction Artificial Intelligence (AI), a transformative branch of computer science defined as “a machine-based system capable of making predictions, suggestions, or decisions for a set of human-specified objectives” (OECD, 2021), encompasses technologies like machine learning, natural language processing, and computer vision. Building upon this definition, Kaplan and Haenlein (2019) describe AI as the ability of systems to interpret data, learn from it, and use it to achieve specific goals. These capabilities position AI as a pivotal enabler across various industries, including finance and auditing. Simultaneously, Accounting Information Systems (AIS) serve as the backbone for data-driven decision-making in organizations, collecting, processing, and reporting financial data to provide the technological infrastructure essential for robust auditing practices (Yusuf and Kanji, 2020; Romney and Steinbart, 2014).

The synergy between AI and AIS holds significant potential for transforming internal auditing in commercial banks. AI offers a paradigm shift in this context by automating routine tasks (e.g., data extraction, analysis) and identifying anomalies and risks with unprecedented accuracy (Hemin, 2017). This enables auditors to focus on high-value activities, enhancing audit efficiency and effectiveness. For instance, AI tools facilitate real-time fraud detection and proactive risk management. Crucially, when integrated with AI, AIS enhances audit quality by enabling the application of advanced analytics and predictive models (Yusuf and Kanji, 2020), ensuring audits remain efficient, accurate, and relevant in dynamic business environments. By combining AI’s analytical power with AIS’s structured data capabilities, auditors can better address challenges like increasing regulatory demands and complex financial transactions (Altaayiy, 2023)…

۲.۱. حسابرسی داخلی (IA)

حسابرسی داخلی به‌عنوان «فعالیتی مستقل و عینی برای اطمینان‌بخشی تعریف می‌شود که با هدف ارزش‌آفرینی و بهبود عملیات سازمانی طراحی شده است» (مؤسسه حسابرسان داخلی، ۲۰۲۱). وظایف اصلی آن شامل ارزیابی فرایندهای حاکمیت سازمانی، مدیریت ریسک و کنترل است و از این طریق به سازمان‌ها کمک می‌کند به اهداف خود دست یابند و انطباق با مقررات را حفظ کنند. اهمیت حسابرسی داخلی به دلیل افزایش الزامات مقرراتی و نیاز به شفافیت مالی، به میزان قابل‌توجهی افزایش یافته است. همان‌طور که البوات و همکاران (۲۰۲۱) تأکید کردند، حسابرسی داخلی نقش چشمگیری در افزایش کارایی عملیاتی و کاهش ریسک دارد؛ به‌ویژه در صنایع پیچیده و تحت نظارت قانونی، مانند صنعت بانکداری. افزون بر این، دینح (۲۰۲۰) به نقش راهبردی آن در محافظت از شرکت‌ها در برابر خطر فروپاشی پس از رسوایی‌ها پرداخت و خاطرنشان کرد که سازمان‌های برخوردار از حسابرسی داخلی مستحکم با ریسک‌های کمتری مواجه می‌شوند. حسابرسی داخلی همچنین از طریق تضمین قابلیت اتکای اطلاعات مالی، به ذی‌نفعان داخلی و خارجی خدمت می‌کند و اعتماد و ثبات را تقویت می‌سازد (چائه و همکاران، ۲۰۲۰)…

2.1. Internal Auditing (IA) Internal auditing is defined as “an independent, objective assurance activity designed to add value and improve organizational operations” (The Institute of Internal Auditors, 2021). Its primary functions include evaluating governance, risk management, and control processes, thereby helping organizations achieve objectives and maintain regulatory compliance. The importance of IA has grown substantially due to increasing regulatory demands and the need for financial transparency. As Albawwat et al. (2021) emphasized, IA contributes significantly to operational efficiency and risk mitigation, particularly in complex, regulated industries like banking. Furthermore, Dinh (2020) discussed its strategic role in safeguarding companies from collapse risks post-scandals, noting that organizations with robust IA face fewer risks. IA also serves both internal and external stakeholders by ensuring financial information reliability, fostering trust and stability (Chae et al., 2020)…

۴. روش‌شناسی پژوهش

این مطالعه برای بررسی تأثیر هوش مصنوعی بر کیفیت حسابرسی داخلی در بانک‌های تجاری، با در نظر گرفتن سیستم‌های اطلاعات حسابداری (AIS) به‌عنوان متغیر تعدیل‌گر، از رویکرد تحلیلی کمّی استفاده کرد. داده‌های اولیه از طریق پرسش‌نامه‌ای معتبر گردآوری شدند که در اختیار متخصصان امور اداری قرار گرفت. تمامی تحلیل‌ها با استفاده از نرم‌افزار SPSS Statistics (نسخه ۲۸) انجام شدند و در آن‌ها از آمار توصیفی، آزمون پایایی و مدل‌سازی رگرسیون سلسله‌مراتبی برای بررسی روابط میان متغیرها استفاده شد…

4. Research methodology This study adopted a quantitative analytical approach to investigate artificial intelligence’s impact on internal audit quality in commercial banks, with accounting information systems (AIS) as a moderator. Primary data was collected through a validated questionnaire administered to administrative professionals. All analyses were conducted using SPSS Statistics (Version 28), employing descriptive statistics, reliability testing, and hierarchical regression modeling to examine variable relationships…

۵.۲. جمع بندی

هدف این پژوهش، بررسی ظرفیت تحول‌آفرین هوش مصنوعی در ارتقای کیفیت حسابرسی داخلی در بانک‌های تجاری، با تمرکز بر نقش تعدیل‌کننده سیستم‌های اطلاعات حسابداری (AIS) است. یافته‌های این پژوهش که بر پایه تحلیل کمّی دقیق داده‌های بانک‌های اردن به دست آمده‌اند، چهار نتیجه اصلی را نشان می‌دهند که علاوه بر تأیید تجربی، بینش‌های نظری و کاربردی مهمی نیز ارائه می‌کنند.

نخست، نتایج پژوهش به‌روشنی نشان می‌دهند که هوش مصنوعی، بر اساس نظریه دیدگاه مبتنی بر منابع، یک دارایی راهبردی است که کیفیت حسابرسی را به‌طور اساسی ارتقا می‌دهد. این بهبود صرفاً به خودکارسازی فرایندها محدود نمی‌شود، بلکه با ایجاد تغییری اساسی در رویکرد مدیریت ریسک و شناسایی ناهنجاری‌ها، امکان شناسایی پیش‌دستانه ریسک‌ها و تصمیم‌گیری مبتنی بر داده را فراهم می‌کند. همچنین، نتایج آزمون دقیق درون‌زایی با استفاده از روش حداقل مربعات دومرحله‌ای (2SLS) نشان می‌دهند که اثر علّی هوش مصنوعی بر کیفیت حسابرسی به‌مراتب قوی‌تر از برآوردهای مدل‌های متداول است. این یافته بر ظرفیت هوش مصنوعی برای ایجاد مزیت رقابتی، در صورت به‌کارگیری مؤثر، تأکید می‌کند.

دوم، نقش تعدیل‌گر حیاتی سیستم‌های اطلاعات حسابداری، یکی از اصول محوری نظریه اقتضایی را تأیید می‌کند: اثربخشی نوآوری فناورانه به ادغام آن با زیرساخت‌های سازمانی موجود وابسته است. قدرت تحلیلی هوش مصنوعی مستقل نیست، بلکه به‌طور چشمگیری به‌واسطه استحکام و صحت بلادرنگ سیستم‌های اطلاعات حسابداری زیربنایی تقویت یا محدود می‌شود. این هم‌افزایی (هوش مصنوعی × سیستم‌های اطلاعات حسابداری) صرفاً افزایشی نیست، بلکه ماهیتی چندبرابری دارد و داده‌های خام را به هوشمندی عملیاتی حسابرسی تبدیل می‌کند.

5.2. Conclusions This study sets out to investigate the transformative potential of Artificial Intelligence (AI) in enhancing internal audit quality within commercial banks, specifically examining the moderating role of Accounting Information Systems (AIS). The findings, grounded in a robust quantitative analysis of Jordanian banks, yield four principal conclusions that extend beyond mere empirical validation to offer significant theoretical and practical insights. First, the research conclusively establishes AI as a strategic asset (Resource-Based View) that fundamentally elevates audit qualitynot merely through automation, but by enabling a paradigm shift toward proactive, data-driven risk management and anomaly detection. The causal impact, revealed through rigorous endogeneity testing (2SLS), is substantially stronger than traditional models suggest, underscoring AI’s potential as a source of competitive advantage when effectively deployed. Second, the critical moderating role of AIS confirms a core tenet of Contingency Theory: the efficacy of technological innovation is contingent upon its integration with existing organizational infrastructures. AI’s analytical power is not autonomous; it is profoundly amplified-or constrained-by the robustness and real-time fidelity of the underlying AIS. This synergy (AI × AIS) is not merely additive but multiplicative, transforming raw data into actionable audit intelligence…

۵.۲.۱. دستاوردهای نظری

این پژوهش با ادغام دیدگاه مبتنی بر منابع (RBV)، نظریه اقتضایی و نظریه سیستم‌های اجتماعی ـ فنی در قالب چارچوبی یکپارچه، خلأهای اساسی در ادبیات حسابرسی را برطرف می‌کند. نخست، هوش مصنوعی را به‌عنوان منبعی راهبردی بر اساس دیدگاه مبتنی بر منابع معرفی می‌کند که قابلیت‌های سازمانی را تقویت می‌سازد و نقش آن را در تبدیل داده‌ها به کیفیت حسابرسی به‌صورت تجربی اعتبارسنجی می‌کند. دوم، این مطالعه با نشان‌دادن اثر تعدیل‌گر سیستم‌های اطلاعات حسابداری، نظریه اقتضایی را توسعه می‌دهد و آشکار می‌سازد که هم‌راستایی فناورانه، یعنی ادغام هوش مصنوعی و سیستم‌های اطلاعات حسابداری، برای به حداکثر رساندن نتایج حسابرسی در محیط‌های پویا حیاتی است. سوم، یافته‌های مربوط به سطوح خودمختاری، از نظریه سیستم‌های اجتماعی ـ فنی پشتیبانی می‌کنند: برتری هوش مصنوعی تقویت کننده، ضرورت هم‌افزایی انسان و ماشین را برای قضاوت زمینه‌محور برجسته می‌سازد و فرضیات مربوط به خودکارسازی کامل را به چالش می‌کشد. این ادغام‌ها، دیدگاهی نظری و ظریف برای مطالعات آینده درباره حسابرسی مبتنی بر فناوری فراهم می‌کنند و مستقیماً به درخواست‌های اخیر در ادبیات پژوهش و راهنمایی‌های سردبیری برای حرکت از گزارش‌های توصیفی به سوی درکی مفهومی‌تر و یکپارچه‌تر از نقش هوش مصنوعی در خدمات حرفه‌ای پاسخ می‌دهند…

5.2.1. Theoretical contributions This research bridges critical gaps in auditing literature by integrating Resource-Based View (RBV), Contingency Theory, and Socio-Technical Systems Theory into a unified framework. First, it positions AI as a strategic resource (RBV) that augments organizational capabilities, empirically validating its role in converting data into audit quality. Second, by demonstrating AIS’s moderating effect, the study advances Contingency Theory, revealing that technological alignment (AI-AIS integration) is pivotal for maximizing audit outcomes in dynamic environments. Third, findings on autonomy levels support Socio-Technical Systems Theory: Augmented AI’s superiority highlights the necessity of human-machine synergy for contextual judgment, challenging assumptions about full automation. These integrations offer a nuanced theoretical lens for future studies on technology-driven auditing, directly responding to recent calls in the literature (and editorial guidance) for research that moves beyond descriptive accounts toward a more conceptually integrated understanding of AI’s role in professional services…

۵.۴.۲. مسیرهای پژوهش آینده

با تکیه مستقیم بر مشارکت‌ها و محدودیت‌های این مطالعه، چندین مسیر امیدبخش برای پژوهش‌های آینده پدیدار می‌شوند.

نخست، مطالعات آینده باید دامنه جغرافیایی و نهادی این پژوهش را گسترش دهند. تحلیل‌های مقایسه‌ای میان بانک‌های متعارف و اسلامی یا میان بازارهای مالی نوظهور و توسعه‌یافته، شرایط مرزی نظریه اقتضایی را در کاربرد آن برای پذیرش هوش مصنوعی آزمون خواهند کرد. چنین پژوهش‌هایی می‌توانند آشکار سازند که فلسفه‌های مقرراتی و زیرساخت‌های فناورانه متفاوت چگونه رابطه میان هوش مصنوعی و کیفیت حسابرسی را تعدیل می‌کنند.

دوم، تأثیر متفاوت سطوح خودمختاری هوش مصنوعی (کمکی در برابر تقویت کننده در برابر خودمختار) مستلزم بررسی عمیق‌تر است. اگرچه این مطالعه برتری هوش مصنوعی تقویت کننده را اثبات می‌کند، طرح‌های پژوهش کیفی، مانند مطالعات موردی عمیق یا مشاهدات قوم‌نگارانه تعامل حسابرس و هوش مصنوعی، می‌توانند سازوکارهایی را آشکار سازند که از طریق آن‌ها هم‌افزایی انسان و ماشین، قضاوت حرفه‌ای را ارتقا می‌دهد. این امر با مشخص‌کردن فرایندهای شناختی و رفتاری زیربنای همکاری مؤثر، نظریه سیستم‌های اجتماعی ـ فنی را غنی‌تر خواهد کرد…

5.4.2. Directions for future research Building directly on this study’s contributions and limitations, several promising avenues for future research emerge. First, future studies should extend the geographic and institutional scope of this research. Comparative analyses between conventional and Islamic banks, or between emerging and developed financial markets, would test the boundary conditions of Contingency Theory as applied to AI adoption. Such research could reveal how varying regulatory philosophies and technological infrastructures moderate the AI-audit quality relationship. Second, the differential impact of AI autonomy levels (Assisted vs. Augmented vs. Autonomous) warrants deeper investigation. While this study establishes Augmented AI’s superiority, qualitative research designs—such as in-depth case studies or ethnographic observations of auditor-AI interaction—could uncover the mechanisms through which human-machine synergy enhances professional judgment. This would enrich Socio-Technical Systems Theory by specifying the cognitive and behavioral processes underlying effective collaboration.