مقاله انگلیسی حسابداری مدیریت و هوش مصنوعی: مروری بر ادبیات جامع و توصیه‌هایی برای تحقیقات آینده

عنوان فارسی:

حسابداری مدیریت و هوش مصنوعی: مروری بر ادبیات جامع و توصیه‌هایی برای تحقیقات آینده

عنوان انگلیسی:

Management Accounting and Artificial Intelligence: A Comprehensive Literature Review and Recommendations for Future Research

کد محصول: H1080

سال نشر: ۲۰۲۵

نام ناشر (پایگاه داده): الزویر

نام مجله: The British Accounting Review

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی: ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: ۳۲ صفحه 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:H1080)

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

۱-مقدمه

دیجیتالی سازی به عنوان مهم‌ترین روند فناوری در نظر گرفته شده است که موجب تغییر جامعه و کسب و کار می‌شود (لویه‌کانگاس، ۲۰۱۶؛ پاروینن و همکاران، ۲۰۱۷) و این پتانسیل را دارد که مدل‌های کسب و کار سازمانی، حوزه حسابداری مدیریت و رویه های کنترلی را به همراه نقش کنترل کننده ها، به ویژه در حوزه حسابداری و مالی، متحول کند (بهیمانی و ویلکاکس، ۲۰۱۴؛ مولر و همکاران، ۲۰۲۰؛ روتیاینن و همکاران، ۲۰۲۴). سازمان‌های داده‌محور، داده‌ها را جمع‌آوری و تجزیه و تحلیل می‌کنند تا تصمیمات بهتر، سریع‌تر و دقیق‌تری بگیرند که مزیت رقابتی آن‌ها را افزایش می‌دهد (فروخی و همکاران، ۲۰۲۰). اخیراً، ظهور قدرت محاسباتی فوق‌العاده و بهبود ذخیره‌سازی، در دسترس بودن کلان‌داده‌ها و روش‌ها و الگوریتم‌های پیشرفته آماری، هوش مصنوعی (AI) را توانمند کرده است (دوان و همکاران، ۲۰۱۹؛ سیواراجاه و همکاران، ۲۰۱۷). هوش مصنوعی، همراه با کلان‌داده‌ها و یادگیری ماشین (ML)، در حال ایجاد تحول در عملیات (کولبیورنسرود، ۲۰۲۴)، کسب و کارها (داگرتی و ویلسون، ۲۰۱۸) و حسابداری مدیریت (نیلسن، ۲۰۲۰؛ ریچینز و همکاران، ۲۰۱۷) است. ارزش اصلی هوش مصنوعی این است که می‌تواند تصمیم‌گیری‌ها و اقدامات انسانی را بهبود بخشد و در برخی موارد، حتی جایگزین آن‌ها شود (داونپورت و رونانکی، ۲۰۱۸)، به طوری که سیستم‌های هوش مصنوعی وظایف پیچیده را انجام داده و قضاوت‌ها و تصمیمات پیچیده‌ای می‌گیرند. این سیستم‌ها دقیق‌تر بوده و شامل محدودیت‌های شخصی کارکنان، مانند خطاهای انسانی، نمی شوند (مرچنت و ون در استد، ۲۰۱۷). با پیشرفت هوش مصنوعی، این احتمال وجود دارد که بازار کار تا حد بی‌سابقه‌ای دگرگون شود (فورد، ۲۰۲۱) و این تأثیر ممکن است تحولاتی را ایجاد کند که می‌تواند از تحولات گذشته مانند انقلاب‌های کشاورزی و صنعتی فراتر رود (فورد، ۲۰۱۶)…

۲.۱ طراحی تحقیق

مرور سیستماتیک ادبیات شامل بررسی جامع و دقیق نتایج جستجو است (کیچنهام، ۲۰۰۴؛ اوکولی و شابرام، ۲۰۱۰) و روشی مناسب برای ترکیب نتایج ارائه می‌دهد (بریتن و همکاران، ۲۰۰۲؛ ماسارو و همکاران، ۲۰۱۶). این روش زمانی مناسب است که هدف تحقیق، توسعه یک دید کلی از یک مفهوم یا موضوع نوظهور باشد (وبستر و واتسون، ۲۰۰۲)، به عنوان مثال، هوش مصنوعی و دیجیتالی سازی. علاوه بر این، یک بررسی سیستماتیک از ادبیات زمانی حائز اهمیت به نظر می‌رسد که محقق قصد دارد زمینه‌های فرصت‌های تحقیقاتی آینده را کشف کند (کنودسن، ۲۰۲۰؛ ماسارو و همکاران، ۲۰۱۶)، که هدف مطالعه حاضر است. این روش‌شناسی با موفقیت در زمینه‌های مختلف مدیریت (آدامز و همکاران، ۲۰۱۶؛ کولیکیا و استروزی، ۲۰۱۲؛ دلبوفالو، ۲۰۱۲؛ سیواراجاه و همکاران، ۲۰۱۷؛ اسپاناکی و همکاران، ۲۰۱۸) و همچنین در حسابداری (آگوستینو و همکاران، ۲۰۲۱؛ گارانینا و همکاران، ۲۰۲۱؛ جانسن، ۲۰۱۸؛ کنودسن، ۲۰۲۰؛ لومباردی و همکاران، ۲۰۲۱؛ ولف و همکاران، ۲۰۲۰) به کار گرفته شده است…

۶.نتیجه‌گیری

این مطالعه به طور سیستماتیک ۹۱ مقاله را بررسی کرد تا به طور انتقادی ادبیات پژوهشی مربوط به دیجیتالی سازی، هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، هوش مصنوعی قابل توضیح، هوش مصنوعی مولد و مدل‌های زبان بزرگ (LLM) را در حسابداری مدیریت ارزیابی کند تا زمینه های تحقیقاتی را در عین برجسته کردن شکاف‌های پژوهشی و ارائه مسیرهای تحقیقاتی آینده به دست آورد. علی‌رغم پتانسیل تحول‌آفرین فناوری‌ها برای ایجاد انقلاب در حوزه حسابداری مدیریت، ادبیات دانشگاهی در این زمینه محدود است. بنابراین، نیاز فوری به مطالعات تجربی و موردی، به ویژه در مورد آخرین فناوری‌های هوش مصنوعی مانند یادگیری ماشین و مدل‌های زبان بزرگ وجود دارد.

ادبیات مورد بررسی نقش آخرین فناوری‌های هوش مصنوعی را به عنوان یک جزء جدایی‌ناپذیر در شکل‌دهی به آینده حسابداری مدیریت برجسته کرده است، اما کاوش جامع در این زمینه وجود ندارد. زمینه های بالقوه برای تحقیقات بیشتر می‌تواند شامل پویایی اعتماد، دقت و پذیرش در پیش‌بینی‌های مشتق شده از هوش مصنوعی، ماهیت مبهم مدل‌های هوش مصنوعی، شفافیت فرآیندهای تصمیم‌گیری هوش مصنوعی و کارایی مدل‌های یادگیری ماشین در حسابداری مدیریت باشد. علاوه بر این، زمینه‌های مهم آخرین فناوری‌های هوش مصنوعی مانند هوش مصنوعی قابل توضیح، هوش مصنوعی مولد و مدل‌های زبانی بزرگ و پیامدهای آن‌ها برای حسابداری مدیریت، از قلم افتاده است…

۱.Introduction

Digitalization has been considered the most critical technological trend to change society and business (Leviäkangas, 2016; Parviainen et al., 2017) and has the potential to disrupt organizational business models, the management accounting domain, and control practices, along with the role of controllers, especially in the accounting and finance domain (Bhimani & Willcocks, 2014; Möller et al., 2020; Rautiainen et al., 2024). Datadriven organizations collect and analyze data to make better, faster and more accurate decisions that increase their competitive edge (Farrokhi et al., 2020). Recently, the rise of super computational power and improved storage, the availability of big data, and advanced statistical methods and algorithms have empowered artificial intelligence (AI) (Duan et al., 2019; Sivarajah et al., 2017). AI, along with big data and machine learning (ML), is revolutionizing operations (Kolbjørnsrud, 2024), businesses (Daugherty & Wilson, 2018) and management accounting (Nielsen, 2020; Richins et al., 2017). The key value proposition of AI is that it can enhance and, in some cases, even replace human decision-making and actions (Davenport & Ronanki, 2018), where AI systems perform complex tasks and make sophisticated judgments and decisions. These systems are more accurate and help to avoid personal limitations of the staff, such as human errors (Merchant & Van der Stede, 2017). With advancement in AI, it could potentially upend the job market to an unprecedented degree (Ford, 2021) and this impact might trigger disruptions that can exceed past disruptions such as agricultural and industrial revolutions (Ford, 2016)…

۲.۱.Research design

Systematic literature reviews involve a comprehensive and detailed examination of search results (Kitchenham, 2004; Okoli & Schabram, 2010) and present a proper way to synthesize results (Britten et al., 2002; Massaro et al., 2016). This method is appropriate when the research goal is to develop an overview of an emerging concept or issue (Webster & Watson, 2002), for instance, AI and digitalization. Furthermore, a systematic review of the literature appears to be relevant when the researcher aims to uncover areas for future research opportunities (Knudsen, 2020; Massaro et al., 2016), which is the purpose of the current study. This methodology has been employed successfully in various fields of management (Adams et al., 2016; Colicchia & Strozzi, 2012; Delbufalo, 2012; Sivarajah et al., 2017; Spanaki et al., 2018) and also in accounting (Agostino et al., 2021; Garanina et al., 2021; Jansen, 2018; Knudsen, 2020; Lombardi et al., 2021; Wolf et al., 2020)…

۶.Conclusion

This study systematically reviewed 91 articles to critically evaluate the research literature on digitalization, AI, ML, DL, explainable AI, generative AI, and LLMs, on management accounting to capture the research landscape while highlighting research gaps and proposing future research directions. Despite the transformative potential of technologies to revolutionize the management accounting domain, the academic literature is limited. Thus, there is an urgent need for empirical and case studies, particularly of the latest AI technologies such as ML and LLMs.

The literature under review highlighted the role of the latest AI technologies as an integral component in shaping the future of management accounting, yet a comprehensive exploration of this field is lacking. Potential themes for further research could encompass the dynamics of trust, accuracy and acceptability in AI-derived forecasts, the blackbox nature of AI models, the transparency of AI decision-making processes, and the efficiency of ML models in management accounting. Furthermore, the important fields of the latest AI technologies such as explainable AI, GenAI and LLMs, and their implications for management accounting, are missing…