موضوع دکتری حسابداری: هوش مصنوعی توضیح پذیر در حسابرسی

هوش مصنوعی توضیح پذیر یا XAI به سامانه هایی اشاره دارد که علاوه بر ارائه نتیجه، منطق و عوامل موثر بر تصمیم خود را نیز برای کاربر روشن می کنند. در حسابرسی، صرف شناسایی یک معامله مشکوک یا اعلام ریسک تقلب کافی نیست؛ حسابرس باید بداند چرا یک تراکنش پرریسک تشخیص داده شده و چه شواهدی از این نتیجه پشتیبانی می کند. این مسئله، اهمیت XAI را در حرفه حسابرسی دوچندان می سازد.

بسیاری از مدل های یادگیری ماشین، به ویژه مدل های پیچیده، مانند یک «جعبه سیاه» عمل می کنند. آن ها ممکن است با دقت بالا الگوهای تقلب یا تحریف را شناسایی کنند، اما فرآیند تصمیم گیری آن ها برای حسابرس، مدیر مالی، کمیته حسابرسی و نهادهای نظارتی قابل مشاهده نیست. چنین وضعیتی با الزامات حرفه ای حسابرسی سازگار نیست؛ زیرا حسابرس باید بتواند کفایت و مناسب بودن شواهد را ارزیابی کند، قضاوت خود را مستند سازد و در برابر استفاده کنندگان صورت های مالی از نتیجه گیری خود دفاع نماید.

هوش مصنوعی توضیح پذیر می تواند نشان دهد که کدام ویژگی ها باعث شده اند یک ثبت حسابداری غیرعادی تلقی شود؛ برای مثال، ثبت در ساعات غیرکاری، مبلغ غیرمتعارف، نبود مستندات کافی، ارتباط با اشخاص وابسته، تغییر ناگهانی در الگوی معاملات یا ثبت نزدیک به پایان دوره مالی. این توضیحات به حسابرس کمک می کنند به جای اعتماد کورکورانه به خروجی مدل، آزمون های تکمیلی و هدفمند طراحی کند. بنابراین، XAI می تواند شکاکیت حرفه ای را تقویت کرده و کیفیت قضاوت حسابرس را بهبود دهد.

با این حال، توضیح پذیری همیشه به معنای تصمیم بهتر نیست. اگر توضیحات مدل بسیار فنی، طولانی یا مبهم باشند، ممکن است باعث اضافه بار اطلاعاتی شوند و کیفیت تصمیم حسابرس را کاهش دهند. همچنین امکان دارد حسابرس صرفا به دلیل وجود یک توضیح ظاهرا منطقی، اعتماد بیش از حدی به سامانه پیدا کند. ازاین رو، پژوهش در این حوزه باید بررسی کند که چه سطحی از توضیح، با چه قالبی و برای چه نوع حسابرسی، بیشترین اثر را بر کیفیت قضاوت دارد.

یک موضوع مناسب برای رساله دکتری می تواند این باشد: «تاثیر هوش مصنوعی توضیح پذیر بر کیفیت قضاوت و شکاکیت حرفه ای حسابرسان: نقش تعدیل گر تجربه حسابرسی و پیچیدگی وظیفه». پژوهشگر می تواند با طراحی آزمایش، عملکرد حسابرسان را در سه وضعیت مقایسه کند: بدون استفاده از هوش مصنوعی، استفاده از خروجی هوش مصنوعی بدون توضیح، و استفاده از خروجی هوش مصنوعی همراه با توضیح. سپس دقت شناسایی تحریف، میزان درخواست شواهد تکمیلی و کیفیت تصمیم نهایی بررسی شود.

یافته های این پژوهش می تواند به موسسات حسابرسی کمک کند تا ابزارهای هوشمند را به گونه ای طراحی و به کارگیری کنند که جایگزین تفکر حرفه ای حسابرس نشوند، بلکه به افزایش شفافیت، مسئولیت پذیری و قابلیت دفاع از قضاوت های حسابرسی کمک نمایند.