Notice bibliographique
Résumé
Abstract In this study, we present a nonstrategic, dynamic Bayesian model in which auditors' learning on the job and their choice of professional services jointly affect audit quality. While performing audits over time, auditors accumulate client‐specific knowledge so that their posterior beliefs about clients are updated and become more precise (that is, precision is our surrogate for audit quality) — what we call the learning effect. In addition, auditors can enrich their knowledge accumulation by performing nonaudit services (NAS) that, in fact, may influence clients' managerial decisions — what we call the business advisory effect. This advisory effect permits auditors to anticipate and to learn about changes in clients' business models, which in turn improves their advisory capacity. These dual “learning” and “advisory” effects are interdependent and mutually reinforcing. The advisory effect of NAS may increase or reduce auditors' engagement risk. We show that large professional fees can induce auditors to provide NAS that increase engagement risk and diminish audit quality. However, when NAS reduce engagement risk and increase audit quality, auditors may provide NAS without charging clients. The feature that distinguishes our study — the interdependence between the learning and advisory effects — provides new insight into the trade‐off between audit fees and audit quality. Consequently, our analysis helps explain why the scope of the audit has evolved over time and why the boundaries between audit and NAS are constantly shifting. A recent example of such a shift is that the Sarbanes‐Oxley Act adds control attestation to audits for public companies traded in U.S. markets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».