MétaCan
Menu
Retour à la cohorte
Enregistrement W2337605591 · doi:10.5430/ijfr.v10n4p128

Accountants’ Perception on the Factors Affecting the Adoption of International Financial Reporting Standards in Yemen

2019· article· en· W2337605591 sur OpenAlexvenueno aff
Mujeeb Saif Mohsen Al-Absy, Ku Nor Izah Ku Ismail

Notice bibliographique

RevueInternational Journal of Financial Research · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInternational Financial Reporting StandardsAccountingCertificationAffect (linguistics)Government (linguistics)BusinessPerceptionEconomicsPsychologyManagement

Résumé

récupéré en direct d'OpenAlex

This study examines accountants’ perception whether or not the following factors ــgovernment policy, capital market, economic growth, external environment/international exposure, professional bodies, education level of accountants, company size, initial cost of International Financial Reporting Standards (IFRSs) adoption and culture affect the adoption of IFRSs in Yemen. It also examines the differences of opinion among academicians and practitioners with regard to these factors. A questionnaire survey involving 41 Yemeni accounting postgraduate students in Malaysia’s public Universities was conducted. The results indicate that the majority of respondents believe that the lack of government policy, absence of capital market, lack of economic growth, lack of professional bodies, weakness in the education level of accountants, the small size of the companies and initial cost of IFRSs adoption affect the adoption of IFRSs in Yemen. The study also shows that the international environment has a weak effect on IFRSs adoption while the Yemeni culture does not affect IFRSs adoption. The finding may help both policy-makers and the Yemeni Association of Certified Public Accountants (YACPA) to consider these factors and make more precise decisions regarding IFRSs adoption.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,070
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,167
Score d'incertitude au seuil0,937

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,070
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,346
Écart entre enseignants0,303 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Financial ResearchMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207