Mind the Gap: Why Do Experts Have Differences of Opinion Regarding the Sufficiency of Audit Evidence Supporting Complex Fair Value Measurements?
Notice bibliographique
Résumé
ABSTRACT Reported deficiencies continue to persist in audits of fair value measurements and other complex accounting estimates (hereafter, “FVMs”), despite improvements in auditor performance observed by regulators. The persistence of reported deficiencies in audits of FVMs suggests that factors underlying this trend may be more complicated and multidimensional than previously suggested by regulators and academic research, which has focused largely on auditors' unsatisfactory performance as the principal source of reported deficiencies. Drawing from the judgment and decision‐making expertise literature, we gather field‐based data from audit experts to identify additional factors that are likely to be contributing to differences of opinion between audit and inspection experts and the persistence of reported deficiencies in audits of FVMs. We find evidence that audit experts interpret standards and evaluate audit evidence differently than inspectors, and thus perceive there to be a gap between what auditors and inspectors regard as sufficient appropriate audit evidence to support audits of FVMs (hereafter, “FVM gap”). Moreover, results highlight several areas in audits of FVMs where differences of opinion exist between auditor and inspector experts regarding what constitutes a reported deficiency. Within the contexts we examine, our results identify additional factors, beyond deficient auditor performance, that may contribute to the FVM gap. We also report audit partners' recommendations for ways to reduce the FVM gap and suggest avenues for future research. Gaining a more complete understanding of sources contributing to reported deficiencies will help regulators, standard setters, audit firms, and academics to identify ways to reduce the FVM gap and reported deficiencies in audits of FVMs.
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 | 0,013 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 ».