MétaCan
Menu
Retour à la cohorte
Enregistrement W2896318121 · doi:10.5539/ibr.v11n11p119

Factors Influencing Professional Judgment of Auditors in Malaysia

2018· article· en· W2896318121 sur OpenAlexvenueno aff
Hazianti Abdul Halim, Hartini Jaafar, Sharul Effendy Janudin

Notice bibliographique

RevueInternational Business Research · 2018
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensnon disponible
Organismes subventionnairesUniversiti Pendidikan Sultan Idris
Mots-clésAuditPsychologyPosition (finance)AccountingSocial psychologyBusinessFinance

Résumé

récupéré en direct d'OpenAlex

The purpose of this study was to examine the factors influencing professional judgment of Malaysian auditors. A questionnaire was used to measure the level of professional judgment and factors influencing the judgment such as gender, knowledge, position level, experience and also firm size. The multiple regression results showed that the position level and experience to be statistically significant in determining the level of professional judgment of auditors. Gender, knowledge and firm size have no significant relationship with professional judgment. As for gender, past research has shown mixed results and this study proves that there is no gender differences among Malaysian auditors in terms of their professional judgment. Even though past research has shown that knowledge has a positive relationship with professional judgment, this study finds no significant relationship between the two variables. With regard to firm size, this study finds similar results of prior study that there is no significant relationship between firm size and judgment. In terms of the practical implications, this study provides insights into significant factors that influence professional judgment of Malaysian auditors. Besides, the management of audit firms can place emphasis on establishing training to their employees especially for the junior staff. Exposing junior auditors at the early stage might improve their professional judgment when facing with complexities of assignments.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,013
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,023
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 GPT0,332
Écart entre enseignants0,288 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Business ResearchMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207