Using Cultural Mindsets to Reduce Cross‐National Auditor Judgment Differences
Notice bibliographique
Résumé
ABSTRACT In a globalized audit environment, regulators and researchers have expressed concerns about inconsistent audit quality across nations, with a particular emphasis on Chinese audit quality. Prior research suggests Chinese audit quality may be lower than U.S. audit quality due to a weaker institutional environment (e.g., lower litigation and inspection risk) or cultural value differences (e.g., greater deference to authority). In this study, we propose that lower Chinese audit quality could also be due to Chinese auditors' different cognitive processing styles (i.e., cultural mindsets). We find U.S. auditors are more likely to engage in an analytic mindset approach, focusing on a subset of disconfirming information, whereas Chinese auditors are more likely to take a holistic mindset approach, focusing on a balanced set of confirming and disconfirming information. As a result, Chinese auditors make less skeptical judgments compared to U.S. auditors. We then propose an intervention in which we explicitly instruct auditors to consider using both a holistic and an analytic mindset approach when evaluating evidence. We find this intervention minimizes differences between Chinese and U.S. auditors' judgments by shifting Chinese auditors' attention more towards disconfirming evidence, improving their professional skepticism, while not causing U.S. auditors to become less skeptical. Our study contributes to the auditing literature by identifying cultural mindset differences as a causal mechanism underlying lower professional skepticism levels among Chinese auditors compared to U.S. auditors and providing standard setters and firms with a potential solution that can be adapted to improve Chinese auditors' professional skepticism and reduce cross‐national auditor judgment differences.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».