Big Data analytics and financial reporting quality: qualitative evidence from Canada
Notice bibliographique
Résumé
Purpose Big Data analytics (BDA) and its implications for the accounting profession continue to be a key issue that requires more research and evaluation. As a result, the purpose of this study is to evaluate the impact of BDA on financial reporting quality, as well as to assess the accounting challenges associated with Big Data. It provides qualitative evidence from Canada. Design/methodology/approach This study used a qualitative approach to ascertain the thoughts and perceptions of auditors, financial analysts and accountants at Canadian audit and accounting firms in BDA and its impact on financial reporting quality, using semi-structured interviews. To obtain their consent to participate in the interview, 127 auditors, financial analysts and accountants from Canadian audit and accounting firms were initially approached. The final number of respondents was 41, representing a response rate of 32%. Findings The authors’ findings underscored the relevance of Big Data and BDA in affecting financial report quality and revealed that BDA had a significant effect on improving financial reporting quality. Big Data improves accounting reporting and expert judgment by providing professional. In summary, participants agreed that when analytical methods in Big Data are implemented effectively, businesses may possibly achieve a variety of benefits, including customized goods, simplified processes, improved risk assessment process and, finally, increased risk management. Practical implications The authors’ findings indicate that BDA may help predict investment returns and risks, estimate future investment opportunities, forecast revenues, detect fraud and susceptibility early and identify economic growth opportunities. As a result, auditors, financial analysts, accountants, investors and other strategic decision-makers should be aware of these findings to make informed choices. Originality/value Big Data has become the norm in recent years; accountants and other decision-makers have struggled to analyze massive amounts of data. This limits their capacity to profit from such data even more. Therefore, this study is motivated by the lack of research on Big Data’s influence on financial report quality.
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 | 0,036 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,010 |
| Études des sciences et des technologies | 0,020 | 0,012 |
| Communication savante | 0,011 | 0,003 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».