The Impact of Audit Technology on Audit Task Outcomes: Evidence for Technology‐Based Audit Techniques*
Notice bibliographique
Résumé
ABSTRACT As audit technology becomes more widespread, practice and academia are raising concerns about the costs and benefits of these technologies. We examine how internal auditors use technology‐based audit techniques (TBATs) and how TBATs impact the efficiency and effectiveness of their audits. We use two surveys and interviews of individual auditors and chief audit executives (CAE) to examine their perceptions of TBATs. Auditors perceive TBATs as beneficial. Specifically, an increase in the use of TBATs is associated with completing more audits, finding more risk factors, providing more recommendations, and decreasing audit days. However, CAEs also perceive TBATs to be costly. An increase in the use of TBATs is associated with an increase in the size of the internal audit function. Finally, interviews with CAEs suggest that TBATs are not used more often because of difficulties in quantifying their benefits, observing their benefits in a timely manner, and hiring auditors with appropriate skills. Overall, TBATs stand to increase the efficiency and effectiveness of audit tasks, but auditors struggle to quantify their net cost‐benefit tradeoff. Our findings validate the issues raised by both proponents and opponents of audit technologies and help provide empirical data to inform their decision‐making process regarding the future of these tools. Additionally, our study prompts several avenues for future research that can help inform regulators, practitioners, and researchers on how these technologies are impacting the auditing profession.
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 | 0,035 | 0,275 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».