MétaCan
Menu
Retour à la cohorte
Enregistrement W4313403010 · doi:10.1111/1911-3838.12329

Herbal Pharma Inc.: Conducting an Effective Group Audit*

2022· article· en· W4313403010 sur OpenAlexaffvenue
Joanne Jones, Sandra Iacobelli, Sandra Scott

Notice bibliographique

RevueAccounting Perspectives · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensUniversity of GuelphYork University
Organismes subventionnairesnon disponible
Mots-clésAuditAccountingBusinessContext (archaeology)External auditorAuditor's reportInternal audit

Résumé

récupéré en direct d'OpenAlex

ABSTRACT As the relative weight of global economic activity continues to shift toward non‐OECD countries (OECD 2018), audit firms are more likely to encounter clients with significant business operations in foreign jurisdictions. The associated need to engage and oversee local component auditors in these jurisdictions can lead to challenges arising from different business cultures and the resulting intra‐audit miscommunications. Audit deficiencies related to these challenges have been detected by regulators (PCAOB 2011, 2010; CPAB 2012, 2015). Standard setters such as the IAASB and the Auditing and Assurance Standards Board (AASB) have responded by issuing an exposure draft proposing revisions to ISA 600 (IAASB 2020) and CAS 600 (AASB 2020) to strengthen the auditor's approach and provide enhanced guidance to practitioners. In light of this evolving area of assurance, this case was developed to deepen students' understanding of both group and component audits in an international context. The case takes the perspective of the group auditor and features an audit senior in a specialized role overseeing the component audit of a client's increasingly material Chinese subsidiary. Deficiencies in the prior year component audit, along with a change in the component auditor, further underlines the importance of robust risk analysis for the upcoming engagement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,679
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0010,004
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,014
Tête enseignante GPT0,246
Écart entre enseignants0,232 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
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

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAccounting PerspectivesMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207