The effect of big data competencies and tone at the top on internal auditors fraud detection effectiveness
Notice bibliographique
Résumé
Financial reports provide information about a company's assets, liabilities, equity, income, expenses and cash flow. This information can be used by various parties such as investors, creditors, government and management to make business decisions and assess company performance. Companies in obtaining good financial reports need to detect fraudulent financial statements first. Financial statement fraud can be detrimental to investors and creditors because it gives a wrong picture of a company's financial performance. This study aims to examine the effect of big data competence and the tone of the top internal auditors on the detection of financial statement fraud, as well as to mediate the effect of big data competence on the detection of financial statement fraud through self-efficacy. This research uses a sample of 183 respondents who are internal auditors in companies in Indonesia. Data were analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM). The results of the study show that big data competence has no significant effect on the detection of financial statement fraud, but has a positive and significant effect on self-efficacy. In addition, the internal auditor's tone of the top also has a positive and significant effect on the detection of financial statement fraud. Finally, self-efficacy partially mediates the relationship between big data competence and fraud detection of financial statements. This research provides important implications for practitioners and decision makers in developing internal auditor competence in the field of big data and paying attention to tone of the top as an important factor in detecting fraudulent financial statements. In addition, this research also contributes to strengthening the understanding of the relationship between big data competence, tone of the top, self-efficacy, and fraud detection of financial statements in the Indonesian context.
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 | 0,006 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».