Notice bibliographique
Résumé
Ma thèse se compose de trois essais rapportés dans trois chapitres différents, chacun lié à une question de recherche différente sur la section des Key Audit Matters (KAMs, en français, points clés d’audit) dans les rapports d’audit. Les KAMs ont été mis en oeuvre afin d’accroître la valeur communicative des rapports d’audit et la confiance de ses utilisateurs dans le processus d’audit et les états financiers des sociétés (EY Reporting, 2015). Les KAMs reflètent les plus grands risques d’anomalies significatives rencontrés au cours du processus d’audit, sur la base du jugement professionnel des auditeurs (FRC, 2020). Leur mise en oeuvre représente le changement le plus important apporté au rapport d’audit au cours des 70 dernières années. (EY Reporting, 2015 ; FRC, 2020) Les KAMs ont été mis en oeuvre pour la première fois au Royaume-Uni en 2013. Pour obtenir la plus grande période d’échantillonnage possible, j’utilise des données collectées manuellement auprès de sociétés non financières cotées à la Bourse de Londres. Les KAMs représentent des informations qualitatives supplémentaires dans le rapport d’audit, où les auditeurs signalent un KAM par risque rencontré au cours du processus d’audit. Chaque KAM représente un risque d’audit et est composé de deux parties. Les auditeurs décrivent d’abord le risque reconnu comme un KAM, puis ils expliquent les procédures d’audit suivies pour traiter le risque identifié. Je définie ces deux parties comme les composants des KAMs suivants : la description du risque et la réponse et l’observation des auditeurs. Bien que les auditeurs soient encouragés à rédiger les KAMs avec leurs propres mots (FRC, 2013b), les critiques de cette nouvelle exigence de divulgation craignent que les KAMs ne soient passe-partout et normalisées (Citi Research, 2014 ; Gray, Turner, Coram et Mock, 2011 ; Mock et coll., 2013). Bien que plusieurs chercheurs examinent les conséquences de la réglementation des KAMs dans le monde entier, je pense que l’examen du contenu des KAMs fournit des informations plus granulaires sur le processus d’audit. Je développe des mesures de dissimilarité pour capturer des informations spécifiques dans les KAMs. Ces mesures reflètent les différences dans les termes rédigés par les auditeurs pour le même type de KAM. Ma Thèse contribue à la littérature des KAMs en fournissant une analyse granulaire du contenu des KAMs et en complétant les études examinant les caractéristiques textuelles des KAMs (par exemple, Burke, Hoitash, Hoitash et Xiao, 2022 ; Chen, Nelson, Wang et Yu, 2020 ; Gutierrez, Minutti-Meza, Tatum et Vulcheva, 2018 ; Lennox, Schmidt et Thompson, 2022).
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 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».