MétaCan
Menu
Retour à la cohorte
Enregistrement W4400341720 · doi:10.1080/00014788.2024.2364215

Enhancing auditors’ professional skepticism through nudges: an eye-tracking experiment

2024· article· en· W4400341720 sur OpenAlexafffund
Jean‐François Gajewski, Marco Heimann, Pierre‐Majorique Léger, Prince Teye

Notice bibliographique

RevueAccounting and Business Research · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueDecision-Making and Behavioral Economics
Établissements canadiensHEC Montréal
Organismes subventionnairesHEC MontréalAgence Nationale de la Recherche
Mots-clésSkepticismNudge theoryAuditEye trackingPsychologyTracking (education)AccountingBusinessCognitive psychologyComputer scienceSocial psychologyArtificial intelligenceEpistemologyPedagogyPhilosophy

Résumé

récupéré en direct d'OpenAlex

This article studies whether nudges – that is, gentle alterations of people’s behaviour – increase audit quality. Although the utility of nudges is well-established in behavioural sciences, their applicability and efficacy have been less studied in accounting and auditing. To bridge this knowledge gap, the study extends nudge theory to financial audits, offering experimental evidence of the impact of social norms and justification nudges on auditor behaviour. A factorial 2 × 2 between-subject experiment (social norms and justification) shows that nudges amplify professional skepticism, a critical indicator of audit quality. A follow-up eye-tracking experiment involving an audit task identifies the underlying cognitive mechanism of this effect; nudges heighten auditors’ visual attention to pertinent information, thereby refining their evaluations of audit evidence and increasing their professional skepticism.

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)0,009
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,914
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0040,003
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,238
Tête enseignante GPT0,534
Écart entre enseignants0,297 · 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'étudeAutre devis
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

Citations10
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAccounting and Business ResearchMême sujetDecision-Making and Behavioral EconomicsTravaux en français237 207