Integrating Blockchain, IoT, and XBRL in Accounting Information Systems: A Systematic Literature Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over the last few decades, remarkable technical advancements, including artificial intelligence, machine learning, big data, blockchain, cloud computing, and the Internet of Things, have emerged. These tools have the ability to change the accounting process. This study aims to conduct a systematic literature review on using the Internet of Things (IoT), blockchain, and eXtensible Business Reporting Language (XBRL) in a single accounting information system (AIS) to enhance the quality of digital financial reports. This paper employs a systematic literature review (SLR) methodology, specifically, by adopting the widely accepted PRISMA technique. The final sample of this study included 309 related studies from 2013 to 2023. Our findings highlight the lack of literature related to the integration of these three types of technologies within a unified AIS. This study is extremely significant because it proposes a new research stream that explores the possibility of integrating IoT, blockchain, and XBRL in a single accounting system, yielding a plethora of benefits to the accounting field. However, the potential benefits of such an integration are evident, including enhanced transparency, real-time reporting capabilities, and improved data security. Our paper’s main contribution is that it is the first paper, to the best of our knowledge, to explore the integration of these three technologies. We also identified important gaps in the research and pointed out ways for future research to somehow take a lead in exploring further how this integrated system is affecting accounting practices.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle