Integrating Blockchain, IoT, and XBRL in Accounting Information Systems: A Systematic Literature Review
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.
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 | 0,015 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,022 | 0,022 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».