Forensic Accounting: Exploration of Trends and Theme via Bibliometric Analysis
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
In today’s technologically advanced era, the demand for forensic accounting has significantly increased, highlighting the growing severity of accounting fraud issues. Forensic accounting has emerged as a crucial field in the detection and prevention of financial fraud, tax evasion, and other financial crimes. This study aims to contribute to the ongoing discourse by uncovering publication trends, identifying prevalent keywords, shedding light on the geographical concentration, and suggesting the future direction of research on forensic accounting. The study is based on a bibliometric analysis of 297 articles from the Scopus database using the TITLE-ABS-KEY approach. Microsoft Excel is used in analysing the frequency of published materials using the corresponding tables and charts. In addition, the VOSviewer software is used to create bibliometric networks and Harzing’s Publish or Perish software is used to assess the citation metrics of the articles. The analysis shows that the number of publications on forensic accounting is increasing, especially between 2020 and 2024. The articles were cited 2914 times, which corresponds to an average of 9.81 citations per article. The results show that the top five common keywords discussed in this area are forensic accounting, fraud, auditing, accounting, and fraud detection, which can be grouped into 5 clusters. The United States, Jordan, Malaysia, Canada, India, and Indonesia are among the countries that contribute to publications in this area. This study offers some insights regarding the future development and advancement of forensic accounting studies in the academic literature of Business, Management and Accounting; Economics, Econometrics and Finance and Social Sciences, as well as provides helpful information for academics and practitioners looking to analyse and delve deeper within this field of research.
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 | 0,019 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,159 | 0,425 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 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