Exploring ChatGPT’s capabilities in solving accounting standards problems: the case of IAS 37
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
Using a quasi-experimental method and content analysis as a technique, this study tests ChatGPT, in its version 4, by assessing its textual characteristics and overall understanding regarding the recognition criteria of provisions under International Accounting Standards (IAS) 37, as issued by the International Accounting Standards Board (IASB). For this purpose, it uses a set of questions (input) from the IASB's illustrative examples to compare the answers (output) from IASB and ChatGPT in two distinct strategies: with and without prompting. The findings indicate that ChatGPT’s answers are wordier, have higher magnitude levels, and are more predominantly inserted in Business and Finance. The no-prompting strategy is globally more negative and subjective, while the prompting one improves the answers’ focus and readability, also presenting more diverse tones in its textual characteristics, similar to what was found in the IASB's answers. However, some answers were not globally accurate in both strategies. These findings provide insights into how ChatGPT, as one of the most disseminated artificial intelligence tools, can be used by accounting professionals and educators, being aware of the potential risks and benefits from both strategies underlying this experiment. Then, by considering those aspects, practitioners, including accountants and managers, but also investors can use it to understand the matters and issues under assessment in a given situation, as well as the sources to consider when preparing financial statements or making a decision. Academics can also use it to open up discussions and promote students’ critical thinking skills in a classroom environment.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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