Adoption of Artificial Intelligence-Driven Fraud Detection in Banking: The Role of Trust, Transparency, and Fairness Perception in Financial Institutions in the United Arab Emirates and Qatar
Notice bibliographique
Résumé
This paper examines the uptake of AI-driven fraud detection systems among financial institutions in the UAE and Qatar, with a special focus on trust, transparency, and perceptions of fairness. Despite the promise of AI operations in identifying financial anomalies, unclear decision-making processes and algorithmic bias constrain its extensive acceptance, especially in regulation-driven banking sectors. This study uses a quantitative strategy based on Partial Least Squares Structural Equation Modeling (PLS-SEM) and Multi-Group Analysis (MGA) of survey responses from 409 bank professionals, such as auditors and compliance officers. This study shows that transparency greatly enhances trust, which is the leading predictor of AI uptake. Fairness perception mediates the negative impacts of algorithmic bias, emphasizing its important role in establishing system credibility. The analysis of subgroups shows differential regional and professional variations in trust and fairness sensitivity, where internal auditors and highly AI-exposed subjects are found to exhibit higher adoption preparedness. Compliance with regulations also emerges as a positive enabler of adoption. This paper concludes with suggestions for practical implementation by banks, developers, and regulators to align AI deployment with ethical and regulatory aspirations. It recommends transparent, explainable, and fairness-sensitive AI tools as essential for promoting adoption in regulation-driven sectors. The findings provide a guide for promoting responsible, trust-driven AI implementation in fraud detection.
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 | 0,011 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».