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
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
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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