Analyzing the influence of TOE factors on e-auditing adoption in audit firms: The moderating effect of trust
Notice bibliographique
Résumé
The rising usage of E-Auditing and its effect on businesses through new technology developments and rules demonstrates how audit systems can maximize operational efficiency and business decision quality. Researchers are undergoing a study to determine E-Auditing acceptance rates. The TOE model represents “Technological, Organizational, and Environmental” variables that function as key examination areas in organizational analysis and management practices when researchers study technological implementation and adoption patterns in industrial environments. The research proposes that these three aspects (technical aspects with both Relative advantage (RA) and Technology Compatibility (TC) and organizational aspects including top management support (TMS) and readiness (R)) along with environmental aspects such as competitive pressure (CP) contribute to e-auditing adoption. Auditor trust appeared in this study as the suggested moderating factor. A total of 235 participants provided info outside random sampling while the analysis used SPSS software. The experimental results proved that factors associated with TOE provide legitimate grounds for E-auditing acceptance. Evidence demonstrates that TOE variables provide justification for why organizations would accept E-auditing technology. Data show that trust functions as a supportive variable for the relationship between TOE and e-auditing but provides minimal strength. E-Auditing adoption research needs further investigation within emerging economies to understand better how users adopt this tool. The objective for decision-makers should focus on expanding user understanding of E-Auditing adoption along with educating decision-makers about the benefits of implementing this system.
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 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 | 0,010 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».