The impact of digital transformation on accounting information systems: Evidence from the aviation industry of the United Arab Emirates
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 2023, the United Arab Emirates (UAE) Digital Government Strategy 2025 required government entities and companies to participate in transforming the country into a smart nation. The first phase named “digital transformation” focuses on digitizing all operations. As such, accounting information systems (AISs)—which collect, organize, and report financial data—must evolve in alignment with this vision. This study explores how professionals in the UAE’s government-owned aviation industry view AIS adaptation to meet national digital transformation goals. Data were gathered through semi-structured interviews with 17 AIS experts, each with at least two years of experience in both AIS and digital transitions. The responses were then open-coded into themes centered around the objectives, benefits, challenges, and organizational impacts of AIS transformation. The findings reveal that a variety of new technologies are being used. For example, blockchain is being applied to supply chains to enhance partner traceability. AI is being used to analyze large data sets, automate repetitive tasks, and integrate non-financial data, such as for fair value assessments, to support IFRS compliance. AI is also helping to improve GDPR compliance by identifying data vulnerabilities and triggering automated safeguards. Cloud computing is also being adopted to reduce idle capacity and offer scalable flexibility. Nevertheless, some challenges were noted, such as limited employee competence and resistance to adopting new systems.
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 | 0,002 | 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 | 0,003 |
| Science ouverte | 0,003 | 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