MétaCan
Menu
Retour à la cohorte
Enregistrement W4415725023 · doi:10.1111/1911-3838.70001

Evidence About Discipline Committees and Professional Misconduct of Auditors <sup>*,‡</sup>

2025· article· en· W4415725023 sur OpenAlexaffvenue
Devan Mescall, Regan N. Schmidt, Michael J. Wynes

Notice bibliographique

RevueAccounting Perspectives · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAuditing, Earnings Management, Governance
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésMisconductAuditSanctionsDisciplineProfessional conductAuditor independenceAudit substantive testExternal auditor

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Self‐regulating professions establish professional discipline processes to determine whether members' behavior falls short of expectations outlined in their respective codes of conduct and to determine appropriate sanctions when necessary. From an auditing perspective, audit quality is of primary interest to audit researchers, yet few prior studies have examined how the auditing profession itself assesses and sanctions deficient auditors who likely fail to meet audit quality expectations. To provide a new direction in auditing research, this study focuses on qualitative data published in auditor professional disciplinary proceedings and uses content analysis to examine auditor professional misconduct incidents, disciplinary processes, and disciplinary outcomes. Our analysis of audit deficiencies produces novel insights to align future research more closely with the judgment failures occurring in practice. Importantly, our analyses of the audit profession's disciplinary process and outcomes provide insights into (1) the accounting and/or auditing particulars that compromise auditor judgment, resulting in allegations of professional misconduct; (2) the behavior and justifications of the auditor defendants during the proceedings; and (3) the professional judgment exercised by the auditing profession's discipline committees when ascertaining guilt and determining sanctions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,010
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,087
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,267
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAccounting PerspectivesMême sujetAuditing, Earnings Management, GovernanceTravaux en français237 207