A maturity level assessment of the use of technology by internal audit functions: a comparative analysis of the Federal Government of Canada
Notice bibliographique
Résumé
This work presents the results of the empirical study conducted on internal audit (IA) functions in the Federal Government of Canada (after this Federal Government) to measure generalized audit software (GAS) use practices. The study empirically gauged the function maturity of the Federal Government Internal Audit. It sought to provide information on the current state and usage of GAS and the future needs of audit functions across the federal government. The current maturity assessment (2022) is phase two; phase one (2017) was completed five years ago. This work enables us to see if progress has been made in data analytics and provides valuable information on where to focus efforts to achieve best practices. People, processes and technology form the foundation of effective internal auditing. It is essential to continue assessing progress in these areas. This paper focuses on these three aspects, which contribute equally to the overall assessment of the maturity of GAS use by internal auditors in the Federal Government. The comparison drawn from the empirical findings indicates that there has not been significant progress in any area or overall maturity levels since the initial study in 2017. A comprehensive discussion of the results leads to policy recommendations for shaping the maturity-level assessment of future GAS use. At the same time, by considering Canada as an advanced country case study, the research aims to provide a lessons-learned experience from an organizational learning perspective for other countries and organizations while contributing to decision-making processes.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 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 ».