How Emerging Technologies are Transforming Financial Reporting for Small Businesses in Developed Economies?
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 study examined the effect of emerging technologies on financial reporting quality among small businesses in developed economies. The specific objective was to determine how Artificial Intelligence (AI) expert systems, blockchain technology, and cloud accounting influence the accuracy, timeliness, and reliability of financial reports. The study adopted a survey research design and targeted 200 small business operators from the United States, United Kingdom, France, and Canada using a snowball sampling technique. Data were collected through structured questionnaires administered via Google Forms, capturing both the use of emerging technologies and the quality of financial reporting. Multiple regression analysis at a five percent significance level was used to test the hypotheses, while frequencies were used to analyze the research questions. The findings revealed that: AI expert systems positively affect financial reporting quality among small businesses in developed economies (β = 0.276, p = 0.000); blockchain technology positively affects financial reporting quality among small businesses in developed economies (β = 0.218, p = 0.000); cloud accounting positively affects financial reporting quality among small businesses in developed economies (β = 1.312, p = 0.000). In conclusion, adopting AI expert systems, blockchain technology, and cloud accounting enhances the reliability and effectiveness of financial reporting among small businesses in developed economies. Therefore, the study recommended that regulators and small business owners should adopt blockchain-based solutions to ensure transparency and traceability in financial transactions. Implementing secure, tamper-proof ledgers can strengthen stakeholder confidence, improve compliance with reporting standards, and reduce the risk of fraud, providing greater assurance to investors, auditors, and business partners.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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