Collaboration challenges in multidisciplinary audit teams for public sector assurance
Notice bibliographique
Résumé
Purpose This study examines how multidisciplinary audit teams (MATs) collaborate in sustainability assurance engagements, focusing on an Australian government organisation responsible for natural resource management assurance. Specifically, it explores how MATs are resourced, how diverse expertise is integrated and managed, and the collaboration challenges arising from this diversity, as well as their perceived impact on assurance quality. Design/methodology/approach A qualitative case study approach was undertaken, drawing primarily on semi-structured interviews with multidisciplinary audit team members, including auditors, managers and contractors. Resource diversity theory was applied as a lens to examine how MATs were composed, managed and the collaboration challenges they encountered in assurance practice. Findings The study highlights that diverse expertise within MATs can enhance assurance quality, but these benefits are contingent on strategic planning, effective communication, and strong leadership. Where engagement was limited and communication unclear, tensions arose that undermined trust, impeded knowledge transfer and restricted collaboration, ultimately diminishing the effectiveness of MATs. Research limitations/implications The study highlights the importance of structured engagement strategies, robust communication protocols, and leadership development in enabling MATs to realise the benefits of multidisciplinarity. By strengthening these areas, organisations (private and public) can improve collaboration, build trust and integrate diverse knowledge more effectively to enhance the quality of sustainability assurance. Originality/value This study provides rare in-field insights into the collaborative dynamics of MATs in sustainability assurance in the public sector. It identifies the organisational conditions necessary for leveraging multidisciplinary expertise and addresses a significant gap in the literature on the effectiveness of audit team diversity.
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 | 0,077 | 0,130 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,023 | 0,015 |
| Communication savante | 0,017 | 0,011 |
| Science ouverte | 0,003 | 0,034 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».