Bibliographic record
Abstract
Ma thèse se compose de trois essais rapportés dans trois chapitres différents, chacun lié à une question de recherche différente sur la section des Key Audit Matters (KAMs, en français, points clés d’audit) dans les rapports d’audit. Les KAMs ont été mis en oeuvre afin d’accroître la valeur communicative des rapports d’audit et la confiance de ses utilisateurs dans le processus d’audit et les états financiers des sociétés (EY Reporting, 2015). Les KAMs reflètent les plus grands risques d’anomalies significatives rencontrés au cours du processus d’audit, sur la base du jugement professionnel des auditeurs (FRC, 2020). Leur mise en oeuvre représente le changement le plus important apporté au rapport d’audit au cours des 70 dernières années. (EY Reporting, 2015 ; FRC, 2020) Les KAMs ont été mis en oeuvre pour la première fois au Royaume-Uni en 2013. Pour obtenir la plus grande période d’échantillonnage possible, j’utilise des données collectées manuellement auprès de sociétés non financières cotées à la Bourse de Londres. Les KAMs représentent des informations qualitatives supplémentaires dans le rapport d’audit, où les auditeurs signalent un KAM par risque rencontré au cours du processus d’audit. Chaque KAM représente un risque d’audit et est composé de deux parties. Les auditeurs décrivent d’abord le risque reconnu comme un KAM, puis ils expliquent les procédures d’audit suivies pour traiter le risque identifié. Je définie ces deux parties comme les composants des KAMs suivants : la description du risque et la réponse et l’observation des auditeurs. Bien que les auditeurs soient encouragés à rédiger les KAMs avec leurs propres mots (FRC, 2013b), les critiques de cette nouvelle exigence de divulgation craignent que les KAMs ne soient passe-partout et normalisées (Citi Research, 2014 ; Gray, Turner, Coram et Mock, 2011 ; Mock et coll., 2013). Bien que plusieurs chercheurs examinent les conséquences de la réglementation des KAMs dans le monde entier, je pense que l’examen du contenu des KAMs fournit des informations plus granulaires sur le processus d’audit. Je développe des mesures de dissimilarité pour capturer des informations spécifiques dans les KAMs. Ces mesures reflètent les différences dans les termes rédigés par les auditeurs pour le même type de KAM. Ma Thèse contribue à la littérature des KAMs en fournissant une analyse granulaire du contenu des KAMs et en complétant les études examinant les caractéristiques textuelles des KAMs (par exemple, Burke, Hoitash, Hoitash et Xiao, 2022 ; Chen, Nelson, Wang et Yu, 2020 ; Gutierrez, Minutti-Meza, Tatum et Vulcheva, 2018 ; Lennox, Schmidt et Thompson, 2022).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.044 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".