دانلود ترجمه مقاله آنالیز داده های حسابرسی، یادگیری ماشین و آزمایش جمعیت کامل (ساینس دایرکت – الزویر ۲۰۲۲) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۷ صفحه در سال ۲۰۲۲ منتشر شده و ترجمه آن ۱۵ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

آنالیز داده های حسابرسی، یادگیری ماشین و آزمایش جمعیت کامل

عنوان انگلیسی مقاله:

Audit data analytics, machine learning, and full population testing

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش
سال انتشار ۲۰۲۲
تعداد صفحات مقاله انگلیسی ۷ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله حسابداری
گرایش های مرتبط با این مقاله حسابرسی
چاپ شده در مجله (ژورنال)  The Journal of Finance and Data Science
کلمات کلیدی تحلیل داده های حسابرسی – آزمون کل جامعه – یادگیری ماشینی
کلمات کلیدی انگلیسی Audit data analytics – Full population testing – Machine learning
نمایه (index) scopus – DOAJ
نویسندگان Feiqi Huang – Won Gyun No – Miklos A. Vasarhelyi – Zhaokai Yan
شناسه شاپا یا ISSN ۲۴۰۵-۹۱۸۸
شناسه دیجیتال – doi https://doi.org/10.1016/j.jfds.2022.05.002
ایمپکت فاکتور(IF) مجله ۳٫۰۵۶ در سال ۲۰۲۱
شاخص H_index مجله ۱۶ در سال ۲۰۲۲
شاخص SJR مجله ۰٫۶۱۰ در سال ۲۰۲۱
شاخص Q یا Quartile (چارک) Q2 در سال ۲۰۲۱
بیس نیست
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
فرضیه ندارد
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۳۰۴۲
لینک مقاله در سایت مرجع لینک این مقاله در سایت Elsevier
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۵ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ندارد
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه ندارد
منابع داخل متن به صورت عدد درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

۱ مقدمه

۲ مسائل نمونه گیری در حسابرسی

۳ تجزیه و تحلیل داده های حسابرسی و یادگیری ماشینی

۴ آزمون کل جامعه

۵ چالش ها

۶ نتیجه گیری

بیانیه تضاد منافع

فهرست منابع

 

بخشی از ترجمه

چکیده

     فناوری های نوظهوری مانند تحلیل داده ها و یادگیری ماشینی بر حرفه حسابداری تاثیر می گذارند. به طور خاص، تغییرات شایانی در رویه های حسابرسی و اطمینان بخشی به دلیل این تاثیرات پیش بینی می شود. یکی از این تغییرات بالقوه، نمونه گیری در حسابرسی است. از آنجایی که نمونه گیری در حسابرسی تنها نمای آنی کوچکی از کل جامعه فراهم می کند، برخی از معانی آن در عصر کلان داده ها از بین می روند. یک راه حل محتمل، استفاده از تجزیه و تحلیل داده های حسابرسی و یادگیری ماشینی برای انجام تحلیل کل جامعه به جای نمونه معاملات است. مقاله حاضر به ارائه رویکردی جهت استفاده از تحلیل داده های حسابرسی و یادگیری ماشینی برای آزمون کل جامعه و بحث درباره چالش های مربوطه می پردازد.

 

مسائل نمونه گیری در حسابرسی
     در سال ۲۰۲۰، آمازون تقریباً ۴٫۲ میلیارد بسته را در آمریکا تحویل داد که معادل روزانه بیش از ۱۱ میلیون بسته بود . این معاملات بخش شایانی از درآمد آمازون را در بر گرفته و یکی از بزرگ ترین هزینه های آمازون یعنی هزینه های حمل و نقل را شامل می شود. اکنون، تیم حسابرسی را تصور نمایید که در تلاش برای انجام آزمون محتوایی ۴٫۲ میلیارد بسته ای می شود که در کل آمریکا تحویل داده شده است. به خاطر تعداد زیاد معاملات، مناسب ترین روش برای انجام رویه حسابرسی، بررسی نمونه از معاملات (یعنی نمونه گیری در حسابرسی) خواهد بود. استانداردهای حسابرسی ۲۳۱۵ مشخص می کند که نمونه گیری در حسابرسی عبارتست از بکارگیری رویه حسابرسی برای کمتر از ۱۰۰ درصد موارد در یک مانده حساب یا طبقه ای از معاملات به منظور ارزیابی برخی از ویژگی های ترازنامه یا طبقه (۲). اگر چه نمونه گیری در حسابرسی در شیوه حسابرسی به خوبی پذیرفته شده و کارایی حسابرسی را بهبود می بخشد اما محدودیت هایی داشته و در نتیجه برخی از معانی آن در عصر کلان داده ها از بین می رود. نمونه گیری فقط نمای آنی کوچکی از کل جامعه ارائه می کند. دستیابی به نمونه گویایی که به دقت منعکس کننده ویژگی های جامعه ای بزرگ باشد دشوار است. بنابراین، ریسک نمونه گیری ناشی از این احتمال است که حسابرسان در صورتی که کل جامعه به جای نمونه تحت رویه حسابرسی باشد به نتیجه متفاوتی دست می یابند. در کل، هر قدر اندازه نمونه کوچک تر باشد، ریسک نمونه گیری بیشتر خواهد بود. نسبت بین اندازه نمونه و اندازه جامعه می تواند پروکسی ریسک نمونه گیری باشد.

 

     به رغم انتخاب رویکردهای نمونه گیری، مانند نمونه گیری واحد پولی و نمونه گیری مبتنی بر قضاوت، بزرگ ترین چالش در این سناریوی آمازون نحوه استخراج نمونه ای است که نماینده مناسبی برای ویژگی های کل ۴٫۲ میلیارد معامله باشد. حسابرسان به این دلیل از نمونه گیری استفاده می کنند که بررسی کل جامعه بسیار پرهزینه و زمانبر می باشد. ماهیتاً، معاملات مادی غیرمعمول یا مشکوک، نادر هستند. بنابراین، احتمال شناسایی چنین معاملاتی در نمونه پایین است. نمونه گیری در بررسی تفکیک سفارشات خرید بزرگ در طی چندین سفارش خرید بی فایده است. تفکیک سفارشات خرید تنها زمانی مشاهده می شود که همه سفارشات خرید به صورت تصادفی به عنوان بخشی از نمونه انتخاب شوند.

 

     در نتیجه پرسش هایی درباره کارایی نمونه گیری در حسابرسی وجود دارد (۳، ۴). پرسش اصلی آن است که آیا یک نمونه نماینده خوبی از کل جامعه بوده و برای رسیدن به یک نتیجه مناسب، کافی است یا خیر؟ به عبارت دیگر، آیا شواهد حسابرسی حاصل از بخش کوچکی از جامعه قابل اعتماد و کافی است؟ برای مثال، نمونه ای از ۵۰۰۰۰۰ معامله، تنها ۰٫۰۱۲ درصد کل جامعه آمازون است حتی اگر نمونه بسیار بزرگی باشد.

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.