رویکردهای نوظهور در تشخیص تقلب مالی: تمرکز بر رویه های حسابداری و نقش فناوری‌های هوش مصنوعی

تشخیص تقلب مالی به‌عنوان یکی از چالش‌های اساسی حسابداری مدرن، نقشی حیاتی در ارتقای شفافیت و اعتماد عمومی به نظام‌های مالی ایفا می‌کند. هدف این پژوهش، تحلیل جامع سیر تحول روش‌های تشخیص تقلب مالی و ارائه‌ی چارچوبی نوین بر مبنای ترکیب رویکردهای حسابداری و فناوری‌های هوش مصنوعی است. در این مطالعه، با بهره‌گیری از مرور نظام‌مند پژوهش‌های انجام‌شده طی سه دهه‌ی اخیر، مدل‌های موجود در چهار دسته‌ی اصلی شامل رویکردهای سنتی و آماری، آماری–ماشینی، یادگیری ماشین پیشرفته و یادگیری عمیق و نوظهور طبقه‌بندی گردیدند. هر دسته بر اساس معیارهایی چون دقت، تفسیرپذیری، نوع داده و قابلیت کاربرد در محیط‌های حسابرسی مورد تحلیل مقایسه‌ای قرار گرفت. نتایج نشان می‌دهد که مسیر تحول از مدل‌های ساده‌ی نسبت‌محور به سامانه‌های هوشمند داده‌محور و توضیح‌پذیر تغییر یافته است. الگوریتم‌های یادگیری ماشین پیشرفته و مدل‌های شبکه‌ای مانند lstm و gnn توانسته‌اند دقت تشخیص را تا بیش از 95%‎ افزایش دهند، اما چالش‌هایی نظیر تفسیرپذیری پایین و نیاز به داده‌های شفاف همچنان باقی است. بر همین اساس، پژوهش حاضر چارچوبی ترکیبی (hybrid framework) پیشنهاد می‌کند که ضمن تلفیق قابلیت‌های آماری و الگوریتمی، امکان تبیین تصمیمات مدل را از منظر حسابرسی فراهم می‌سازد. نوآوری اصلی این پژوهش، ارائه‌ی یک دسته‌بندی ساخت‌یافته از رویکردهای موجود و شناسایی شکاف‌های پژوهشی میان آنها است که می‌تواند مبنایی برای توسعه‌ی مدل‌های توضیح‌پذیر و اخلاق‌محور در آینده باشد. یافته‌ها نشان می‌دهد که همگرایی میان علم حسابداری و هوش مصنوعی، کلید افزایش دقت، شفافیت و اعتماد در فرآیندهای کشف تقلب مالی به شمار می‌رود.