<?xml version="1.0" encoding="UTF-8"?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName></PublisherName>
      <JournalTitle>حسابداری، امور مالی و هوش محاسباتی</JournalTitle>
      <Issn>3092-7366</Issn>
      <Volume></Volume>
      <Issue>در دست انتشار</Issue>
      <PubDate PubStatus="epublish">
        <Year>1406</Year>
        <Month>10</Month>
        <Day>01</Day>
      </PubDate>
    </Journal>
    <ArticleTitle>Designing a Model for Developing Auditors’ Data Literacy to Address Data-Driven Challenges: A Grounded Theory Approach</ArticleTitle>
    <VernacularTitle>طراحی الگوی توسعه سواد داده‌ای حسابرسان برای مقابله با چالش‌های داده‌محور: رویکرد نظریه زمینه‌بنیان</VernacularTitle>
    <FirstPage>1</FirstPage>
    <LastPage>23</LastPage>
    <Language>FA</Language>
    <AuthorList>
      <Author>
        <FirstName>مصطفی </FirstName>
        <LastName>مرادی پور</LastName>
        <Affiliation>گروه حسابداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران</Affiliation>
      </Author>
      <Author>
        <FirstName>مهدی</FirstName>
        <LastName>بشکوه</LastName>
        <Affiliation>گروه حسابداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.</Affiliation>
      </Author>
      <Author>
        <FirstName>حسین </FirstName>
        <LastName>کاظمی</LastName>
        <Affiliation>گروه حسابداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران</Affiliation>
      </Author>
    </AuthorList>
    <PublicationType>Journal Article</PublicationType>
    <History>
      <PubDate PubStatus="received">
        <Year>1404</Year>
        <Month>12</Month>
        <Day>02</Day>
      </PubDate>
    </History>
    <Abstract>&lt;p&gt;This study aimed to design a systematic and context-specific model for developing auditors’ data literacy to facilitate effective responses to digital transformation and emerging data-driven auditing challenges. This applied qualitative study employed the systematic grounded theory approach developed by Strauss and Corbin. The participants comprised 15 academic and professional auditing experts in Iran who were selected during the second half of 2024 through purposive and snowball sampling until theoretical saturation was achieved. Data were collected through in-depth, semi-structured interviews lasting approximately 45–70 minutes. The interview data were analyzed through open, axial, and selective coding and the constant comparative method. The trustworthiness of the findings was established through participant validation, recording and repeated review of the interviews, parallel coding by researchers, and intercoder agreement analysis. The intercoder reliability coefficient was 0.91, indicating satisfactory consistency in the coding process. The analysis generated 6 major dimensions, 16 axial categories, and 48 concepts. Regulatory expectations and legal challenges, the data-driven economy, and the digital transformation of auditing emerged as causal conditions. Digital-era auditing standards, restrictions on access to financial data, the relationship between academia and the auditing profession, and digital audit-processing tools constituted the contextual conditions. Big data, blockchain and data security, and audit automation were identified as intervening conditions. The central phenomenon involved developing auditors’ data literacy through financial and business data analysis and the application of artificial intelligence and machine learning. Data-driven risk management and the development of auditors’ analytical skills emerged as the principal strategies. The sustainability of audit firms in the digital era was identified as the ultimate consequence of implementing these strategies. Developing auditors’ data literacy requires an integrated approach encompassing the revision of auditing standards, investment in technological infrastructure, stronger university–profession collaboration, continuous professional education, and the implementation of data-driven risk-management mechanisms. The proposed model can improve audit accuracy, efficiency, transparency, and reliability while strengthening the long-term sustainability and adaptability of audit firms in increasingly complex digital environments.&lt;/p&gt;</Abstract>
    <OtherAbstract Language="FA">&lt;p&gt;هدف پژوهش حاضر طراحی الگویی بومی و نظام‌مند برای توسعه سواد داده‌ای حسابرسان به‌منظور مواجهه مؤثر با چالش‌های ناشی از تحول دیجیتال و گسترش حسابرسی داده‌محور بود. این پژوهش از نظر هدف کاربردی، از نظر ماهیت کیفی و مبتنی بر رویکرد نظام‌مند نظریه زمینه‌بنیان اشتراوس و کوربین بود. مشارکت‌کنندگان شامل 15 نفر از خبرگان دانشگاهی و حرفه‌ای حوزه حسابرسی ایران بودند که در نیمه دوم سال 2024 با استفاده از نمونه‌گیری هدفمند و گلوله‌برفی و تا دستیابی به اشباع نظری انتخاب شدند. داده‌ها از طریق مصاحبه‌های عمیق نیمه‌ساختاریافته 45 تا 70 دقیقه‌ای گردآوری و با استفاده از کدگذاری باز، محوری و گزینشی و روش مقایسه مداوم تحلیل شدند. اعتبار یافته‌ها از طریق بازبینی مشارکت‌کنندگان، ضبط و بازخوانی مصاحبه‌ها، تحلیل موازی پژوهشگران و محاسبه توافق بین کدگذاران بررسی شد که ضریب پایایی 0.91 را نشان داد. تحلیل داده‌ها به شناسایی 6 بعد اصلی، 16 مقوله محوری و 48 مفهوم منجر شد. شرایط علّی شامل انتظارات نظارتی و چالش‌های قانونی، اقتصاد داده‌محور و تحول دیجیتال در حسابرسی بود. استانداردهای حسابرسی دیجیتال، محدودیت دسترسی به داده‌های مالی، ارتباط دانشگاه و حرفه و ابزارهای دیجیتال، شرایط زمینه‌ای مدل را تشکیل دادند. کلان‌داده، بلاک‌چین و امنیت داده‌ها و اتوماسیون نیز به‌عنوان شرایط مداخله‌گر شناسایی شدند. پدیده محوری مدل، توسعه سواد داده‌ای حسابرسان از طریق تحلیل داده‌های مالی و تجاری و بهره‌گیری از هوش مصنوعی و یادگیری ماشین بود. مدیریت ریسک داده‌محور و توسعه مهارت‌های تحلیلی حسابرسان به‌عنوان راهبردهای اصلی و پایداری مؤسسات حسابرسی در عصر دیجیتال به‌عنوان پیامد نهایی استخراج شد. توسعه سواد داده‌ای حسابرسان مستلزم رویکردی یکپارچه شامل اصلاح استانداردها، توسعه زیرساخت‌های فناورانه، تقویت ارتباط دانشگاه و حرفه، آموزش مستمر و استقرار سازوکارهای مدیریت ریسک داده‌محور است. اجرای الگوی پیشنهادی می‌تواند دقت، کارایی، شفافیت و قابلیت اتکای حسابرسی را افزایش داده و پایداری مؤسسات حسابرسی را در محیط دیجیتال تقویت کند.&lt;/p&gt;</OtherAbstract>
    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">Data-driven auditing</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">data literacy</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">grounded theory</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">financial data analysis</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">new auditing technologies</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">حسابرسی داده محور</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">سواد داده‌ای</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">نظریه زمینه بنیان</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">تحلیل داده‌های مالی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">فناوری‌های نوین حسابرسی</Param>
      </Object>
    </ObjectList>
    <ArchiveCopySource DocType="pdf">https://jafci.com/index.php/jafci/article/download/482/304</ArchiveCopySource>
  </Article>
</ArticleSet>
