حسابداری، امور مالی و هوش محاسباتی 3092-7366 در دست انتشار 1406 10 01 Causal Factors and Core Categories of Artificial Intelligence Ethics in Accounting عوامل علّی و مقوله‌های محوری اخلاق هوش مصنوعی در حسابداری 1 22 FA سکینه منصوری منصورآباد گروه حسابداری، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران محسن احمدی گروه حسابداری، واحد گچساران، دانشگاه آزاد اسلامی، گچساران، ایران. مهرداد مرادی گروه اقتصاد کشاورزی، واحد یاسوج. دانشگاه آزاد اسلامی، یاسوج، ایران Journal Article 1405 04 10 <p>This study aimed to identify and explain the causal factors and core category of artificial intelligence ethics in accounting and to empirically examine the effect of causal factors on the ethical challenges of AI-based accounting. An exploratory sequential mixed-methods design was employed. In the first stage, 124 studies related to the applications and capabilities of artificial intelligence in accounting were reviewed and the initial components were extracted. The identified capabilities were then prioritized using the fuzzy analytic hierarchy process and expert judgments. In the qualitative phase, semi-structured interviews were conducted with 22 experts in accounting, auditing, and financial information technology selected through purposive sampling. Qualitative analysis was restricted to identifying causal factors and the core category. In the quantitative phase, a questionnaire developed from the qualitative findings was administered to accounting professionals, auditors, academics, and relevant technology specialists, and 212 valid responses were analyzed using partial least squares structural equation modeling. Structural model results indicated that causal factors had a positive and statistically significant effect on the core category of ethical challenges in AI-based accounting (β=0.542, t=7.97, p&lt;0.001). The coefficient of determination for the core category was 0.294, indicating that the causal factors explained 29.4% of its variance. The effect size was 0.417, representing a strong effect. The predictive relevance index was Q²=0.182, demonstrating acceptable predictive capability. In addition, the SRMR value of 0.047 indicated satisfactory overall model fit. The findings demonstrate that ethical challenges associated with AI in accounting arise from identifiable causal factors, including lack of algorithmic transparency, limited explainability, inherent system complexity, pressure for rapid technology adoption, and deficient or biased data. These factors significantly intensify ethical concerns involving transparency, accountability, privacy, algorithmic bias, and professional independence.</p> <p>هدف این پژوهش شناسایی و تبیین عوامل علّی و مقوله محوری اخلاق هوش مصنوعی در حسابداری و بررسی تجربی تأثیر عوامل علّی بر چالش‌های اخلاقی حسابداری مبتنی بر هوش مصنوعی بود. پژوهش حاضر با رویکرد آمیخته اکتشافی متوالی انجام شد. در مرحله نخست، ۱۲۴ مقاله مرتبط با کاربردها و قابلیت‌های هوش مصنوعی در حسابداری بررسی و مؤلفه‌های اولیه استخراج شدند. سپس با استفاده از تحلیل سلسله‌مراتبی فازی و قضاوت خبرگان، قابلیت‌های شناسایی‌شده اولویت‌بندی شدند. در بخش کیفی، مصاحبه‌های نیمه‌ساختاریافته با ۲۲ نفر از خبرگان حسابداری، حسابرسی و فناوری اطلاعات مالی که به روش نمونه‌گیری هدفمند انتخاب شده بودند انجام شد و تحلیل داده‌ها صرفاً بر شناسایی عوامل علّی و مقوله محوری متمرکز بود. در مرحله کمّی، پرسشنامه تدوین‌شده بر اساس یافته‌های کیفی میان حسابداران، حسابرسان، دانشگاهیان و متخصصان مرتبط توزیع شد و ۲۱۲ پرسشنامه معتبر با استفاده از مدل‌سازی معادلات ساختاری مبتنی بر حداقل مربعات جزئی تحلیل گردید. نتایج مدل ساختاری نشان داد عوامل علّی تأثیر مثبت و معناداری بر مقوله محوری چالش‌های اخلاقی حسابداری مبتنی بر هوش مصنوعی دارند (β=0.542، t=7.97، p&lt;0.001). ضریب تعیین مقوله محوری برابر با 0.294 بود و نشان داد عوامل علّی 29.4 درصد از واریانس چالش‌های اخلاقی را تبیین می‌کنند. اندازه اثر این رابطه برابر با 0.417 و در سطح قوی بود. همچنین، مقدار Q² برابر با 0.182 به دست آمد که بیانگر قدرت پیش‌بینی قابل‌قبول مدل بود. شاخص SRMR برابر با 0.047 نیز برازش مطلوب مدل را نشان داد. یافته‌ها نشان داد چالش‌های اخلاقی هوش مصنوعی در حسابداری ریشه در عواملی مشخص شامل فقدان شفافیت الگوریتمی، محدودیت توضیح‌پذیری، پیچیدگی سیستم‌های هوش مصنوعی، فشار برای پذیرش سریع فناوری و نقص یا سوگیری داده‌ها دارند و این عوامل به‌طور معناداری چالش‌های مرتبط با شفافیت، مسئولیت‌پذیری، حریم خصوصی، سوگیری الگوریتمی و استقلال حرفه‌ای را تشدید می‌کنند.</p> https://jafci.com/index.php/jafci/article/download/530/337