Automatiska metoder kan effektivisera analysen av revisionsberättelser
I artikeln "Identifying going concern audit opinions using supervised machine learning" undersöker CERs doktorand Dennis Hedback om maskininlärning kan användas för att automatiskt identifiera revisionsberättelser där revisorn varnar för att ett företag riskerar att inte kunna fortsätta sin verksamhet.
Studien som är publicerad i tidskriften Intelligent Systems in Accounting, Finance and Management, belyser att sådana varningar är viktiga, men kan vara mycket tidskrävande och kostsamma att hitta och sammanställa manuellt, särskilt när det gäller stora mängder företag. Detta kan vara ett särskilt stort problem inom forskning, där man ofta behöver analysera omfattande datamaterial som ett led att samla in data till andra typer av revisionsstudier.
Resultaten från studien visar att maskininlärningsmodeller kan avgöra om en revisionsberättelse innehåller en varning om fortsatt drift med hög träffsäkerhet. Artikelförfattaren drar därför slutsatsen att maskininlärning kan göra det relativt enkelt och billigt att identifiera fortlevnadsvarningar i revisionsberättelser, framför allt för ändamål där stora mängder revisionsberättelser behöver analyseras. Detta kan göras med relativt enkla modeller som går snabbt att köra även på ganska svag hårdvara, utan att behöva använda mer resurskrävande tekniker som stora språkmodeller av ChatGPT-typ.
Kontakt
