بازچینش زمینه برای حسابرسیِ مبتنی بر مدل‌های زبانی بزرگ: چارچوبی نظری برای هم‌ترازی شواهد و ردیابی‌پذیری

بازچینش زمینه برای حسابرسیِ مبتنی بر مدل‌های زبانی بزرگ: چارچوبی نظری برای هم‌ترازی شواهد و ردیابی‌پذیری

سیدمحمد عباس نیا1

1) استادیار، دانشکده مدیریت و حسابداری، دانشگاه پیام نور، تهران، ایران

کد IOI مقاله : AAHD-ABKCCF
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    مدل‌های زبانی بزرگ (LLM) به‌طور فزاینده‌ای در محیط‌هایی با متون طولانی و اطلاعات پراکنده به‌کار گرفته می‌شوند؛ با این حال، در حسابرسی صورت‌های مالی، مسئله محوری صرفاً بازیابی یا خلاصه‌سازی متن نیست، بلکه بازچینش زمینه به‌نحوی است که شواهد مرتبط به‌صورت معنادار در کنار یکدیگر قرار گیرند و زنجیره استدلال «ادعا–شاهد–نتیجه» به شکلی قابل ردیابی و دفاع‌پذیر شکل بگیرد. این مقاله با رویکردی کاملاً نظری، بازچینش زمینه را به‌مثابه یک مسئله طراحی در سامانه‌های مبتنی بر LLM برای حسابرسی بازصورت‌بندی می‌کند. استدلال اصلی مقاله آن است که دو ویژگی ساختاری محیط گزارشگری—پراکندگی افشا و نویز اطلاعاتی—از مسیر افزایش بار شناختیِ زائد و اختلال در تخصیص توجه، فرآیند هم‌ترازی شواهد را تضعیف کرده و دفاع‌پذیری قضاوت حرفه‌ای را در چارچوب الزامات کیفیت و پاسخ‌گویی نهادی به مخاطره می‌اندازند. بر این مبنا، مقاله یک مدل مفهومی و مجموعه‌ای از گزاره‌های نظری ارائه می‌دهد که روابط میان ساختار افشا، بار شناختی، و کیفیت سازمان‌دهی شواهد را تبیین می‌کند. سپس این گزاره‌ها به اصول طراحی برای سامانه‌های LLM-مبنا ترجمه می‌شوند؛ از جمله دروازه‌بانی نویز هدف‌محور، فشرده‌سازی وفادارِ قابل‌ارجاع، و نقشه‌سازی ادعا–شاهد–نتیجه به‌گونه‌ای که هر گزاره به منبع متناظر خود متصل و برای بازبینی مستقل قابل پیگیری باشد. مقاله همچنین تمایزی بنیادی میان استفاده از LLM به‌عنوان ابزار «تولید متن» و به‌عنوان سازوکار «سازمان‌دهی زمینه شواهد» قائل می‌شود و نشان می‌دهد تنها رویکرد دوم با منطق دفاع‌پذیری و کیفیت در حسابرسی سازگار است. در پایان، یک دستورکار پژوهشی برای ادبیات هوش مصنوعی و یادگیری ماشین پیشنهاد می‌شود که بر تعریف‌سازی سازه‌های زمینه‌محور و توسعه معیارهای ارزیابی بازچینش زمینه در کاربردهای اطمینان‌بخشی تمرکز دارد.

کلمات کلیدی : مدل‌های زبانی بزرگ بازچینش زمینه نویز اطلاعاتی پراکندگی افشا بار شناختی حسابرسی مبتنی بر llm