The State of Machine Learning in Audit Research: A systematic literature review

Abstract

This study examines the impact of machine learning on the research and practice of auditing. Along with the general digitalization of the field, machine learning has been perceived to hold promise for improved audit quality and efficiency. The study serves as an up-to-date mapping of the recent developments in the rapidly developing research area, as well as identifies potential avenues for future research.

From four databases, 21 peer-reviewed articles from academic journals were identified and selected based on documented inclusion and exclusion criteria. The search process followed the principles of a systematic literature review. The findings are analyzed and presented based on three broad themes: the use of machine learning in the audit profession, its use in audit research and the potential challenges auditors and their stakeholders may face when developing, adopting and using machine learning. Current technology-related revisions to the Code Of Ethics by IESBA and practical guidance provided by IAASB are also examined.

In the research context, machine learning-based methods were found to be helpful in quantifying data in challenging formats, such as images or text. Machine learning methods were also used for the generation of estimates and classification. Over traditional statistical methods, they were found to be beneficial in the presence of nonlinearity and require fewer assumptions made by the researchers. Practical tools for auditors identified in the sample were modest in number but included the recalculation of management estimates and the capability to extract information from unconventional data sources. For regulators, research offered tools for the improved detection of potential misstatements, allowing them to focus their efforts on high-risk engagements.

Identified challenges were primarily related to ethical considerations: the current machine learning techniques often lack transparency and may have concerns with privacy and confidentiality. The response to potential ethical concerns is expected to come from multiple stakeholders, with a focus on cooperation and transparency. Regulators are expected to respond to the changing landscape by adapting audit standards and providing practical guidance.

Tutkimuksen tavoitteena on tarkastella koneoppimisen merkitystä tilintarkastuksen tutkimukselle ja tilintarkastustyölle. Koneoppimisen on alan yleisen digitalisaation rinnalla odotettu parantavan sekä tilintarkastustyön laatua, että tehokkuutta. Tutkimusalan kehitysvauhti on ollut nopeaa, ja sen vuoksi nykytilanteen tarkastelu koettiin hyödylliseksi. Havaittujen tutkimusaukkojen perusteella annettiin myös suosituksia jatkotutkimuskohteille.

Lopulliseen kirjallisuuskatsaukseen seulottiin 21 vertaisarvioitua, tieteellisessä lehdessä julkaistua, artikkelia neljästä eri tietokannasta määriteltyjen sisäänotto- ja poissulkukriteerien perusteella. Aineistohaku ja seulonta toteutettiin systemaattisen kirjallisuuskatsauksen periaatteiden mukaisesti. Koneoppimista tarkastellaan kolmen teeman, tilintarkastuksen tutkimuksen, tilintarkastajan työn ja mahdollisten haasteiden, kautta. Tämän lisäksi tutkimus tarkastelee IAASB:n antamia ohjeistuksia teknologian hyödyntämisessä tilintarkastuksissa sekä uudistuksia IESBA:n eettisiin sääntöihin.

Koneoppimiseen perustuvien tutkimusmenetelmien havaittiin olevan hyödyllisiä etenkin haastavien tietomuotojen kuten kuvien tai tekstin kvantifioinnissa, jonka lisäksi niitä hyödynnettiin erilaisissa luokittelu- ja regressio-ongelmissa. Perinteisiin kvantitatiivisiin menetelmiin verrattuna niiden havaittiin olevan hyödyllisiä epälineaaristen yhteyksien kuvaamisessa ja vaativan tutkijoilta vähemmän ennakko-oletuksia muuttujien välisistä suhteista. Tutkimustulokset olivat tilintarkastustyön käytännön osalta suppeammat. Mahdollisia hyödyntämiskohteita otoksessa olivat arvionvaraisten erien uudelleenlaskenta sekä uusien tietotyyppien hyödyntäminen tarkastustyössä. Tilintarkastuksen valvontaviranomaiset voivat hyödyntää koneoppimiseen perustuvia menetelmiä riskienarvioinnissa, kohdistaen valvontatoimenpiteitä korkeariskisimpiin tarkastuksiin.

Tutkimuksessa tunnistetut haasteet olivat pääosin eettisiä: haasteita nähdään muun muassa tulosten läpinäkyvyyden sekä aineiston luottamuksellisen käsittelyn varmistamisen osalta. Eettisten ongelmien ratkaisemiseksi painotettiin sidosryhmien yhteistyötä ja avointa kommunikaatiota haasteista. Sääntelyviranomaisten odotetaan reagoivan muuttuvaan ympäristöön mukauttamalla tilintarkastustarkastusstandardeja ja antamalla käytännön ohjeita teknologian hyödyntämisestä.