هوش مصنوعی و تصمیم‌گیری اخلاقی در حسابداری و حسابرسی: تحلیل چالش‌های مرتبط

قضاوت و تصمیم گیری در حسابداری

دوره 2، شماره 7، مهر 1402، صفحه 87-114   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/jdaa.2023.705528

نویسندگان

یاشار آذرسعید¹؛ شعیب رستمی^{* 2}

¹گروه اقتصاد، دانشگاه پیام نور واحد کرج، البرز، ایران

²گروه حسابداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.

چکیده

چکیده
مقاله حاضر، چالش­های اخلاقی کاربرد سیستم­های حسابداری مبتنی بر هوش مصنوعی برای تصمیم­گیری را بررسی و در چارچوب مدل چهارمؤلفه­ای رست در باب تصمیم­گیری صحیح ارائه می­نماید. مقاله پیش­رو به ادبیات مربوط به حسابداری به عنوان یک عامل ذهنی همانند عملکرد یک واسطه در زمینه اجتماعی - مادی کمک می­کند. این کار با ارائه یک استدلال قوی صورت می­پذیرد که هوش مصنوعی به تنهایی، علی‌رغم نقش توانمندکننده و واسطه‌ای که در حسابداری دارد، نمی‌تواند تصمیمات اخلاقی حسابداری بگیرد، زیرا از نظر مدل رست فاقد پیش‌شرط‌های لازم است. علاوه بر این، از آنجایی که هوش مصنوعی با وجود یادگیری مستقل و شیوه‌های انطباقی، مقید به اهداف از پیش تعیین‌شده توسط انسان­ها بوده، فاقد بی‌طرفی واقعی است. موضوع مورد بحث در بین 138 مقاله از 43 مجله معتبر بین­المللی حسابداری بررسی شده است. در کدگذاری موضوعی مقالات انتخاب شده، پنج چالش اخلاقی عمده تصمیم­گیری مبتنی بر هوش مصنوعی در حسابداری شناسایی گردید که عبارتنداز: بی­طرفی، حریم خصوصی، شفافیت، پاسخگویی و قابل اعتمادبودن. با استفاده از مؤلفه‌های مدل رست برای تصمیم‌گیری اخلاقی به‌عنوان چارچوبی پایدار برای ساختار مورد بحث، می­توان چالش‌ها و ارتباط آنها را برای همکاری آینده انسان و ماشین در دفاتر مختلف بین انسان‌ها و هوش مصنوعی، مورد بحث قرار داد. از این­رو علاوه بر درک فرآیند مناسب تصمیم­گیری در حسابداری بر اساس هوش مصنوعی پیشنهاد می­شود که فرآیندهای حسابرسی مستقل و داخلی نیز از نظر مهارت‌ها و آگاهی، تطبیق داده شوند تا از تصمیم‌گیری اخلاقی مبتنی بر هوش مصنوعی اطمینان حاصل شود.

کلیدواژه‌ها

واژه‌های کلیدی: هوش مصنوعی؛ مدل رست؛ تصمیم‌گیری اخلاقی؛ چالش‌های هنجاری و اجتماعی؛ آینده حسابداری

اصل مقاله

https://doi.org/10.30495/jdaa.2023.1976918.1068

 

 

هوش مصنوعی و تصمیم ­گیری اخلاقی در حسابداری و حسابرسی:

 تحلیل چالش­های مرتبط

 

تاریخ دریافت: 18/04/1402                  تاریخ پذیرش: 08/06/1402

یاشار آذرسعید[1] شعیب رستمی*[2]

 

چکیده

مقاله حاضر، چالش­های اخلاقی کاربرد سیستم­های حسابداری مبتنی بر هوش مصنوعی برای تصمیم­گیری را بررسی و در چارچوب مدل چهارمؤلفه­ای رست در باب تصمیم­گیری صحیح ارائه می­نماید. مقاله پیش­رو به ادبیات مربوط به حسابداری به عنوان یک عامل ذهنی همانند عملکرد یک واسطه در زمینه اجتماعی - مادی کمک می­کند. این کار با ارائه یک استدلال قوی صورت می­پذیرد که هوش مصنوعی به تنهایی، علی‌رغم نقش توانمندکننده و واسطه‌ای که در حسابداری دارد، نمی‌تواند تصمیمات اخلاقی حسابداری بگیرد، زیرا از نظر مدل رست فاقد پیش‌شرط‌های لازم است. علاوه بر این، از آنجایی که هوش مصنوعی با وجود یادگیری مستقل و شیوه‌های انطباقی، مقید به اهداف از پیش تعیین‌شده توسط انسان­ها بوده، فاقد بی‌طرفی واقعی است. موضوع مورد بحث در بین 138 مقاله از 43 مجله معتبر بین­المللی حسابداری بررسی شده است. در کدگذاری موضوعی مقالات انتخاب شده، پنج چالش اخلاقی عمده تصمیم­گیری مبتنی بر هوش مصنوعی در حسابداری شناسایی گردید که عبارتنداز: بی­طرفی، حریم خصوصی، شفافیت، پاسخگویی و قابل اعتمادبودن. با استفاده از مؤلفه‌های مدل رست برای تصمیم‌گیری اخلاقی به‌عنوان چارچوبی پایدار برای ساختار مورد بحث، می­توان چالش‌ها و ارتباط آنها را برای همکاری آینده انسان و ماشین در دفاتر مختلف بین انسان‌ها و هوش مصنوعی، مورد بحث قرار داد. از این­رو علاوه بر درک فرآیند مناسب تصمیم­گیری در حسابداری بر اساس هوش مصنوعی پیشنهاد می­شود که فرآیندهای حسابرسی مستقل و داخلی نیز از نظر مهارت‌ها و آگاهی، تطبیق داده شوند تا از تصمیم‌گیری اخلاقی مبتنی بر هوش مصنوعی اطمینان حاصل شود.

واژه‌های کلیدی: هوش مصنوعی، مدل رست، تصمیم­گیری اخلاقی، چالش‌های هنجاری و اجتماعی، آینده حسابداری.

1- مقدمه

با گسترش و افزایش حجم تولید اطلاعات و همچنین سرعت پاسخگوئی به نیازهای سیال بازار لازم است از ابزار توانمندی استفاده شود تا بتواند بجای انسان بررسی، تحلیل، پیش­بینی و سپس تصمیم­گیری نماید (کریمی و همکاران، 1401). سازمان­ها و مؤسسات خدمات مالی به­طور فزاینده‌ای از هوش مصنوعی برای جمع‌آوری و تبدیل داده‌ها از منابع مختلف و استخراج اطلاعات جهت تصمیم­گیری بهتر در محیط‌های پیچیده به­منظور کسب منافع اقتصادی استفاده می‌کنند (جراحی[3]، 2018). هوش مصنوعی را می­توان به اصطلاح به عنوان چتر در این ابر روند جهانی دید که شامل رویکردهای کلان داده و الگوریتم­های پیچیده یادگیری ماشینی (لیندباوم و همکاران[4]، 2020) برای پیش­بینی آینده است (ایرلی[5]، 2015).

نرم­افزار حسابداری مبتنی بر هوش مصنوعی پیشرفته نیز نمی­تواند به راحتی با سیستم­های اطلاعاتی حسابداری کلاسیک مقایسه شود، زیرا دائماً طراحی و برنامه­نویسی خود را از طریق یادگیری تغییر می­دهد و به تدریج با توانایی­های شناختی انسان در وظایف خاص مطابقت می­یابد (مانوکو و همکاران[6]، 2020). در عین حال وقتی صحبت از وظایف تکراری‌تر و در عین حال سخت‌گیرانه‌تر در حسابداری و حسابرسی می‌شود، سرعت پردازش داده‌ها توسط هوش مصنوعی از نیروی انسانی بیشتر می‌شود (رایش و کراکوفسکی[7]، 2021؛ کوپر و همکاران[8]، 2019). به عنوان مثال، شناسایی شروط کلیدی قرارداد اجاره پیچیده، وام و سایر قراردادهای بدهی برای طبقه­بندی استاندارد IFRS 9 اکنون توسط ربات­های هوشمند مجهز به هوش مصنوعی در زمان بسیار کمتری اجرا می­شود (کوپر و همکاران، 2019). عملکرد هوش مصنوعی در مواردی مانند طبقه­بندی IFRS ذکر شده در بالا چندین سوال را مطرح می­کند؛ به عنوان مثال سوالاتی در مورد، مسئولیت‌پذیری (بیبینگتون و همکاران[9]، 2019) و همین­طور قابلیت ردیابی و ابعاد اخلاقی زیربنایی در خصوص تأثیر آن بر نیروی کار و جامعه (جراحی، 2018؛ مانوکو و همکاران، 2020). همان­طور که گانز و تورن[10] (2020) بیان می­کنند: «مهمترین نگرانی برای کسانی که به ملاحظات اخلاقی در محل کار می­پردازند، موضوعی است که به عنوان شکاف مسئولیت شناخته شده است. یعنی میزان یا احتمالی که پذیرش فناوری منجر به سلب مسئولیت اخلاقی در قبال پیامدهای تصمیمات توسط افراد واقعی و در این مقوله­ی بخصوص، حسابداران و مالیات­دهندگان شود.

بر این اساس، پیامدهای اجتماعی و اخلاقی هوش مصنوعی نیز توسط سیاست­گذاران مورد توجه قرار گرفته است، برای مثال در استراتژی هوش مصنوعی اتحادیه اروپا یا در دستورالعمل­های OECD ذکر شده است (بوزا و اوجنیو[11]، 2021). در این موارد، سیاست­گذاران خواستار آن هستند که هوش مصنوعی به مردم و جهان کمک کند، جامعه­ای عادلانه را تضمین کند، افشای شفاف و مسئولانه داشته باشد، در طول عمر خود قوی، امن و مطمئن باشد و توسعه­دهندگان در قبال عملکرد صحیح آن پاسخگو باشند. البته، همه اینها باید به عنوان پایه­ای برای تصمیم­گیری مبتنی بر هوش مصنوعی در زمینه حسابداری در نظر گرفته شوند، با این حال این اصطلاحات انگیزشی برای روشن کردن فرآیندهای واقعی و ارزیابی اخلاقی آنها در حوزه حسابداری و حسابرسی کمک چندانی نمی­کند (هولت و لوراس[12]، 2021).

در ابتدای این مقاله، مفاهیم متفاوتی از همکاری‌های انسان و هوش مصنوعی بر اساس ادبیات بین­المللی ارائه می­شود. این فرض وجود دارد که در آینده قابل پیش‌بینی، هوش مصنوعی تنها تصمیم‌گیری انسان را تقویت نماید؛ در مقابل، جراحی (2018) و همچنین لهنر و همکاران[13] (2021) حرکت به سمت سیستم­های دیجیتالی را به عنوان تصمیم­گیرندگان آینده پیش­بینی کرده­اند. تحقیقات در مورد مسائل اخلاقی مرتبط با تصمیم‌گیری بر اساس هوش مصنوعی (دیگنوم[14]، 2018؛ لیر و اشنایدر[15]، 2021)، الگوریتم‌های مرتبط با آن (مارتین[16]، 2019) و کلان داده‌ها (لومباردی و همکاران، 2015) در زمینه‌های حسابداری و حسابرسی، به جز چند نکته برجسته اخیر که محتوا و دستور کار تحقیقاتی آینده را ارائه می‌دهند، بسیار کمیاب است (گانز و ترون، 2020؛ کلاگ و همکاران[17]، 2020). مانوکو و همکاران (2020) بیان نمودند بینش اخلاقی در حسابرسی مبتنی بر هوش مصنوعی باید در اینجا مورد تأکید قرار گیرد. در نتیجه، پرسش پژوهش حاضر بر اساس موارد فوق آن است که چالش­های تصمیم­گیری اخلاقی بر اساس هوش مصنوعی در حسابداری و حسابرسی کدامند؟

در همین راستا این پژوهش یک توضیح جامع، علمی و در عین حال انتقادی از چالش‌های اخلاقی بالقوه تصمیم‌گیری مبتنی بر هوش مصنوعی در حسابداری ارائه می­دهد. با این کار، مقاله حاضر ضمن بررسی عمیق‌تر فرآیندهای تصمیم‌گیری مبتنی بر هوش مصنوعی و چالش‌های اخلاقی مرتبط، به محققان کمک می­نماید. در عین حال، این بحث به مدیران و سیاست­گذاران، مبنایی جهت تصمیم­گیری آگاهانه در مورد طرح­های سازمانی و نظارتی بالقوه برای آینده حسابداری و حسابرسی مبتنی بر هوش مصنوعی ارائه می­دهد.

روش تحقیق پژوهش حاضر ریشه در تحقیقات حسابداری تفسیری دارد. با توجه به ماهیت اجتماعی موضوع، این تحقیق بین رشته­ای براساس الگوگیری از تحقیقات پنج محقق اصلی است که دارای سوابق آکادمیک و همچنین عملی در حسابداری، حسابرسی، جامعه­شناسی و علوم اطلاعات هستند.

ساختار مقاله در ادامه به شرح زیر است. پس از ارائه پیشینه ادبیات در مورد تصمیم­گیری اخلاقی، ابتدا به صورت روایی (نیمه ساختاریافته) زمینه­های تصمیم­گیری مبتنی بر هوش مصنوعی مرتبط در مقالات علمی از سال 2015 تا 2020 بررسی و تفسیر می­گردد و سپس چالش­های اخلاقی مرتبط که تاکنون شناسایی شده اند، بیان می­شود. در ادامه، از این چالش­ها برای ارائه چارچوبی قوی درباره پیشایندهای اخلاقی تصمیم‌گیری اخلاقی، که شامل دیدگاه حالت‌های شناختی، انسان‌های درگیر و هوش مصنوعی است، استفاده می­گردد. همان­طور که همگان می­دانند مدل چهار مؤلفه‌ای اخلاقی رست به خوبی تثبیت شده است (رست[18]، 1986 و 1994)؛ در این راستا چالش‌های شناسایی شده بر اساس مدل فوق ترسیم خواهد شد. مدل رست یکی از برجسته‌ترین مدل‌ها از نظر استفاده در تحقیقات حسابداری است (باود و همکاران[19]، 2019؛ لومباردی و همکاران[20]، 2015). این مدل به رفتار اخلاقی به‌عنوان پیش‌نیاز برای تصمیم‌گیری اخلاقی نگاه می‌کند و بر سنت‌های عقلانی استوار است و در عین حال، حالات شناختی بازیگران را نیز در نظر می‌گیرد. این امر به ویژه با اهمیت است زیرا انتظار داریم در آینده نزدیک شاهد همکاری بین انسان و هوش مصنوعی باشیم که ممکن است به­طور بالقوه منجر به رقابت بین شناخت عقلانی صرف و تفسیر اخلاقی مبتنی بر ارزش در میان بازیگران درگیر شود؛ برای مثال می­توان به زمانی که صحبت از سطوح اطمینان یا عدم قطعیت در مورد برخی سناریوها می­شود اشاره نمود. در نهایت، مقاله با یک بحث انتقادی و هنجاری از یافته‌ها از نظر همکاری‌های بالقوه انسان و ماشین در آینده به پایان می‌رسد که براساس آن، مفاهیم نظری، کاربردی و تحقیقاتی آینده پیشنهاد می­شود.

 

2- مبانی نظری و پیشینه پژوهش

1.2. تصمیم­گیری اخلاقی و هوش مصنوعی در حسابداری

1.1.2. پیشینه تصمیم­گیری اخلاقی

به­طور کلی، تصمیم­گیری اخلاقی به فرآیندی اطلاق می­شود که در آن افراد از قوانین اخلاقی شخصی خود برای تشخیص درست یا نادرست بودن یک عمل خاص استفاده می­کنند. این فرآیند با زمینه های سازمانی و اجتماعی فرد درهم­تنیده­اند. یک مسئله اخلاقی زمانی به وجود می­آید که رفتار یک فرد به دیگران کمک کند یا به آنها آسیب برساند. عامل اخلاقی فردی است که وجود یک موضوع اخلاقی را تصدیق می­کند و بر اساس قوانین اخلاقی شخصی خود عمل می­کند. عواملی که یک تصمیم اخلاقی یا غیراخلاقی را تشکیل می­دهند بین افراد، جوامع و محیط­ها متفاوت است. برای مثال اگر فرد حسابدار از اصول دینی پایینی برخوردار باشد، این عامل بر سطح اخلاقی وی تأثیرگذار است و مانع می­شود تا شخص حسابدار گزارشات و صورت­های مالی را خارج از اصول حسابداری تهیه کند (خوشبخت و همکاران، 1401). در بحث حسابرسی نیز باتوجه به پیچیدگی تصمیمات حرفه­ای و توقعات ذینفعان واستفاده­کنندگان خدمات حسابرسی، حسابرسان در بسیاری از موارد، میان وظایف اخلاقی، درتعارض قرار می­گیرند. به عبارتی یک تصمیم­گیری حرفه­ای، همواره برمبنای وظیفه اخلاقی نخواهد بود و ممکن است حسابرسان، در موقعیت­هایی قرار گیرند، که هیچ گزینه­ای یافت نشود مگر اینکه یک وظیفه حرفه­ای نقض گردد (احمدزاده و یعقوب­نژاد، 1401).

تا کنون، دو رویکرد اصلی در ادبیات تصمیم‌گیری اخلاقی پدیدار شده است: سنت‌های عقلانی (مرتبط با نتایج قابل اندازه‌گیری) و سنت‌های شهودی (به رهبری یک اخلاق درونی). برای تطبیق هر دو سنت، زولو و همکاران، شهود اخلاقی را پیش­رو در یک فرآیند تصمیم­گیری اخلاقی می­دانند که با استدلال اخلاقی منطقی آمیخته می­شود و مفهوم synderesis[21] را به عنوان ظرفیت یا تمایل طبیعی انسان­ها معرفی می­کند که به طور کلی به انسان­ها برای درک ساده­ای از آنچه می­تواند خوب باشد، کمک می­کند. با این حال، با معرفی بازیگران ماشینی، این جریان از تحقیقات ممکن است مفید نباشد، زیرا وجود یک وضعیت انسانی در هوش مصنوعی دقیقاً همان چیزی است که به جای فرض شدن باید مورد سوال قرار گیرد! علاوه بر این، با توجه به توانایی هوش مصنوعی برای انجام فرآیندهای شناختی پیچیده همراه با یادگیری و انطباق مستقل آن، مشخصاً هر چارچوبی برای درک تصمیم‌گیری اخلاقی مبتنی بر هوش مصنوعی باید شامل دیدگاهی در مورد حالات شناختی زیربنایی همه افراد دارای نقش در بازی باشد.

یکی از برجسته‌ترین مدل‌ها در مورد فرآیندهای اخلاقی به عنوان مقدمه تصمیم‌گیری اخلاقی در ادبیات، مدل چهار مؤلفه­ای رست (1986، 1994) است. همان­طور که در بالا توضیح داده شد این مدل ریشه در سنت عقلانی دارد، اما مستلزم آگاهی از حالات شناختی بازیگران است. این مدل فرض می‌کند که یک تصمیم اخلاقی زمانی حاصل می‌شود که افراد چهار فرآیند روان‌شناختی زیر را تکمیل کنند: (1) به آگاهی/حساسیت اخلاقی در مورد وجود یک موضوع اخلاقی دست می‌یابند، (2) قضاوت اخلاقی را در مورد مسئله اعمال می‌کنند تا تصمیم بگیرند که چه چیزی درست است، (3) ایجاد انگیزه اخلاقی و داشتن انگیزه اخلاقی برای رفتار اخلاقی و (4) توسعه شخصیت اخلاقی، یعنی قدرت، برای تبدیل قصد اخلاقی خود به رفتار اخلاقی مناسب.

آگاهی اخلاقی اولین و مهمترین مؤلفه در فرآیند تصمیم‌گیری اخلاقی رست است زیرا تعیین می­کند که آیا یک موقعیت حاوی محتوای اخلاقی است و می­تواند از منظر اخلاقی مورد توجه قرار گیرد یا خیر. تصمیم‌گیرنده در این مرحله، همان­طور که در مدل رست به آن اشاره شده است، نسبت به در نظر گرفتن دیگران و رفاه آنها "حساسیت" نشان می­دهد. فقدان آگاهی اخلاقی می­تواند منجر به تصمیم­گیری غیراخلاقی به دلیل تأثیر سوگیری موقعیتی، فردی و انگیزشی شود. مک مانوس (2018) بحث می­کند که چگونه غرور منجر به شکست افراد در نشان دادن آگاهی اخلاقی در تصمیم­گیری می­شود.

قضاوت اخلاقی دومین مؤلفه­ای است که در آن تصمیم­گیرنده در مورد یک موضوع اخلاقی مشخص شده، قضاوت اخلاقی می­کند؛ یعنی درباره «آنچه از نظر اخلاقی صحیح تلقی می­شود». تصمیم­گیرنده در این مرحله نتایج "خوب" و "بد" را بدون توجه به علاقه شخصی ارزیابی می­کند. بنابراین، او می­تواند تصمیم بگیرد که «کدام روش از نظر اخلاقی توجیه‌پذیرتر است».

انگیزه اخلاقی، مؤلفه سوم است که به دلیل نقش قوی منافع شخصی با قضاوت اخلاقی تفاوت دارد. قضاوت اخلاقی به دیگران اجازه می­دهد تا نتایج تصمیم­گیری­های مختلف را ارزیابی کنند. در مقابل، انگیزه اخلاقی و نیت اخلاقی ناشی از آن مبتنی بر «خود شخص» است، برای مثال با نگاه کردن به آسیب‌هایی که یک عمل اخلاقی صحیح ممکن است برای خود فرد ایجاد کند. بنابراین قصد اخلاقی به تمایل به عمل بر اساس قضاوت نیز مرتبط است. این شرایط ممکن است به اختلاف بین قضاوت و عمل منجر شود، چیزی که به خوبی در ادبیات داستانی در مورد هوش مصنوعی منعکس شده است؛ به عنوان مثال در "سه قانون رباتیک" آسیموف[22]، که در زیر خلاصه می­شود:

• ممکن نیست یک ربات به طور غیرمستقیم از طریق عدم فعالیت خود به انسان صدمه بزند یا آسیب برساند.
• یک ربات باید از دستورات انسان­ها اطاعت کند، مگر در مواردی که چنین دستوراتی با قانون اول در تضاد باشد.
• یک ربات باید از وجود خود محافظت کند به شرطی که این حفاظت با قوانین اول و دوم در تضاد نباشد.

در نهایت، شخصیت یا رفتار اخلاقی، جزء چهارم است که شامل استقرار و اجرای نیت اخلاقی قبلی است. با این حال، تبدیل انگیزه و نیت اخلاقی به شخصیت اخلاقی به چالش­های فردی و محیطی و عاملیت داده شده نیز بستگی دارد. چنین امکانی برای هوش مصنوعی در حسابداری شامل اعطای قدرت تصمیم­گیری رسمی به سیستم حسابداری مبتنی بر هوش مصنوعی می­شود و به اعتماد کسانی که توصیه‌های آن را دنبال می‌کنند، نیاز دارد.

مدل چهار مؤلفه‌ای رست به عنوان چارچوبی برای تصمیم‌گیری اخلاقی به‌عنوان یک فرآیند، ساختاری اثبات‌شده را فراهم می‌کند تا تأثیر خاص چالش‌های اخلاقی شناسایی‌شده در آینده مبتنی بر هوش مصنوعی ارزیابی شود و تفکر هنجاری را در مورد آینده بالقوه همکاری انسان و ماشین در حسابداری هدایت کند.

 

 

2.1.2. دیدگاه ادبیات حسابداری و حسابرسی در مورد تصمیم­گیری اخلاقی

تصمیم­گیری اخلاقی یک فرآیند درونی بسیار پیچیده است که از میان سایر عوامل شناخته و ناشناخته، تاحدی برانگیخته از باورهای اخلاقی تصمیم­گیرنده است و همیشه خارج از قواعد برون­سازمانی تجویزی قرار دارند، بنابراین بسترسازی اخلاقی بر پایه رویکرد وظیفه­شناسی صرف، نمی­تواند بایسته­های ظهور و بروز رفتار اخلاقی را فراهم کنند. در حرفه حسابداری و حسابرسی، متغیرهای بسیاری ازجمله فرهنگ سازمانی، رهبری اخلاقی و عضویت­های رسمی در نهادهای حرفه­ای بر تصمیم­گیری اخلاقی اثرگذار هستند (نوش­فر و همکاران، 1401).

در حوزه سسیتم­های مدیریت و حسابداری، تصمیم­گیری اخلاقی فرد تحت تأثیر یکسری شرایط علی (شرایط اقتصادی و اجتماعی، تورش­های ذهنی و شناختی، تحصیلات دانشگاهی، خصوصیات فردی و اجتماعی و فرهنگ سازمانی) قرار دارد و به واسطه راهبردهایی همچون (ابزارهای نظارتی، اصلاح فرهنگی، تدوین آیین­نامه­های اخلاقی و برگزاری کارگاه­های آموزش اخالق حرفه­ای) می­تواند منجر به ایجاد افزایش اعتماد اجتماعی، رعایت اصول اخالق حرفه­ای در محیط کار و رشد و توسعه مالی شود. در این جریان برخی مؤلفه­های زمینه­ای ازجمله (فرهنگ اخلاقی جامعه و محیط حسابداری) و برخی متغیرهای مداخله­گر همانند (ویژگی­های جمعیت­شناختی و نوع سازمان) نقش ایفا می­کنند (حسین­زاده و همکاران، 1401).

در حیطه هوش مصنوعی، گونگ[23] (2016) در بررسی کتاب انتقادی خود بر تصمیم­گیری اخلاقی در حسابداری تمرکز می­نماید. وی پیشنهاد می­کند که بازیگران و پیچیدگی تعاملات آنها، منبع اصلی معضلات اخلاقی است و این پیچیدگی با اضافه شدن همکاران رباتیک هوشمند مبتنی بر هوش مصنوعی به عنوان بازیگرانی با درجات مختلف توانایی (یعنی قدرت توافق شده) تشدید خواهد شد. از این رو، با نگاهی به بینش‌های اخیر دیلارد و ویناری[24] (2019) در مورد مسئولیت‌پذیری و گفت‌وگوی انتقادی به این سناریوی تعاملات ربات-انسان، می­تواند جالب باشد که مشخص کنیم بازیگران مسئول چه کسانی هستند و یا چه کسانی می­توانند باشند.

برای افزودن بُعد دیگری، مارتین (2019) بر الگوریتم‌های پیچیده‌ای که در یادگیری ماشینی به‌عنوان پایه و اساس همه بازیگران هوش مصنوعی مورد استفاده قرار می‌گیرند، تمرکز نمود. این الگوریتم­ها (کلاگ و همکاران، 2020) ذاتاً دارای ارزش هستند و بر اساس اصول اخلاقی، پیامدهای اخلاقی مثبت و منفی ایجاد می­کنند (مارتین، 2019). مارتین (2019) پیش­تر یک بررسی جامع در مورد توسعه‌دهندگان نرم­افزار به عنوان تولیدکنندگان این الگوریتم­ها انجام و مسئولیت پاسخگویی آنها را مورد بحث قرار داد. مفهوم اصلی الگوریتم­های مبتنی بر هوش مصنوعی به این معنی است که آنها به­طور مستقل از خود داده­های موجود یاد می­گیرند و از قوانین از پیش تعریف شده پیروی نمی­کنند (لیندباوم و همکاران، 2020). بنابراین، داده‌ها «سوخت» و همین­طور منبع بالقوه سوگیری الگوریتم‌ها هستند و لذا باید در طول آموزش و کاربرد، بلادرنگ، دقیق و معنادار باشند.

جراحی (2018) در بررسی مفاهیم اخلاقی هوش مصنوعی در حسابرسی، بین سه گام همکاری انسان و ماشین با موضوعات اخلاقی مرتبط، تمایز قائل می­شوند. اولین مرحله پیاده­سازی هوش مصنوعی، هوش مصنوعی کمکی نامیده می­شود که برای «حمایت از انسان در انجام اقدامات» طراحی شده است. هوش مصنوعی افزوده، دومین مرحله است که در آن بخش‌هایی از فرآیند تصمیم‌گیری توسط هوش مصنوعی مدیریت می‌شود (لوسبیچنر و لنر[25]، 2021). گام سوم، البته در آینده‌ای دورتر، هوش مصنوعی مستقل (یا قوی) است، که در آن هوش مصنوعی تصمیم می‌گیرد کدام داده‌ها را برای تصمیم‌گیری استفاده نماید و همچنین به او برای اجرای تصمیم‌ها اعتماد می­شود (لهنر و همکاران، 2021).  هر یک از این سناریوها سطح نمایندگی متفاوتی را برای هوش مصنوعی نشان می­دهند و بنابراین با برخی از اجزای مدل رست، کم و بیش مرتبط خواهند شد.

 

3. روش پژوهش

روش پژوهش حاضر مبتنی بر روش کیفی هرمنوتیک[26] و پژوهش­های حسابداری تفسیری است و براساس مرور ادبیات شکل گرفته است. تفسیر مطالعه حاضر از ادبیات از چرخه هرمنوتیکی پیروی می­کند که در آن خواننده و داده­ها به نوعی با هم درگیر می­شوند. در این میان، دانش قبلی محققین نقش کلیدی دارد و برای استخراج معنا از متن حائز اهمیت است. تیم اجرایی کار با توجه به موضوع پژوهش و همچنین نوع روش تحقیق کیفی مورد اشاره می­بایست از چند علم مرتبط باشند. لذا محققان پژوهش حاضر متخصص در علوم اقتصاد، فناوری اطلاعات و حسابداری هستند. سنت هرمنوتیک، نگرش انتقادی و انعکاسی را برای شناسایی پیش مفهوم‌سازی‌ها و ایدئولوژی‌های ناخواسته و آگاهی از انتقال‌های درونی به پیکربندی‌ها و در نهایت به پیکربندی‌های مجدد بر روی متون اضافی می‌طلبد.

بنابراین، مقاله‌های بررسی شده در پژوهش حاضر برای بیان داستان نیستند، بلکه برای القا روایت در مورد چالش‌های اخلاقی با ارائه زمینه‌ها و بینش‌هایی هستند که می‌توان از این طریق شناسایی نمود. علاوه بر این، با وجود تلاش صورت گرفته برای دستیابی به نوعی اعتبار کیفی (از طریق معیارهای قابلیت اطمینان بین کدگذاری­ها)، نمی­توان ادعا نمود که نوعی حقیقت یا آزمون جهان شمول از پرس‌وجوهای انجام شده استخراج گردیده است، بلکه به طور عملی بینش­ها در پژوهش حاضر استخراج می­گردد و بر تحقیقات آینده حسابداری از زوایای مختلف تأثیر می­گذارد.

 

 

 

1.3. نحوه گردآوری داده‌ها

برای شناسایی چالش‌های اخلاقی، از پیشنهادات پارکر و نورثکات[27] (2016) و اسنایدر[28] (2019) پیروی شده و مرور ادبیات روایی آگاهانه انجام شده که به‌طور نیمه ساختاریافته یک موضوع را از طریق تفسیر، ترکیب می‌کند. رویکرد مرور نیمه ساختاریافته یا «روایی» برای «موضوعاتی طراحی شده است که به‌طور متفاوتی مفهوم‌سازی شده‌ و توسط گروه‌های مختلفی از محققان در رشته‌های گوناگون مورد مطالعه قرار گرفته‌اند».

در پژوهش حاضر ابتدا، مجلات معتبر و شاخص بین­­المللی از سال 2015 تا 2020 در زمینه­­های حسابداری و حسابرسی، اقتصاد، مالی و همچنین علوم اطلاعات و مدیریت عمومی (از جمله اخلاق کسب و کار) که دارای محتوای مرتبط با حسابداری بودند مورد جستجو قرار گرفته و منجر به یافتن 148 مجله شد. سپس، از پایگاه داده اسکوپوس و ساینس دایرکت برای جستجوی عناوین و چکیده‌ها در مجلاتی که قبلاً شناسایی شده‌اند، با استفاده از کلمات کلیدی زیر استفاده گردید.

• هوش مصنوعی و منتقدان
• هوش مصنوعی و چالش‌ها یا پیامدها
• هوش مصنوعی و آینده
• هوش مصنوعی و اصول اخلاقی

همچنین به طور متناوب عبارت "هوش مصنوعی" با عبارات زیر و مؤلفه­های آنها در جستجوهای بعدی جایگزین شدند:

• تصمیم­گیری
• کلان داده
• فرآیندهای ماشینی خودکار یا ربات
• ماشین­های هوشمند

این جستجوی اولیه 2969 مقاله از مجلات مختلف ازجمله موارد تکراری به دلیل همپوشانی عبارات جستجو را به دنبال داشت. سپس، مقالات تکراری حذف شدند و 2472 مقاله باقی ماند و نمونه اولیه را تشکیل داد. مطابق با ماهیت بررسی نیمه ساختاریافته که هدف آن درک و بینش‌های غنی به جای کامل بودن یا مرزبندی روشن است، تعداد مقالاتِ تا حدودی مرتبط به تعداد قابل مدیریت‌تری کاهش یافت. این کار در دو مرحله انجام شد: ابتدا با خواندن تفسیری چکیده‌ها، مقاله‌های نامربوط برای یافتن بیشتر چالش‌های اخلاقی در موقعیت‌های تصمیم‌گیری در ترکیب با فن‌آوری‌های ذکر شده در بالا فیلتر شدند. این تحلیل تفسیری، نمونه را به 609 مقاله کاهش داد. در مرحله دوم، مقدمه، بحث و نتیجه‌گیری مقاله­های باقیمانده ارزیابی شد تا مشخص گردد کدامیک بینش عمیق‌تری در مورد فرآیندها و موقعیت‌های تصمیم‌گیری اخلاقی ارائه می‌دهند. نهایتا 482 مقاله دیگر نیز کنار گذاشته شد؛ زیرا بحث‌ها یا موارد واقعی برخی از اشکال تصمیم‌گیری با کمک هوش مصنوعی یا کلان داده­ها را ارائه نمی‌دادند.

همزمان، 11 مقاله خارج از نمونه اولیه اضافه گردید که این مقالات به کرات مورد استناد (بر اساس گوگل اسکالر) قرار گرفته بودند و بینش­های بیشتر و عمیق­تری را ارائه می­نمودند. این فرآیند کاهش دو مرحله‌ای، نهایتاً منجر به انتخاب 138 مقاله به طور خلاصه به این صورت بود که مجدداً اشاره می­گردد:

نمونه ابتدایی شامل 2472 مقاله، سپس رسیدن به 609 مقاله (با کنار گذاشتن 1863 مقاله) و نهایتا نمونه نهایی شامل 138 مقاله (با حذف 482 مقاله و اضافه کردن 11 مقاله). در این راستا در جدول 1 فهرستی از همه مجلات و تعداد مقالات ارائه شده­اند.

 

جدول 1. فهرست مجلات و مقالات مورد بررسی (نمونه آماری)

ردیف	نام مجله	تعداد مقالات
1	Accounting, Auditing and Accountability Journal	16
2	Accounting Horizons	11
3	Journal of Business Ethics	11
4	Accounting Forum	10
5	The British Accounting Review	8
6	Business and Society	7
7	Accounting and Business Research	7
8	Business Horizons	6
9	Academy of Management Annals	5
10	Academy of Management Review	5
11	Accounting, Organizations and Society	5
12	MIT Sloan Management Review	4
13	International Journal of Accounting Information Systems	4
14	MIS Quarterly	3
15	Critical Perspectives on Accounting	3
16	Journal of Information Systems	2
17	Academy of Management Perspectives	2
18	Contemporary Accounting Research	2
19	The Review of Financial Studies	2
20	Management Accounting Research	2
21	The Scandinavian Journal of Economics	1
22	Journal of Economic Perspectives	1
23	Business Ethics Quarterly	1
24	Journal of Applied Accounting Research	1
25	Information Communication and Society	1
26	Journal of Accounting Literature	1
27	New Media and Society	1
28	Accounting and Finance	1
29	Information Processing and Management	1
30	Journal of Business Research	1
31	Harvard Business Review	1
32	Behavior Research Methods	1
33	Journal of Management Studies	1
34	Management Decision	1
35	Decision Support Systems	1
36	Expert Systems with Applications	1
37	Information and Management	1
38	Information and Organization	1
39	Corporate Governance: An International Review	1
40	Financial Analysts Journal	1
41	Journal of Financial Services Research	1
42	Computational Statistics and Data Analysis	1
43	California Management Review	1
جمع	43 مجله	138 مقاله

منبع: یافته­های پژوهشگر

 

2.3. ارزیابی داده­ها

پژوهش حاضر از رویکرد تفسیرگرایانه برای تحلیل موضوع پیروی می­نماید. این رویکرد الگوهای داده را به عنوان داستان یا «واحدهای معنادار» شناسایی می‌کند. به عبارت دیگر، تجزیه و تحلیل­ها به جای مقایسه گزارش‌های فردی، بر شناسایی شباهت‌ها و تفاوت‌ها و الگوهای حاصل در روایت موقعیت‌های موجود در مقالات متمرکز است. هدف این است که موقعیت­ها و فرآیندهای ترسیم شده را با جزئیات از نظر ارتباط تصمیم­گیری اخلاقی در آنها تجزیه و تحلیل نمود. از 138 مقاله که تفکیک موضوعی آن در جدول 2 ارائه گردیده است، 1671 واحد معنی‌دار با استفاده از کدگذاری استخراج شد. این واحدهای معنادار معمولاً شامل یک یا چند جمله مرتبط هستند که با یک موقعیت یا فرآیند خاص سروکار دارند و به وضوح به هم مرتبط هستند.

 

جدول 2. تفکیک موضوعی مقالات مورد بررسی

ردیف	موضوع مقاله	تعداد
1	حسابداری	72
2	اخلاق و مسئولیت اجتماعی شرکت	45
3	مدیریت اطلاعات	11
4	مالی	5
5	اقتصاد	3
6	سایر	2
جمع		138

منبع: یافته­های پژوهشگر

 

لازم به ذکر است که در این مرحله ممکن است قضاوت محققین و تجربیات قبلی به شدت بر چنین تحقیقاتی تأثیر بگذارد. بنابراین، از چندین معیار برای افزایش اعتبار کیفی این مطالعه استفاده شد که کنترل‌ها و تعادل‌های مختلفی را شامل می­شد (پارکر و نورثکات، 2016). هر موضوع مورد مناقشه، مطرح و مورد بحث قرار گرفت تا زمانی که پژوهشگران مقاله حاضر به کدگذاری واحد دست یابند. این خواندن و کدنویسی توسط تمام محققین برای افزایش قابلیت اطمینان ضروری بود.

بنابراین، این روش تجزیه و تحلیل داده­ها شامل تفسیر مشترک عبارات و تجلی هوش مصنوعی در موقعیت­های تصمیم­گیری مختلف کدگذاری شد. 1671 واحد معنی‌دار به صورت استنتاجی کدگذاری شدند که برآیند آن منجر به 238 کد مرتبه اول شد. این کدها سپس به 50 کد مرتبه دوم جامع­تر و انتزاعی­تر کاهش داده شدند، زیرا به تدریج درک جامع­تری از ماهیت کدهای مرتبه اول ایجاد شد. در نهایت، کدهای مرتبه دوم بر اساس ماهیت آنها در پنج چالش بی­طرفی (عینیت)، حریم خصوصی، شفافیت، مسئولیت­پذیری و قابل اعتماد بودن به عنوان مضامین سطح بالای استنتاج، تبدیل شدند. در جدول 3 دو نمونه از کدگذاری­ها ارائه گردیده است.

 

 

جدول 3. نمونه­ای از واحدهای معنی­دار و مراحل کدگذاری برای تشخیص چالش­ها

نمونه­ای از واحدهای معنی­دار در قالب جمله در مقالات	کدگذاری مرحله اول	کدگذاری مرحله دوم	چالش
دانشگاهیان و متخصصان بر این باورند که داده‌های کم ساختاریافته برای تصمیم‌گیری اقتصادی، ناکافی هستند.	§     نیاز به داده­های بدون ساختار §     مشکل داده ناکافی برای تصمیم­گیری	§     نمونه­گیری کلان­ داده­ها §     منبع سوگیری	بی­طرفی
تکثیر اطلاعات، یک چالش بزرگ برای کاربران در قالب اضافه بار اطلاعات است. کاربران به طور طبیعی نگران خطر نادیده­گرفتن اطلاعات مربوطه هستند و کمیت داده­ها در حدی است که امکان تجزیه و تحلیل به موقع آن تنها با استفاده از روش­های دستی قابل تردید است.	§     سرریز اطلاعات §     نیاز به فرآیند اتوماتیک	§     سرریز اطلاعات §     منبع سوگیری	بی­طرفی
ما بر خطرات اتخاذ رویکرد «جعبه سیاه» توسط محققان برای اجرای این روش‌ها تأکید می‌کنیم و همین­طور بر اهمیت شفافیت هنگام توصیف مراحل و انتخاب‌های مربوط به اعمال این تکنیک‌ها.	§     جعبه سیاه §     نیاز به فرآیند شفافیت	§     شفافیت در    جعبه­های سیاه	شفافیت

منبع: یافته­های پژوهشگر

 

پنج چالش شناسایی شده و برآیند کدگذاری­ها در اختیار 5 تن از اعضای هیأت علمی صاحب نظر حسابداری، مالی، اقتصاد، فناوری اطلاعات و مدیریت اخلاق نیز قرار داده شد تا از دیدگاه انتقادی مورد بررسی قرار گیرد. با استفاده از این موقعیت‌های یافت شده و چالش‌های شناسایی‌شده در آنها، سپس این موضوع مطرح شد که فرآیند تصمیم‌گیری اخلاقی در این موارد چگونه خواهد بود، و چگونه، چه زمانی و چرا، چالش‌های شناسایی‌شده آن را مهار می‌کند. برای این کار، این چالش‌ها در چارچوب انتخابی خود از چهار مؤلفه مدل فرآیند رست ترسیم شدند تا یک مبنای تئوری قوی برای بحث فراهم شود و ساختاری کاملاً تثبیت شده از فرآیندها و پیشایندهای تصمیم‌گیری اخلاقی ایجاد گردد. بنابراین، در حالی که چالش‌ها به‌طور استقرایی از طریق تفسیر و تجمیع واحدهای معنی‌دار کدگذاری­شده (کدهای مرتبه دوم به مضامین) تکامل یافتند، سپس به اجزای فردی تصمیم‌گیری اخلاقی متصل شده و سناریوهای متفاوتی از همکاری انسان و ماشین بر اساس داده‌ها مورد بحث قرار گرفتند.

 

 

4. یافته­های پژوهش

• پنج چالش اخلاقی تصمیم­گیری مبتنی بر هوش مصنوعی در حسابداری
• بی‌طرفی

بی‌طرفی و مشکلات سوگیری، مشکل برجسته و پر تکرار در یافته­ها در هنگام تصمیم­گیری بود. به عنوان مثال سان[29] (2019) در مورد کاربرد یادگیری عمیق در روش­های حسابرسی برای شناسایی اطلاعات و چالش­های آن، بر اساس سوگیری و ساختارهای داده بسیار پیچیده می­نویسد. لیچت دیبالدت و همکاران[30] (2019) نیز دریافتند که در استفاده از هوش مصنوعی در ارزیابی شغل و درخواست‌های وام، شواهد فراوانی از تبعیض وجود دارد.

با نگاهی عمیق به زمینه‌های موجود در مقالات فوق، الگوریتم‌های زیربنایی هوش مصنوعی و کلان داده­ها به‌عنوان عوامل مؤثر در اکثر چالش‌های اخلاقی برای تصمیم‌گیری‌های مبتنی بر هوش مصنوعی شناسایی شدند. برای مثال، این الگوریتم‌ها برای پردازش وام‌های افراد، هشدار در مورد از دست دادن اعتبار بالقوه و شناسایی الگوهای پرداخت استفاده می‌شوند. با این حال، این الگوریتم‌ها خروجی کار انسان هستند و از داده‌های ارائه‌شده از گذشته، ناشی و توسط انسان‌ها انتخاب می‌شوند و از این رو پتانسیل سوگیری را دارند. در نتیجه، به جای پرسیدن اینکه آیا هوش مصنوعی می‌تواند بی طرف باشد، باید بپرسیم: چگونه انسان‌ها می‌توانند الگوریتم‌های بی طرف بسازند؟ آیا داده­هایی که الگوریتم­ها را تغذیه می­کنند عاری از سوگیری ذاتی هستند؟ آموزش سیستم هوش مصنوعی برای نادیده گرفتن نژاد، جنسیت و گرایش جنسی و اتخاذ تصمیمات استقراضی بر اساس اطلاعات دیگر امکان‌پذیر است. با این حال، چنین سیستمی تنها با کمک و آگاهی اخلاقی متخصصان انسانی که سیستم­های هوش مصنوعی را ایجاد و آموزش می­دهند، میسر می­شود.

بنابراین، چالش بی‌طرفی عمدتاً مؤلفه دوم و سوم مدل رست را تحت تأثیر قرار می­دهد: یعنی قضاوت اخلاقی و انگیزه اخلاقی. زیرا با توجه به اطلاعات یا الگوریتم­های مغرضانه، هر دو اشتباه خواهند بود. بر این اساس باید مثلاً از طریق دستورالعمل‌های روشن و ایجاد آگاهی برای توسعه‌دهندگان و کارمندان، سعی در حل مشکل نمود. از سوی دیگر، هوش مصنوعی می‌تواند فرصت‌هایی را برای غلبه بر تعصبات انسانی فراهم کند؛ مثلاً داوقرتیت و همکاران[31] (2019) می‌گویند: «اگر برنامه‌های نرم‌افزاری می‌توانستند نابرابری‌هایی را که دسترسی اقلیت‌ها به وام‌های مسکن و سایر وام‌ها را محدود می‌کرد حساب کنند، چه؟ به عبارت دیگر، اگر به سیستم‌های ما آموزش داده شود که داده‌های مربوط به نژاد، جنسیت، گرایش جنسی، و سایر ویژگی‌هایی را که به تصمیم‌های مورد نظر مرتبط نیستند نادیده بگیرد، چه می‌شود»؟

 

• حریم خصوصی (حفاظت از داده­ها)

حریم خصوصی و مشکلات مربوط به حفاظت از داده‌ها یکی دیگر از چالش‌های کلیدی مرتبط با اتخاذ تصمیم‌گیری مبتنی بر هوش مصنوعی در یک محیط حسابداری است (مارتین، 2019). این چالش یکی از برجسته‌ترین نگرانی‌های اخلاقی به دلیل افزایش سریع و تا حد زیادی غیرقانونی برای استفاده در سیستم‌های مبتنی بر هوش مصنوعی در کلان داده­ها است.

همان­طور که هوش مصنوعی تکامل می­یابد و منابع داده­های خود را به­طور مستقل انتخاب می­کند، استفاده از اطلاعات شخصی آن به سطح جدیدی از قدرت و سرعت دست می­یابد که ممکن است به راحتی توسط کاربران قابل درک و یا شفاف نباشد.

به عنوان مثال، مارتین (2019) با مفهوم‌سازی موضوع فوق می‌گوید: «نتایج نشان می‌دهد که مصرف‌کنندگان حتی پس از افشای اطلاعات، انتظارات حفظ حریم خصوصی خود را دارند. نقض حریم خصوصی مانند نقض امنیت در ایجاد بی اعتمادی به شرکت­ها و عدم تمایل مصرف کننده به تعامل با شرکت­ها ارزش­گذاری می­شود».

تحقیقات در مورد حریم خصوصی در زمینه هوش مصنوعی، محدود است؛ زیرا محققان عمدتاً بر حریم خصوصی و نقض داده­ها به­طور کلی تمرکز کرده­اند. در زمینه خاص حسابداری و حسابرسی، به عنوان مثال، گپ و همکاران[32] (2018) در مورد تکنیک­های کلان داده در حسابرسی تئوری و عمل می­نویسند و روندهای فعلی و فرصت­های آینده را بررسی می­کنند.

وقتی صحبت از حریم خصوصی و حفاظت از داده­ها می­شود، بلاک­چین­ها با توجه به ذخیره داده­های آن در یک دفتر کل ایمن و توزیع شده، اغلب به عنوان یک نوآوری حسابداری و حسابرسی در نظر گرفته می­شوند. بلاک­چین، ذخیره­سازی رمزگذاری شده ضد دستکاری داده­ها را فراهم می­کند که امکان ردیابی افرادی که داده­ها را وارد کرده و تغییر داده­اند میسر می­شود. چنین قابلیت ردیابی برای حسابرسی و ایجاد شفافیت برای داده­های ذخیره شده و همچنین برای ایجاد اعتماد مهم است.

این فناوری­ها ممکن است به طور قابل توجهی دید مالی را بهبود بخشند و به دلیل ماهیت دائمی حسابداری، اجازه مداخله به موقع را می­دهند. با این حال، برخلاف حفاظت از داده­ها، تأثیر اسناد افشا شده برای جلوگیری از فعالیت­های متقلبانه نباید دست کم گرفته شود؛ همان­طور که برخی محققان در زمینه منافع نفتی ایالات متحده در نیجریه، بررسی­هایی را نمودند. علاوه بر این، وست[33] (2019) اصطلاح «سرمایه‌داری داده‌ها» را پیشنهاد می‌کند و بررسی می‌کند که چگونه نظارت و منطق حفظ حریم خصوصی، در حال حاضر به­نوعی دیگر تعریف می‌شوند. او می‌گوید: «سرمایه‌داری داده‌ها، سیستمی است که در آن کالایی‌سازی داده‌های ما امکان توزیع مجدد نامتقارن قدرت را فراهم می‌کند که نسبت به بازیگرانی که دسترسی دارند و توانایی درک اطلاعات را دارند وزن می‌شود». بنابراین چالش حریم خصوصی با مؤلفه سوم در مدل رست، یعنی انگیزه اخلاقی، تداخل دارد، زیرا شامل نقض عمدی و غیرعمدی است.

انتقادات گسترده نسبت به مقررات کم یا بیش از حد حفاظت از داده­ها در اقصی نقاط جهان وجود دارد. برای مثال مقررات عمومی حفاظت از داده­های اتحادیه اروپا (GDPR) را می­توان به عنوان یک شاخص خوب برای دشواری کار سیاست­مداران و کارشناسان در نظر گرفت. همچنین پیش‌بینی توسعه مدل‌های تجاری دیجیتال، مبتنی بر داده و هوش مصنوعی مانند مدل‌هایی که در فین‌تک‌ها استفاده می‌شوند. در ایالات متحده نیز، هیچ مقررات مشابهی در مورد حفاظت از داده­ها وجود ندارد، به جز برخی موارد در قانون حفظ حریم خصوصی مصرف­کنندگان کالیفرنیا 2020 و قانون پاسخگویی الگوریتمی پیشنهادی. همچنین در استرالیا، قانون حفظ حریم خصوصی استرالیا 1988 با GDPR قابل مقایسه است. ماده 22 GDPR به انسان حق مداخله در هنگام تصمیم­گیری را اعطا می­کند. به عبارت دیگر، افراد حق دارند از یک انسان بخواهند که تصمیم­گیری هوش مصنوعی را بررسی کند تا مشخص شود که آیا سیستم اشتباه کرده است یا خیر. این موضوع یک تعهد قانونی را بر عهده کسب و کار می­گذارد تا بتواند چنین قضاوتی را انجام دهد که قدرمسلم مستلزم توضیح­پذیری تصمیمات مبتنی بر هوش مصنوعی است. چنین قضاوت­هایی به قابلیت ردیابی عوامل مؤثر بر تصمیم و همچنین شفافیت در مورد عملکرد درونی الگوریتم­های پشت تصمیمات نیاز دارند. دامنه گسترده و تأثیر این شفافیت خواسته شده در ادامه مورد بحث قرار می­گیرد.

 

• شفافیت

شفافیت به عنوان چالشی برای تصمیم­گیری مبتنی بر هوش مصنوعی، اغلب فقط به­طور غیرمستقیم در سناریوها مشهود می­شود. یکی از دلایل این امر می­تواند ماهیت و دامنه شفافیت باشد. در این موارد، شفافیت اغلب تنها به عنوان یک شرط مرزی مهم برای مفاهیم دیگری مانند اعتماد یا پاسخگویی توصیف می­شود. برای مثال، برخی محققان نقش شفافیت را در تسهیل اعتماد و اطمینان در هوش مصنوعی بررسی می‌کنند.

علاوه بر شفافیت داده­ها در مورد جمع­آوری، ایجاد، دستکاری و استفاده از آن، مقالات اجازه می­دهند تا مشکل عمده دیگری شناسایی شود و آن این است که الگوریتم­ها و در نتیجه تصمیمات حاصله، اغلب شفاف و قابل توضیح نیستند. شبکه‌های عصبی به‌عنوان ستون فقرات هوش مصنوعی اغلب به‌عنوان جعبه‌های سیاه بر اساس کدها و ساختارهای اختصاصی شناسایی می‌شوند که شرکت‌های فناوری تمایلی برای به اشتراک گذاشتن آنها با مردم ندارند. این شبکه‌های عصبی مصنوعی شامل الگوریتم‌های الهام‌گرفته‌شده از بیولوژی هستند که به‌طور آزاد از روی ذهن انسان برای یادگیری عمیق مدل‌سازی شده‌اند (سان، 2019). یادگیری تقویتی به این معنی است که هوش مصنوعی از نتایج، در مقایسه با پیش‌بینی‌های خود، یاد می‌گیرد. بنابراین، یک هوش مصنوعی مبتنی بر شبکه عصبی و یادگیری عمیق به­طور مداوم رفتار خود را بر اساس پاسخ­های محیطی تطبیق داده و تغییر می­دهد. با این حال، چنین تأثیرات محیطی بسیار پیچیده و تا حدی تصادفی هستند؛ لذا رفتار هوش مصنوعی را نمی­توان قطعی و شفاف دید. عدم شفافیت هوش مصنوعی، کشف هرگونه سوگیری بالقوه را دشوار می­کند. بنابراین هوش مصنوعی، برای تصمیم­گیری در مورد منبع سوگیری شناسایی شده، نیاز به نظارت و ردیابی دائمی دارد.

شرکت­های فناوری پس از چندین رسوایی، به­طور فزاینده­ای از این موضوع آگاه شده­اند. در نتیجه، این شرکت‌ها مانند گوگل، اخیراً ویدئوها و مطالبی را برای افزایش آگاهی در مورد عدم شفافیت در الگوریتم‌ها منتشر کرده‌اند (لیچت دیبالدت و همکاران، 2019). علاوه بر این، استانداردهای حسابرسی اغلب ایجاب می­کنند که حسابرس بر اساس تصمیمات حسابداری و سیستم اطلاعات حسابرسی، مسئول شکست حسابرسی باشد. این وضعیت علاوه بر بحث شفافیت، بر بحث ردیابی و حسابرسی الگوریتم‌های تصمیم‌گیری که هوش مصنوعی آن را فراهم می‌کند، تأکید می‌کند. با این حال، حتی اگر چنین قابلیت ردیابی از نظر فنی قابل دستیابی باشد، از آنجایی که ممکن است برای اکثر متخصصان ازجمله حسابرسان به آسانی قابل توضیح یا درک نباشد، باز هم کاربرد محدودی خواهد داشت. در نتیجه، دانش مفاهیم اساسی الگوریتم‌های هوش مصنوعی، سناریوهای استفاده از آنها و محدودیت‌های آنها برای اطمینان از توضیح‌پذیری و در نتیجه شفافیت الگوریتم‌ها مورد نیاز است. با این حال، در مورد الگوریتم‌ها، حتی توسعه‌دهندگان نرم‌افزار به دلیل کدهای بسیار پیچیده‌ای که در طول زمان و در تیم‌های مختلف انباشته شده است، با مشکل مواجه هستند.

از سوی دیگر تقاضا و سطح شفافیت بین موارد مختلف، متفاوت است؛ به عنوان مثال، شفافیت مورد نیاز برای مسئولیت اجتماعی شرکت با الگوریتمی که تصمیم می‌گیرد تبلیغات را در کجا قرار دهد، متفاوت است (البو و فلایوربوم[34]، 2016).

در نهایت، آگاهی از این واقعیت مهم است که اگر تمام فرآیندهای درگیر در تصمیمات یک الگوریتم شفاف شوند، افراد می‌توانند به راحتی الگوریتم‌ها را بر اساس آن دستکاری کنند و به‌ویژه بر داده‌های وارد شده به الگوریتم تأثیر می‌گذارند تا نتایج «مطلوب» حاصل شود. بنابراین شفافیت به‌عنوان یک چالش با بسیاری از مؤلفه‌های مدل رست مرتبط است، زیرا می‌توان آن را پیش نیازی برای دستیابی به آگاهی اخلاقی دانست و دیگران را از ارزیابی پیامدهای تصمیم‌گیری که برای انگیزه اخلاقی ضروری است، باز می‌دارد. همچنین همان­طور که در بخش بعدی مورد بحث قرار می­گیرد، می­توان آن را به عنوان عامل مهمی برای مسئولیت‌پذیری و قابل اعتماد بودن دانست؛ لذا بر شخصیت (رفتار) اخلاقی نیز تأثیر خواهد گذاشت.

 

 

 

 

• پاسخگویی

پاسخگویی در ادبیات حسابداری و حسابرسی به کرات مورد بررسی قرار گرفته است. برای مثال ببینگتون و همکاران (2019) حسابداری و پاسخگویی را مورد بررسی قرار می­دهد که چگونه انواع مختلف پاسخگویی (فرآیند یا نتیجه) بر رویه­های جستجوی اطلاعات و متعاقباً بر کیفیت تصمیم­گیری تأثیر می­گذارند.

علاوه بر این، برخی محققان در مورد اینکه چگونه حسابداری و پاسخگویی می­تواند دموکراسی تکثرگرا را ارتقا دهد، بحث می­کنند که تفاوت­های قدرت و باورها را نمایان می­کند.

هنگامی که توسعه‌دهندگان نرم­افزار و دانشمندان کامپیوتر، الگوریتمی را طراحی می­کنند، تفویض مسئولیت در فرآیند تصمیم­گیری را نیز طراحی می­کنند. گاهی اوقات الگوریتم‌ها به گونه‌ای طراحی می‌شوند که افراد را از مسئولیت‌هایشان جدا می‌کنند، زیرا از ایفای نقش فعال کارمندان در فرآیند تصمیم‌گیری جلوگیری می­نماید. بنابراین، الگوریتم‌ها غیرقابل بررسی و مستقل بوده و کمتر دخالت انسانی دارند؛ لذا مسئولیت‌پذیری زیادی را متوجه طراحان خود می­کنند. علاوه بر این اگر یک الگوریتم، بسیار پیچیده و درک آن دشوار باشد، آنکه ارائه‌ دهنده هوش مصنوعی است به جای مدیریت و حسابرسان، مسئول خواهد بود (مانوکو و همکاران، 2020).

این استدلال که الگوریتم‌ها و کلان داده‌ها برای توضیح پیچیده هستند و اغلب درک ناقصی دارند، نافی مسئولیت‌پذیری سازمان و فرد و استفاده مناسب آنها از داده‌ها نمی­باشد. در غیر این صورت، شرکت‌ها انگیزه ایجاد سیستم‌های پیچیده‌ای را خواهند داشت که به آنها کمک می‌کند از پاسخگویی اجتناب کنند (مارتین، 2019).

علاوه بر این، مشاهده می­شود که حتی طراحان الگوریتم اغلب نمی­توانند توضیح دهند که یک سیستم پیچیده در عمل چگونه کار می­کند یا کدام بخش از الگوریتم برای عملکرد آن ضروری است. بررسی متقابل سیستم‌های انسان و ماشین به فرد اجازه می‌دهد که آنها را به‌ عنوان پدیده‌های اجتماعی و مادی تلقی کنیم (اورلیکوفسکی و اسکات[35]، 2008) که حاوی پیچیدگی نیستند، اما با اتصال به مجموعه‌های انسانی و غیرانسانی، پیچیدگی ایجاد می‌کنند.

درک این موضوع که مسئولیت انسان به استفاده از الگوریتم‌های هوش مصنوعی محدود نمی‌شود، می‌تواند به عنوان اولین گام در جهت ارتقای سیستم‌های مبتنی بر هوش مصنوعی اخلاقی در نظر گرفته شود. تأثیرات انسانی متعددی در الگوریتم‌ها گنجانده شده است، از جمله انتخاب معیارهای حسابرسان، انتخاب داده‌های آموزشی، معناشناسی و تفسیر بصری فزاینده. بنابراین، پاسخگویی یک الگوریتم مبتنی بر اخلاق، باید الگوریتم را به عنوان اهداف خلقت و تعامل انسان و نیت اخلاقی، ازجمله هدف هر گروه یا فرآیندهای نهادی که ممکن است بر طراحی الگوریتم یا خوراک داده تأثیر بگذارد، در نظر بگیرد. در نهایت، زمانی که آنها خروجی­های الگوریتمی را در جریان تصمیم­گیری­های سطح بالاتر تفسیر می­کنند، تأثیر بازیگران انسانی (از جمله تفاوت قدرت) نیز باید در نظر گرفته شود. این موضوع همچنین به معنای تمرکز بر هماهنگی مسئولیت‌ها بین حسابداران/حسابرسان و متخصصان است و باید به شدت در «حکمرانی خوب» این فناوری‌ها گنجانده شود. به عنوان مثال، چالش‌های حاکمیت خوب مانند: «مسئولیت در قبال مالکیت داده­ها، یکپارچگی یا حریم خصوصی داده­ها در مورد ارزیابی عملکرد و اطمینان از چنین داده­هایی بسیار اهمیت دارد».

در حالی که در ساختارهای سازمانی سنتی، فرد به خوبی با مسئولیت­پذیری ارتباط دارد، به نظر می­رسد این موضوع در زمینه تصمیم­گیری مبتنی بر هوش مصنوعی به مراتب، کمتر واضح باشد. بنابراین، چالش پاسخگویی بر مؤلفه‌های اول، سوم و چهارم مدل رست تأثیر می‌گذارد. اول، آگاهی اخلاقی باید توسط انسان­ها اجرا شود، بنابراین برای هر تصمیم­گیری اخلاقی، ابتدا باید از پاسخگویی برای توسعه‌دهندگان الگوریتم­ها و ارائه‌دهندگان داده اطمینان حاصل کنیم. دوم، از آنجایی که منافع شخصی عموماً تحت تأثیر سطح مسئولیت­پذیری قرار می­گیرد، بر انگیزه اخلاقی در تعاملات انسان و ماشین تأثیر می­گذارد. سوم، تصمیم‌گیری در هوش مصنوعی مبتنی بر هر سه عامل است: 1- الگوریتم‌های ساخت بشر که در هوش مصنوعی اعمال می‌شوند و بخشی از آن توسط انسان ارائه می‌شود، 2- تا حدی داده‌های انتخاب‌شده توسط هوش مصنوعی به‌عنوان پایه، 3- تفویض و توزیع نمایندگی بین انسان و هوش مصنوعی طبق تصمیم انسان‌ها.

هر درخواست هنجاری برای رفتار اخلاقی باید مسئولیت‌پذیری را به‌عنوان ریشه در تعامل پیچیده بین بازیگران مختلف درگیر درک کند و تصمیم‌گیری هوش مصنوعی را در یک سیستم اجتماعی و مادی ببیند.

 

• اعتماد

اعتماد به­طور کلی به عنوان تمایل یک فرد برای آسیب­پذیر بودن در برابر شخص دیگری تعریف می­شود (مارتین، 2019). اعتماد همچنین به شدت با کنترل مرتبط است، به عبارت دیگر با «مکانیزم‌هایی که توسط افراد و سازمان‌ها برای مشخص کردن، اندازه‌گیری، نظارت و ارزیابی کار دیگران استفاده می‌شود و روش‌هایی که آنها را به سمت دستیابی به اهداف مورد نظر هدایت می‌کند» (لانگ و سیتکین[36]، 2018).

در حسابداری و حسابرسی، اعتماد در سه سطح مورد بررسی قرار گرفته است: تمایل عمومی یک فرد، اعتماد به یک شرکت خاص و اعتماد نهادی در یک بازار یا جامعه (گلیکسون و وولی[37]، 2020). مفهوم و طراحی فناوری، ارتباطات پیرامونی و زمینه شرکت‌هایی که از فناوری استفاده می‌کنند، می‌تواند بر درک کاربران از قابل اعتماد بودن آن تأثیر بگذارد. برخی از طرح‌ها ممکن است با استفاده از روش­های خاصی مشتریان را ترغیب کنند که بیش از حد به یک فناوری خاص در تعامل خود با سیستم اعتماد کنند. مارتین (2019) بیان می‌کنند که این سناریو را می‌توان چهارمین سطح اعتماد در نظر گرفت. قابلیت اعتماد در هوش مصنوعی فقط به این معنی نیست که یک سیستم یا فرآیند تصمیم­گیری بیان می­کند که چه انجام خواهد داد (یکپارچگی، توانایی)، بلکه در مورد اعتماد به این است که اگر فرآیند سیستم قابل درک نیز نباشد، همچنان آن کار انجام خواهد شد. علاوه بر این، همان­طور که گلیکسون و وولی (2020) اشاره می‌کنند: کاربران همیشه از پیچیدگی فناوری واقعی هوش مصنوعی آگاه نیستند. در حالی که در برخی موارد ماشین­های بسیار هوشمند با تمام ظرفیت خود عمل می­کنند، در برخی دیگر ممکن است این قابلیت به طور کامل در رفتار آنها آشکار نباشد.

قابل اعتماد بودن و اعتماد متناظر آن به دلیل ریسک این روابط و پیچیدگی و غیر قطعی بودن رفتار هوش مصنوعی، بسیار مرتبط با روابط انسان و هوش مصنوعی دیده می‌شود. الگوریتم در ابتدا توسط انسان طراحی می­شود؛ اما سیستم­های هوش مصنوعی که به تنهایی یاد می­گیرند به صراحت تحت هیچ راهنمایی اخلاقی آموزش داده نمی­شوند. کارشناسان حسابداری که از هوش مصنوعی استفاده می­کنند اغلب چاره­ای جز اعتماد به این سیستم­ها ندارند. به طور معمول، واحد اساسی اعتماد بین انسان­ها، ظاهر فیزیکی است. با این حال، با توجه به اینکه هوش مصنوعی نامشهود است، تعبیه هوش مصنوعی نقش مهمی در توسعه اعتماد بین انسان­ها و این تکنولوژِی ایفا می­کند (گلیکسون و وولی، 2020). ادغام موفقیت‌آمیز سیستم‌های هوش مصنوعی در محیط کار به شدت به میزان اعتماد کارکنان به هوش مصنوعی بستگی دارد (جراحی، 2018). از این رو، معمولاً به ربات‌های مبتنی بر هوش مصنوعی، نام‌های انسانی داده می‌شود (مثلاً روبرتا) و با روش‌هایی که برای کارمندان اداری آشنا است، ارتباط برقرار می‌کنند (لایتنر-هانسدر، 2021).

اعتماد و به­طور خاص­تر قابل اعتماد بودن در این مورد می­تواند به عنوان یک کاتالیزور برای هر  ارتباط معنادار و در نتیجه به عنوان یک پیش‌نیاز ضروری برای رفتار اخلاقی دیده شود. اگر انسان‌ها به فرآیندهای تصمیم‌گیری هوش مصنوعی در حسابداری که در پس‌زمینه اجرا می‌شوند اعتماد نداشته باشند، این تصمیم‌ها اتخاذ نمی‌شوند و منجر به عدم اعتماد نهادی خواهد شد. علاوه بر این، حتی اگر به هوش مصنوعی به اندازه کافی برای رسیدن به نتیجه‌گیری‌های درست و تصمیم‌گیری صحیح اعتماد شود، بازهم بی‌اعتمادی انسان‌ها بر اساس عوامل منطقی (مانند فقدان دستورالعمل‌های اخلاقی برای تصمیم‌گیری‌های هوش مصنوعی) یا عوامل غیرمنطقی (مثلاً امتناع از گرفتن دستور از ماشین‌ها) ممکن است اجرای چنین تصمیماتی را به خطر بیندازد (عدم اعتماد سازمانی). بنابراین، اعتماد علاوه بر اینکه به عنوان یک کاتالیزور برای رفتار اخلاقی در مدل رست عمل می­کند، اشکال مختلف آن می­توانند به عنوان تعدیل­کننده قوی سایر چالش­های اخلاقی دیده شوند و به­طور غیرمستقیم با هر چهار مؤلفه در مدل تصمیم­گیری اخلاقی ارتباط داشته باشند.

همان­طور که در شکل 1 به­طور خلاصه نشان داده شده است، همه چالش‌های اخلاقی شناسایی‌شده بر چهار مؤلفه رست برای تصمیم‌گیری اخلاقی به­طور مساوی تأثیر نمی‌گذارند. چالش‌های دیگر معمولاً تنها بر یک یا دو مؤلفه تأثیر می‌گذارند. مورد جالب دیگر، چالش شفافیت است که تأثیر چالش مرتبط با بی­طرفی را بر قضاوت اخلاقی و مؤلفه­های انگیزه اخلاقی تعدیل می­کند و همچنین پیشینه­ای برای پاسخگویی ایجاد می­کند.

 

 

شکل 1. مدل نهایی پژوهش (ارتباط چالش­های اخلاقی شناسایی شده با مدل رست)

منبع: یافته­های پژوهشگر

 

در حالی که اثرات بالقوه چالش‌ها بر فرآیند تصمیم‌گیری اخلاقی شناسایی شده، اما قدرت این تأثیرات بر اجزای انفرادی در مدل رست ممکن است با سطح همکاری انسان و ماشین و وظایف مرتبط تعدیل شود (جراحی، 2018؛ مانوکو و همکاران، 2020).

 

5. پیامدها و چشم‌انداز آتی

در بخش قبل، چالش‌های اخلاقی شناسایی‌ شده و تأثیر آنها بر مؤلفه‌های مختلف در فرآیند تصمیم‌گیری اخلاقی رست بررسی شدند. در یک مجموعه ایده­آل از همکاری انسان و ماشین، ذهن انسان می­تواند ایده­پردازی کند و تصمیمات نهایی را بگیرد، در حالی که هوش مصنوعی داده­های خام را ترکیب و تجزیه و تحلیل می­کند و اطلاعات حاصل را به صورت خودکار برای اهداف مختلف ارائه می­دهد (رایش و کراکوفسکی، 2021). علاوه بر این، بررسی دقیق مؤلفه‌های فردی در مدل رست نشان می‌دهد که سرپرستان حسابداری آینده باید بدانند چگونه می‌توانند از هوش مصنوعی، صحیح و به موقع استفاده کنند (لایتنر-هانسدر و همکاران، 2021) و محدودیت‌های هوش مصنوعی چه می­تواند باشد. سازمان‌ها باید با هدایت و مدیریت دقیق فرآیندهای مرتبط، رابطه انسان‌گرایانه انسان و ماشین را تضمین کنند.

یک برداشت از مطالعه حاضر ممکن است ضرورت ایجاد یا گسترش دامنه یک کمیته حاکمیت درون شرکتی برای نظارت و حسابرسی داخلی بر فرآیندهای مبتنی بر هوش مصنوعی و کلان داده­های مرتبط باشد. این کمیته می­تواند الگوریتم یادگیری هوش مصنوعی از طریق داده­های ارائه شده و همچنین آموزش کاربران مربوطه را به بررسی و متعاقباً تصمیمات اتخاذ شده در چنین همزیستی ماشینی انسانی را وارسی کند. این کمیته همچنین می‌تواند دستورالعمل‌های اخلاقی را برای آینده هوش مصنوعی خودمختار توسعه داده و آسیب‌های احتمالی مرتبط با الگوریتم‌های مبتنی بر هوش مصنوعی را شناسایی کند و قوانین خاصی را در اولویت قرار دهد. تحقیقات آتی در این زمینه باید دیدگاه‌های انسانی، حقوقی/حاکمیتی، حسابداری/حسابرسی و علوم اطلاعاتی را ترکیب کنند تا به پرسش‌هایی مانند ماهیت عدالت در هوش مصنوعی، حکمرانی خوب کلان داده‌ها یا بهترین شیوه‌های مربوط به توسعه، آموزش و استفاده از سیستم­های حسابداری مبتنی بر هوش مصنوعی بپردازند. چنین تلاش‌هایی به پژوهش­های در حال انجام بر روی حسابداری و گزارشگری پایداری سازمانی در مورد عوامل محیطی، اجتماعی و حاکمیتی (ESG) مرتبط می‌شود. به هر حال، کلان داده‌ها و هوش مصنوعی تأثیر زیادی بر پایداری یک شرکت خواهند داشت و حتی ممکن است در تضمین گزارش‌های پایداری مؤثر باشند (سیلوونا و ویناری[38]، 2021). در نتیجه انتظار می­رود که حاکمیت خوب هوش مصنوعی و کلان داده به بخشی از شیوه­های اطمینان­بخشی آینده تبدیل شود (مشابه مدل­های ریسک حسابرسی) و حداقل بر امتیاز G در عوامل ESG تأثیر بگذارد.

مقاله حاضر بیشتر به ادبیات حسابداری به‌عنوان عملی ذهنی‌ و در عین حال میانجی­گر در یک زمینه اجتماعی- مادی می‌نگرد. از یک طرف، یک سیستم حسابداری مبتنی بر هوش مصنوعی به عنوان بازیگر ترکیبی نمی‌تواند تصمیمات اخلاقی خود را اتخاذ کند، زیرا فاقد پیش‌شرط‌های لازم از نظر مدل رست است. از سوی دیگر، می‌بینیم که هوش مصنوعی از سایر بازیگران پشتیبانی می‌کند و با پیوند دادن بازیگران پراکنده و عرصه‌های غنی از داده‌هایی که قبلاً به دلیل محدودیت‌های شناختی غیرقابل دسترس بودند، قدرت تصمیم‌گیری را افزایش می‌دهد. علاوه بر این، از آنجایی که هوش مصنوعی مقید به اهداف از پیش تعیین شده است و علی­رغم یادگیری خودمختار و شیوه­های انطباقی، همچنان تابع شرایط ساخته شده توسط انسان است، حتی اگر به­طور رسمی به آن اعطا شود، همیشه فاقد عاملیت مستقل واقعی خواهد بود (تربوگت و اسکاپنز[39]، 2019).

یک فرآیند تصمیم‌گیری اخلاقی مبتنی بر هوش مصنوعی در مراحل توسعه الگوریتم‌های زیربنایی خود نیاز به آگاهی اخلاقی توسعه‌‌دهندگان دارد تا امکان توضیح و ممیزی بعدی فراهم شود. به عبارت دیگر، اگر اولین مؤلفه حیاتی یعنی آگاهی اخلاقی در طول فرآیند طراحی الگوریتم اعمال نشود، ممکن است تمام مراحل فرآیند با شکست مواجه شوند.

در مورد پاسخگویی الگوریتم­ها، مشخص شده است که صرفاً تخصیص قدرت تصمیم­گیری به هوش مصنوعی منجر به تصمیم­گیری­های غیراخلاقی می­شود (کواکوات و همکاران[40]، 2019) و راه پیش رو ممکن است این باشد که یک همزیستی بین انسان و ماشین برقرار گردد. تحقیقات بیشتر در مورد ماهیت این تحول در حسابداری ضروری است، به ویژه لحاظ نمودن مباحث انتقادی و تفکر بیشتر در مورد اینکه چگونه می­خواهیم آینده خود را در همزیستی انسان و ماشین شناسایی کنیم. بحث بیشتر در مورد ارزش­های اجتماعی که اجرای هوش مصنوعی و تصمیم­گیری در حسابداری را هدایت می­کند ضروری به نظر می­رسد. برای مثال آیا تعیین هدف کوتاه­مدتی مانند ارزش سهامداران، راهنمایی "درست" را برای سیستم­های هوش مصنوعی در تصمیم­گیری ارائه می­دهد؟ کاهش مدیریت انسان و جهت­گیری ذهنی ذینفعان مبتنی بر آگاهی اخلاقی و ذاتی ممکن است در چنین تصمیم­گیری­هایی کاملاً نادیده گرفته شود. به عبارت دیگر، آیا عقل­گرایی هوش مصنوعی که به شدت از قواعد یادگیری بازی پیروی می­کند، منجر به یک تخریب فکری ناخواسته مبتنی بر طرح­های ارزشی ذاتی در جامعه نمی­شود؟ با این حال، آنچه واضح است این که از منظر اجتماعی – مادی، هوش مصنوعی به عنوان دستگاه حسابداری با ابزارهای ارزش­گذاری تعبیه شده متعدد، ناگزیر ارزش­ها و ارزش­گذاران را شکل می­دهد.

یک چشم‌انداز جالب برای تحقیقات نظری آینده در این زمینه را می‌توان با استناد به مطالعه مانتی و همکاران[41] (2021) بیان نمود. با توجه به ماهیت ضروری بین رشته­ای و انتقادی پژوهش در مورد تصمیم­گیری اخلاقی در سناریوهای آینده همکاری انسان و ماشین، بازنگری در ماهیت اطلاعات حسابداری به عنوان یک کل، عاقلانه به نظر می­رسد. علاوه بر این، پیامدهای اجتماعی تصمیم‌گیری مبتنی بر هوش مصنوعی، همراه با گزارشگری پایداری مبتنی بر فناوری چندوجهی، ممکن است از طریق گفتگو با ذینفعان در فرآیندهای تصمیم‌گیری خاص حاصل شود.

علاوه بر بحث نظری، پیامدهای عملی بسیار روشنی از یافته­ها و بحث­های این مطالعه وجود دارد. با قوی‌تر شدن هوش مصنوعی، دستورالعمل‌ها و ساختارهای سازمانی بیشتری برای حفظ کنترل آن و در عین حال بهره‌مندی از نقاط قوت و تطبیق‌پذیری آن باید ایجاد شود. محققان حسابداری و حسابرسی که علاقه­مند به پیامدهای اجتماعی بزرگتر حسابرسی به عنوان یک عمل هستند، باید ابعاد اخلاقی فناوری­های مبتنی بر هوش مصنوعی را بیشتر کاوش نمایند. از منظر کارکردگرا، سه قانون رباتیک آسیموف که پیش­تر مورد اشاره قرار گرفته بود، در فرآیند تصمیم­گیری در یک سیستم حسابداری رسمی که انسان را چیزی فراتر از مصرف کننده یا نیروی کار نمی­داند، به ناچار ناکام می­ماند.

 

5. بحث و نتیجه­گیری

در این مقاله کوشش شد از زاویه نگاه جامع، مستدل و انتقادی، چالش‌های اخلاقی بالقوه تصمیم‌گیری مبتنی بر هوش مصنوعی در حوزه حسابداری بر اساس 138 مقاله معتبر از 43 مجله شاخص بررسی گردد و به سیاست‌گذاران، محققان و مدیران راهکارهایی ارائه شود تا تصمیمات آگاهانه­ای را در مورد چالش‌های سازمانی اتخاذ کنند. با نگاهی عمیق به چالش‌های بالقوه شناسایی‌شده و تأثیر بالقوه این چالش‌ها بر تصمیم‌گیری اخلاقی بر اساس مدل رست در همکاری انسان و ماشین، برخی از حوزه‌های کلیدی شناسایی شد که باید روی آنها تمرکز گردد. برجسته­ترین آنها اهمیت دستیابی به طرح­های الگوریتمی شفاف و قابل ممیزی، اهمیت دستیابی به قابلیت اعتماد و مسئولیت­پذیری مشترک بین انسان­ها و هوش مصنوعی به دلیل عامل مشترک آنها بود.

هوش مصنوعی در حرفه حسابرسی، ارتباطات سازمانی و اجتماعی آن را به سرعت تغییر می­دهد. در حالی که صاحب­نظران و متخصصان در مورد اهمیت دیدگاه‌های اخلاقی در درک ما از تغییر فوق توافق دارند و قانون‌گذاران به­طور محتاطانه مسئولیت‌پذیری انسان را حتی در سناریوهای پیچیده هوش مصنوعی تعیین می‌کنند، بسیاری از بحث‌های مرتبط در این زمینه همچنان دست نخورده باقی می‌مانند. این مقاله سعی نمود آگاهی در مورد ضرورت نگاه عمیق‌تر به مشخصات، فرآیندها و پیشینه‌های تصمیم‌گیری اخلاقی برای رسیدگی به چالش‌های پیش‌آمده را افزایش دهد.

از منظر هنجاری، تنها راه انسان‌گرایانه و روبه­جلو، ایجاد سناریویی از همکاری انسان و هوش مصنوعی در حسابداری است که همچنان به انسان‌ها و ارزش‌های اجتماعی اجازه می‌دهد در تصمیمات خاص دخالت کنند. برای این­کار، قدرت و عاملیت انسان و هوش مصنوعی باید به دقت متعادل شود، در غیر این صورت نمی­توان تصمیم­گیری اخلاقی در آینده را تضمین کرد. در راستای محدودیت­های تحقیق، می­توان سویه­ها و گرایش­های شخصی پژوهشگر را از محدودیت­های هر تحقیق کیفی دانست. از آنجا که نیاز به تفسیر داده­ها وجود دارد ممکن است (حداقل به صورت ناخواسته) بر تفسیرهای محقق اثر بگذارد. در تحقیق حاضر محقق تلاش خود را به کار گرفته است تا به شکلی بی­طرفانه داده­ها را تحلیل و ارائه کند، اما با این حال، ذات و ماهیت پژوهش­های کیفی به شکلی است که ممکن است از سویه­ها و گرایش­های پژوهشگر تأثیر بپذیرد. این تأثیرپذیری احتمالی را (که حتی ممکن است ناخودآگاه هم باشد) می توان از محدودیت­های تحقیق دانست.

 

 

 

[1] گروه اقتصاد، دانشگاه پیام نور واحد کرج، البرز، ایران. [e-mail]

[2] گروه حسابداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران. نویسنده مسئول. [e-mail]

[3] Jarrahi

[4] Lindebaum et al.

[5] Earley

[6] Munoko

[7] Raisch and Krakowski

[8] Cooper et al.

[9]Bebbington et al.

[10] Gunz and Thorne

[11] Boza and  Evgeniou

[12] Holt and Loraas

[13] Lehner et al.

[14] Dignum

[15] Leyer and Schneider

[16] Martin

[17] Kellogg et al.

[18] Rest

[19] Baud et al.

[20] Lombardi et al.

[21] اصطلاح synderesis  به عادت طبیعی یا فطری ذهن به دانستن اصول اولیه نظم عملی یا اخلاقی بدون توسل به فرآیند استدلال گفتمانی اشاره دارد.

[22] Asimov’s “Three Laws of Robotics”

[23] Gong

[24] Dillard and Vinnari

[25] Losbichler and Lehner

[26] Hermeneutic

[27] Parker and Northcott

[28] Snyder

[29] Sun

[30] Leicht-Deobald et al.

[31] Daugherty et al.

[32] Gepp et al.

[33] West

[34] Albu and Flyverbom

[35] Orlikowski and Scott

[36] Long and Sitkin

[37] Glikson and Woolley

[38] Silvola and Vinnari

[39] TerBogt and Scapens

[40] Kovacova et al.

[41] Manetti et al.

مراجع

فهرست منابع

• احمدزاده، زاهد و احمد یعقوب نژاد، (1401)، "تأثیر درک حسابرسان از فرهنگ اخلاقی حاکم در مؤسسات بر ارزش­های حرفه­ای در مؤسسات حسابرسی"، پژوهش­های حسابداری مالی و حسابرسی، 14(55)، صص 23-40.
• حسین­زاده، امیر، رسول عبدی، عسگر پاک مرام و نادر رضایی، (1401)، "الگوی تصمیم‌گیری اخلاقی حسابداری"، اخلاق در علوم و فناوری، 17، صص 180-152.
• خوشبخت، اسماعیل، امیرحسین تائبی نقندری و حدیث زینلی، (1401)، "دینداری، اخلاق حرفه‌ای حسابداران و تقلب‌های گزارشگری مالی"، پژوهش­های حسابداری مالی و حسابرسی، 14(53)، صص 223-254.
• کریمی، اکرم، رویا دارابی، محمدرضا پورفخاران و حسین مقدم، (1401)، "پیش‌بینی رتبه‌بندی کیفیت اطلاعات با رویکرد تحلیل عاملی و هوش مصنوعی"، پژوهش­های حسابداری مالی و حسابرسی، 14(54)، صص 101-140.
• نوش­فر، علی­داد، عبدالرضا محسنی و مصطفی قاسمی، (1401)، "الگویی برای بهبود تصمیم‌گیری اخلاقی در حرفه حسابداری با رویکرد مبتنی بر نظریه داده‌ بنیاد"، پژوهش­های تجربی حسابداری، 12(4)، صص 141-160.