جمعه ۲۴ آبان ۱۳۹۸
دوشنبه ۲۵ اسفند ۱۳۹۳ 3754 0 7

اغلب موسسه‌های بزرگ حسابرسی استفاده از هوش مصنوعی را در زمینه قضاوتهای حسابرسی به‌عنوان بخشی از سیستمهای یکپارچه اتوماسیون حسابرسی خود در نظر گرفته‌اند.

کاربرد هوش مصنوعی در حسابرسی: با نگاهی به آینده

پدیدآورندگان: دکتر محمد مرفوع، دکتر مسعود طاهری‌نیا، نواب کونانی
 
 
مقدمه 
حسابداری تقریباً اولین حوزه از تجارت است که ابزار و روشهای فناوری اطلاعات و ارتباطات1 در آن به‌کار گرفته شده‌اند. اگر چه فناوری اطلاعات و ارتباطات در ابتدا در سیستمهای حسابداری پایه به‌کار گرفته شدند، طولی نکشید که ثابت شد که بسته‌های الگو‌سازی مالی در جنبه‌های تحلیلی حسابداری بسیار سودمند می‌باشند. پژوهشگران بر این عقیده بودند که سرعت وارد شدن فناوری اطلاعات و ارتباطات در حسابداری به‌صورت یک حرفه، به‌علت رویکرد محافظه‌کارانه شاغلان در این زمینه پایین تلقی می‌شود؛ اگر چه تا اواخر دهه 90 میلادی، شاغلان این حرفه مجبور شده بودند تا فعالیتهای خود را به‌منظور ارتقای بهره‌وری، ایستادگی در برابر رقابت و کاهش هزینه‌ها، کامپیوتری کنند (Manson et al., 1997; 2001). 

ابزار فناوری اطلاعات و ارتباطات به‌طور معمول در طیف وسیعی از وظایف ساده مثل محاسبات ریاضی تا وظایف پیچیده‌ای مثل تجزیه‌وتحلیل آماری و نمودار، استفاده می‌شوند. این ابزار شامل مجموعه برنامه‌های حسابرسی (متشکل از بسته‌های نرم‌افزاری استاندارد و نرم‌افزارهای خاص)، فهرست وارسی، الگوهای لاجیت (Logit)، برنامه‌های پرس‌وجو حسابرسی (با قابلیت تحلیل و بررسی کامل داده)، مولفه‌های یکپارچه نظارت بر حسابرسی (روشهای برنامه‌ریزی‌شده که داده حقیقی و شرایط انجام کار را دائما بررسی می‌کنند)، سیستمهای خبره و الگوهای کنترل داخلی که معمولاً برای شناسایی نقاط قوت و ضعف یک سیستم به‌کار می‌روند، می‌باشند. 

به‌علت پیشرفت مداوم در زمینه فناوری کامپیوتری، اغلب موسسه‌های بزرگ حسابرسی استفاده از هوش مصنوعی2 را در زمینه قضاوتهای3 حسابرسی به‌عنوان بخشی از سیستمهای یکپارچه اتوماسیون حسابرسی خود در نظر گرفته‌اند. تمهیدات فناوری اطلاعات و ارتباطات مثل تبادل الکترونیکی داده‌ها4، انتقال فایلهای الکترونیکی5 و پردازش تصویر به‌تدریج در حال جایگزینی روشهای سنتی حسابرسی و در نتیجه تغییر کامل کل فرایند حسابرسی می‌باشد. به‌رغم تغییر شکلی که حرفه حسابرسی در یک‌قرن‌ونیم اخیر تجربه کرده، هدف اصلی حسابرسی همچنان به‌صورت ارائه نظری مستقل برای اشخاص ثالث در مورد حقیقت و درستی اطلاعات صورتهای مالی ارائه‌شده توسط مدیریت و تطبیق این اطلاعات با معیارهای قابل اجرای حسابداری و مقررات مربوط، باقی‌ مانده است. بنابراین، حسابرسی متشکل از مجموعه اطلاعات فشرده‌ای درباره فعالیتهایی مثل جمع‌آوری، سازماندهی، پردازش، و ارزیابی داده به مقصود ارائه‌نظر (اظهارنظر)6 قابل اعتماد در مورد حسابها می‌باشد. این اظهارنظر نهایی حسابرسی معمولاً ترکیبی از قضاوتهای حسابرسی (بر پایه شواهد مرتبط، مقتضی، کافی و متقاعدکننده حسابرسی) در زمینه‌های گوناگون گزارشهای مالی می‌باشد. 

از آنجایی که سیستمهای کمک به تصمیم‌گیری مبتنی بر فناوری اطلاعات و ارتباطات هم‌زمان با فشار افزایش‌یافته بر حسابرسان برای ایفای نقشی موثرتر در کنترل و نظارت بر شرکتها، همچنان در دنیای کسب‌وکار مدرن مورد توجه می‌باشند، هدف از نوشتن این مقاله، بررسی تلاشهای پژوهشی عمده و بحثهای فعلی در مورد استفاده حسابرسی از طبقه‌ای از سیستمهای کمک به تصمیم‌گیری کامپیوتری و سیستمهای هوش مصنوعی می‌باشد. این بررسی با دیدگاهی برای پیامدهای آتی توسعه نرم‌افزاری و پژوهشی در این زمینه همراه است.
این بررسی به‌علت پیشرفتهای اخیر در زمینه سیستمهای هوش مصنوعی در آغاز دهه جدیدی از این هزاره نو، ضروری می‌باشد. همچنین، اغلب مطالعات موجود در زمینه حسابرسی فناوری اطلاعات، عموماً یا سیستمهای کمک به تصمیم‌گیری و یا جنبه‌ای از هوش مصنوعی را در نظر گرفته‌اند. در حالی‌که این تحقیق بر استفاده از دو نوع هوش مصنوعی عمده در حسابرسی، سیستمهای خبره7 و شبکه‌های عصبی8 تاکید دارد. قسمت بعد، استفاده از سیستمهای گوناگون بر پایه هوش مصنوعی را مشخص خواهد کرد.
 

حسابرسی و سیستمهای مبتنی بر هوش مصنوعی 

یک فرایند عادی تصمیم‌گیری، لزوماً باید دربرگیرنده سه مرحله اصلی تکراری باشد (Abdolmohammadi, 1987). این مراحل عبارتند از هوش (که شامل جمع‌آوری داده، شناسایی هدفها، تشخیص مشکلات، اعتبار داده‌ها و سازماندهی مشکلات می‌باشد)، طراحی (که شامل دستکاری داده، تعیین کمی هدفها، تولید جایگزینها و ارجاع ریسکها یا ارزشها به جایگزینها) و انتخاب (که شامل ایجاد آمار و ارقام در زمینه جایگزینها، شبیه‌سازی نتیجه‌های جایگزینها، تفسیر جایگزینها، انتخاب بین جایگزینها و تفسیر انتخاب). بنابراین هوش مصنوعی، بخش مهمی از خانواده سیستمهای کمک به تصمیم‌گیری می‌باشد که همچنان در حال توسعه و وارد شدن در فعالیتهای فنی و مدیریتی تجارت نوین و حرفه‌هایی از قبیل حسابرسی است. 

دالال (Dalal, 1999) پیش از این اظهار کرده است: 
“با افزایش چشمگیر جمعیت جهان و به‌علت پیچیدگی ماهیت معاملات، به‌کارگیری روشهای حسابرسی به‌صورت قابل توجهی به نرم‌افزار بستگی خواهد داشت. بنابراین، هوش مصنوعی و سیستمهای خبره مفید بوده و شاید در مدیریت حسابرسی امروزه اجتناب‌ناپذیر باشند.” 

برای تایید اظهارات دالال طی دو دهه اخیر، تلاش بی‌وقفه‌ای در زمینه توسعه سیستمهای بسیار پیچیده مبتنی بر هوش مصنوعی (به شکل سیستمهای خبره و شبکه‌های عصبی) برای کمک به حسابرسان در قضاوتهایشان صورت گرفته است (Abdolmohammadi & Usoff, 2001). هدف این سیستمها، کمک‌رسانی به حسابرسان برای تصمیم‌گیری بهتر از طریق توجه به تعصبها و غفلتهای احتمالی می‌باشد که معمولاً در فرایندهای تصمیم‌گیری انجام‌شده به روش دستی اتفاق می‌افتند. در شرایطی که عموم بر این باورند که به‌علت میزان تطبیق‌پذیری و حساسیت مورد نیاز برای این قضاوتها، این سیستمها را باید به‌صورت عوامل یا کمکهای صرف در اظهارنظر نهایی حسابرس درباره نتیجه‌های حسابرسی به‌کار گرفت. برخی از نتیجه‌های تجربی نشان می‌دهند که گاهی اوقات حسابرسان بیش از حد بر خروجی این سیستمها تکیه می‌کنند؛ اگر چه صرف‌نظر از ماهیت ابزار و روشهای مورد استفاده حسابرس قبل از رسیدن به تصمیمی (اظهارنظر) خاص، حسابرس در نهایت مسئول آن قضاوت می‌باشد. از آنجایی که این موردی است که در آن حسابرسان به سایر کارشناسان (کارشناسانی مثل قیمتگذاران املاک و مشاورین حقوقی) برای ایجاد شواهد حسابرسی به‌صورت پایه‌ای برای نظرهای حسابرسی تکیه می‌کنند، ابزار هوش مصنوعی مورد پذیرش حسابرسان صرفاً به‌صورت عوامل به‌کار گرفته‌شده برای انجام یک وظیفه مشخص در نظر گرفته می‌شوند. مسئولیت تضمین ارتباط، اعتبار، و کارایی این ابزار در زمینه هدف تعیین‌شده، بر عهده خود حسابرس می‌باشد. همچنین، استفاده از سیستمهای مبتنی بر هوش مصنوعی در رسیدن به یک نظر، مانند شمشیری دو لبه می‌باشد. حسابرس می‌تواند مسئول استفاده نامناسب از سیستم نوین کمک به تصمیم‌گیری در ارائه قضاوتی باشد که مشخص می‌شود نادرست است؛ همان‌طور که او می‌تواند مسئول ارائه قضاوت نادرستی شود که از مبنا قرار دادن نظرش تنها بر اساس یک سیستم خبره، به‌دست آمده است (Ashton, 1990؛Sutton et al., 1994). 

مزایای گوناگون قابل حصولی در زمینه استفاده حسابرسان از سیستمهای مبتنی بر هوش مصنوعی برای حسابرسی شناسایی شده است. این مزایا شامل بازدهی و کارایی، ثبات ساختاری برای فعالیتهای حسابرسی، تصمیم‌گیری و ارتباطهای بهبودیافته، آموزش ارتقایافته به کارکنان، توسعه مهارت برای تازه‌کارها و تصمیم‌گیری در زمان کوتاهتر می‌باشند. با وجود این، موارد زیر به‌عنوان معایب احتمالی به‌کارگیری سیستمهای مبتنی بر هوش مصنوعی شناسایی شده‌اند؛ فرایندهای تصمیم‌گیری طولانی‌مدت به‌علت کشف جایگزینهای بیشتر، هزینه کلان زیربنایی، به‌روزرسانی و حفظ سیستمها، جلوگیری از ایجاد پایگاه دانش تازه‌کارها، جلوگیری از گسترش مهارتهای تخصصی قضاوت، ریسک انتقال ابزار به رقبا و احتمال استفاده از این ابزار در حسابرسی در برابر یک مرجع قانونی به جهت اتکای بیش از حد بر شواهد سیستمهای کمک به تصمیم‌گیری. 

با نگاهی به توسعه و تاثیر هوش مصنوعی در حسابرسی و با در نظر گرفتن نوشته‌های کنونی، با دیدگاهی کلی، بررسی مفصل مولفه‌های مشخص (سیستمهای خبره و شبکه‌های عصبی) مورد پذیرش حسابرسان، ضروری می‌باشد. 
 

سیستمهای خبره 

یکی از تلاشهای اولیه در جهت تفسیر معنای سیستمهای خبره، توسط گروه انجمن تخصصی کامپیوتر بریتانیا صورت گرفت. این گروه، یک سیستم خبره را به این صورت تعریف کرده است (Connell, 1987):

“سیستم خبره تجسمی است از مهارت یک کارشناس در درون کامپیوتری با اجزای مبتنی بر دانش، به‌شکلی که این سیستم قادر باشد تا پیشنهادی هوشمندانه ارائه بدهد یا تصمیمی هوشمندانه در مورد پردازش یک عملکرد بگیرد. یکی دیگر از ویژگیهای مطلوب که ممکن است بسیاری آن ‌را بنیادی تلقی کنند، قابلیت سیستم بر حسب تقاضا برای توجیه محدوده استدلال خود به روشی است که برای جستجوگر به‌وضوح قابل درک باشد. سبک مورد اتخاذ برای دست یافتن به این ویژگیها، برنامه‌نویسی بر اساس قوانین می‌باشد.” 

آرنولد و همکاران (Arnold et al., 2004)، سیستمهای خبره را به‌صورت سیستمهای نرم‌افزاری تعریف کردند که تخصص یک یا چند نفر از کارشناسان را در حوزه تصمیم‌گیری خاص برای ارائه پیشنهادی خاص در مورد مجموعه‌ای از مسائل، ترکیب می‌کنند و کاربر را در تصمیم‌گیری بهتر نسبت به حالتی که بدون کمک باشد، یاری می‌رسانند. سیستم خبره، ترکیبی از سیستم و فرایندی است که برای نسخه‌برداری از قضاوتهای کارشناسان طراحی شده است. این سیستم نسبت به سایر سیستمهای کامپیوتری متمایز می‌باشد زیرا از ویژگیهای خاصی مانند دقت و قابلیت کاربردی بهره‌مند است (Baldwin-Morgan & Stone, 1995).

در نوشته‌های اینینگ و همکاران (Eining et al., 1997): “سیستمهای خبره نسبت به سیستمهای سنتی کمک به تصمیم‌گیری از دو جنبه اساسی متفاوتند. اول اینکه این سیستمها بر دانش متکی‌اند و عموماً به‌جای راه‌حلهای الگوریتمی، براساس قوانین به‌وجود می‌آیند. دوم اینکه این سیستمها دستیابی به پایگاه علمی برای استفاده کاربر از سیستم کمک به تصمیم‌گیری را میسر می‌سازند. همچنین، نرم‌افزار سیستم خبره پیشرفته قابلیتهای فراوانی جهت افزایش ارتباط بین کاربر و سیستم ارائه می‌دهد.” استفاده‌های اولیه از هوش مصنوعی در دهه 1930 میلادی، بر دستکاری اشیای فیزیکی از طریق دستگاههایی که تحت کنترل برنامه بود، تمرکز داشت، اما این برنامه‌ها از مزایای تجاری و عملی اندکی برخوردار بودند. 

دولتهای کشورهای مختلف از طریق تلاشهای جمعی خاص از اساتید دانشگاهی و صنعتگران، به رسیدگی به این محدودیتها پرداختند. نمونه‌هایی از این تلاشها، تلاشهای هیئت ژاپنی در زمینه نسل جدید فناوری کامپیوتری و برنامه الوی9 انگلیسی بود که هر دو در سال 1982 صورت گرفتند. برنامه الوی بر چهار حوزه گسترده پژوهشی شامل مهندسی نرم‌افزار، یکپارچگی در مقیاس بسیار بزرگ، ارتباط انسان- ماشین و سیستمهای هوشمند بر پایه دانش می‌باشند (Connell, 1991). این پژوهش برجسته در زمینه سیستمهای خبره مبتنی بر دانش، از مشارکت بانکهای بزرگ و موسسه‌های حسابرسی در زمینه توسعه سیستمی هوشمند، الفکس10 (سیستم خبره مالی برنامه الوی)، بهره گرفت. اگرچه تلاشها در مورد برنامه الوی در نیمه راه قطع شد، تجربه‌ و نتیجه‌های حاصل از مشارکت موسسه‌های حسابرسی برای جامعه پیشگامان اروپایی (مانند اسپریت11) مفید بود. همچنین، تجربه اولیه این شرکتها را به گسترش سیستمهای خبره داخلی برای جنبه‌های گوناگون روند کاری حرفه‌شان ترغیب نمود (Connell,1991). 

انتظار می‌رود که سیستم خبره موثر، مزایای متعددی را برای حرفه حسابرسی فراهم سازد. این مزایا شامل درک فرایندهای کاری، دانش افزایش‌یافته و انتقال‌پذیری دانش می‌باشند. اینها دلایلی هستند که اغلب موسسه‌های حسابرسی، به‌خصوص موسسه‌ةای بزرگ، به گونه‌ای چشمگیر سیستم خبره را در حوزه‌های متعددی از فعالیتهایشان به‌کار می‌گیرند (Brown, 1991).

همچنین، در مورد استفاده از سیستمهای خبره توسط حسابداران بریتانیا، امریکا و کانادا تحقیقی صورت گرفته که نشان داده است بیشترین تعداد از سیستمهای خبره که توسط موسسه‌های حسابرسی توسعه‌یافته مربوط به حسابرسی است. سیستم خبره به‌کاررفته در حسابرسی به‌عنوان سیستم دربرگیرنده‌ای مشخص شده که برنامه‌ریزی حسابرسی12، آزمون رعایت13، آزمون محتوا14، اظهارنظر، گزارش‌دهی15 و تصمیمهای مربوط به تعامل مشتریان حسابرسی را مورد حمایت قرار می‌دهد. سایر مطالعات در زمینه استفاده حسابرسان از سیستمهای خبره در سه بخش فرعی بعدی مورد بررسی قرار می‌گیرند. 


الگوهایی برای ارزیابی تاثیر استفاده حسابرسان از سیستمهای خبره 

بالدوین- مورگان و استون (Baldwin-Morgan and Stone, 1995)، چارچوبی دو بعدی را (الگو ماتریسی16) با توجه به تاثیر به احتمال زیاد سیستمهای خبره بر موسسه‌های حسابرسی، پیشنهاد کردند. این ماتریس از یک طرف شامل سطوح تاثیر (صنعت، سازمان، فرد و فعالیت) و از طرف دیگر در برگیرنده رده‌های تاثیر (کارایی، بازدهی، تخصص، آموزش و محیط) بود. علت انتخاب سطوح گوناگونی از تاثیر، این واقعیت بود که تمامی انواع فعالیتها یا صنایع می‌توانند تحت تاثیر سیستمهای خبره واقع بشوند. بنابراین، پژوهش صورت‌گرفته توسط بالدوین- مورگان و استون (1995) با در نظر گرفتن عوامل احتمالی مشخص، چارچوبی موثر را برای بررسی تاثیر فناوری اطلاعات و ارتباطات بر روند حسابداری ارائه کرد (فعالیت، صنعت، وسعت و محیط). 

تحقیق صورت‌گرفته توسط بالدوین- مورگان و استون (1995)، می‌توانست الگویی را برای ارزیابی تاثیر سیستمهای خبره بر سازمانها و افرادی که از این سیستمها استفاده می‌کنند، ارائه دهد. این الگو کاملاً برعکس موارد یافت‌شده در سایر تحقیقهای پیشین است که تنها در مورد چگونگی کارکرد این سیستمها و علت ساخت آنها یا در بهترین حالت آثار بالقوه این سیستمها بر حسابرسی به بحث می‌پرداختند. این الگو در مطالعات تجربی پیشین بر اساس تاثیر سیستمهای خبره حسابرسی و سیستمهای خبره حسابداری برای مدیران که مانند سابق در نوشته‌ها موجود می‌باشد، ایجاد شد. بنابراین، این پژوهش الگویی کاملاً نظری را با بینشهای تجربی ترکیب کرد. 

دیلارد و یوتاس (Dillard and Yuthas, 2001) به‌تازگی دیدگاه کاملاً نوینی را در مورد تاثیر استفاده از سیستمهای خبره در حسابرسی با در نظر گرفتن موارد اخلاقی ذاتی در کاربرد این سیستمها در روند حسابرسی، مطرح کرده‌اند. این مطالعه، تئوری «خودمسئول» نیبور را برای پشتیبانی از محدوده تشکیل‌دهنده یک مورد اخلاقی و به‌عنوان چارچوبی برای شناسایی اقدام مسئولانه برای در نظر گرفتن همیشگی تعاملات مداوم در بین گروه سهامدارانی که تحت تاثیر پیاده‌سازی سیستمهای خبره می‌باشد، اتخاذ کرد. همچنین، در این تحقیق اشاره شده است که این ساختار باید برای ارزیابی اقدامهای سهامداران قبل از ایجاد سیستم همراه با پیامدهای بالقوه برای سیستم به‌کار برود. 


مزایای استفاده از سیستمهای خبره در حسابرسی 

آرنولد و همکاران، تاثیر کمکهای تصمیم‌گیری را بر ارزیابی تصمیم‌گیران تازه‌کار و متخصص مورد بررسی قرار دادند. این بررسی نشان می‌دهد که ترکیب مناسبی از کاربر و کمک می‌تواند کیفیت تصمیم تصمیم‌گیرندگان متخصص را ارتقا دهد؛ اما ممکن است تصمیم‌گیرندگان مبتدی در صورت تخصصیتر بودن کمکهای تصمیم‌گیری هوشمند نسبت به کاربر، در معرض تصمیم‌گیریهای ضعیفتر قرار بگیرند. در این پژوهش، رویکردی تجربی در مورد دو گروه از شاغلین ورشکسته متخصص و تازه‌کار که از یک نرم‌افزار کمک تصمیم‌گیری به نام (اینسالو17) استفاده می‌کردند، اتخاذ شد.

اینینگ و در (Eining & Dorr, 1991)، تحقیق یادگیری تجربی را با استفاده از 191 نفر از دانشجویان مقاطع تحصیلات تکمیلی حسابداری و با نگرشی به سمت بررسی تاثیر یک سیستم خبره بر کسب دانش تجربی برای انجام فعالیت به‌عنوان تصمیم‌گیران تازه‌کار حسابرسی در ارزیابی شایستگی یک سیستم کنترل داخلی، انجام دادند. این بررسی نشان داد که از میان چهار گروه که موضوعهای پژوهشی در مورد آنها برای این فعالیت طبقه‌بندی شدند (بدون کمک تصمیم‌گیری، پرسشنامه، سیستمهای خبره بدون قابلیت توضیحی، و سیستمهای خبره با قابلیت توضیحی)، شرکت‌کنندگان دو گروه از سیستمهای خبره را دارای عملکرد بهتری نسبت به دو گروه دیگر، تعیین کردند. 

تحقیق اینینگ و در (1991) بر مبنای چارچوبی کاملاً نظری، یعنی تئوری یادگیری شناختی بود که در روانشناسی مشهور است. این چارچوب با اصولی مناسب ترکیب شده، تجربیات آزمایشگاهی را کنترل کرده و نتیجه‌های این پژوهش یکی از اولین بینشها را برای شرکتهایی که مبادرت به استفاده از سیستمهای خبره برای حسابرسان تازه‌کار نموده‌اند، ارائه داده است. 

چنگچیت و هولساپل (Changchit and Holsapple, 2004)، سیستم خبره مشابهی را ایجاد و مورد ارزیابی قرار دادند که می‌توانست در ارزیابی اثربخشی کنترل داخلی، موثر واقع شود. 


ارزیابی تاثیر سیستمهای خبره بر انواع گوناگون حسابرسی 

اینینگ و همکاران (1997) به استفاده از کمکهای تصمیم‌گیری در فرایندهای پیچیده تصمیم‌گیری در مورد ارزیابی ریسک تقلب مدیریت پیامد کردند. در این تحقیق، رویکرد تجربه آزمایشگاهی را در مورد 96 حسابرس برای بررسی استفاده از یک سیستم خبره به جهت ارتقای تعامل کاربر اتخاذ شد. در مقایسه با استفاده از چک‌لیستها و الگوی آماری لوجیت که تنها ارزیابی ذکرشده را ارائه می‌دهند، نتیجه‌های این تحقیق نشان می‌دهند که استفاده از سیستمهای خبره، توانایی حسابرسان را برای وجه تمایز قائل شدن هر چه بهتر بین شرایط با سطوح متفاوت ریسک تقلب مدیریت، ارتقا می‌دهد. بنابراین، سیستمهای خبره در این پژوهش در ظاهر از لحاظ فناوری پیشرفته‌ترین سیستم بوده و ابزاری با میزان دقت بالاتر را برای ارزیابی این ریسک ارائه می‌دهد. 

پژوهش صورت گرفته توسط اینینگ و همکاران (1997)، یکی از معدود پژوهشهایی است که تاثیر سه مورد از موارد کمک تصمیم‌گیری را (چک‌لیستها، الگوهای آماری و سیستمهای خبره) در قضاوت حسابرسان در مورد ریسک تقلب مدیریتی مورد مقایسه قرار داده است. همچنین، در شرایطی که در این مطالعه گنجانیدن سازوکار ارتباطی سازنده‌ای در استفاده از سیستمهای خبره، دانش را در این حوزه بیش از پیش ارتقا می‌دهد، شاید به‌کارگیری یک تجربه آزمایشگاهی در این تحقیق، نگرشی واقع‌گرایانه را در مورد پدیده تحت بررسی به‌خصوص از آنجایی‌که این پدیده یک اتفاق بود، ارائه نکرده باشد. همچنین، شاید استفاده یک شرکت کاملاً سازمان‌یافته از جایگاه شش موسسه بزرگ، پایه مناسبی را که از طریق آن بتوان نتیجه‌های مطالعه را تعمیم داد، تشکیل ندهد. پاتاک و همکاران (Pathak et al., 2005)، با استفاده از سازوکار مشابه در درون یک صنعت خاص، بیمه، ریاضیات فازی را با فناوری سیستمهای خبره ترکیب کردند تا سیستمی را طراحی کنند که قادر باشد عناصر تقلب را در زمینه پرداخت خسارت بیمه شناسایی کند. 

سوینی (Swinney, 1999)، اتکا بر سیستمهای خبره را که برای کمک به حسابرسان در ارزیابی ذخایر وام توسط یکی از شش موسسه بزرگ حسابرسی آن زمان ایجاد شده بودند، مورد بررسی قرار داد. این تحقیق در مطالعات قبلی بنا نهاده شده بود، مطالعاتی که “مشخصاً به نتیجه‌گیری معکوسی رسیده بودند و اتکای بیش از حد و اتکای کمتر را بر سیستمهای خبره مورد تایید قرار می‌دادند.” بنابراین، تحقیق سوینی (1999) به دو مورد از پرسشهای پژوهشی در درون فضای اجتماعی موسسه حسابرسی، ختم شد. این پرسشها از این قرارند: 

1. آیا حسابرسان در شکل‌گیری قضاوتشان در مورد ذخایر از دست‌رفته وام، به خروجی سیستمهای خبره بیش از حد اتکا می‌کنند؟ 
2. آیا حسابرسان بر خروجی منفی سیستم خبره بیشتر از خروجی مثبت آن در شکل‌گیری قضاوتشان در مورد ذخایر وام از دست‌رفته، تاکید دارند؟ 

سوینی از مباحث تجربی و نظری مربوط درباره زمینه‌های اجتماعی سازمانی و عواملی که می‌توانند منجر به اتکای بیش از حد یا کمتر از حد بر سیستمهای خبره توسط شرکتهای حسابداری شوند، نتیجه‌گیری کرد. از این مباحث، دو فرضیه شکل گرفتند. در فرضیه اول، سوینی سعی کرد تا به بررسی این مورد بپردازد که “ قضاوت در مورد ذخایر از دست‌رفته وام که با در نظر گرفتن خروجی منفی سیستم خبره توسط حسابرسان ارائه شده، با قضاوت در مورد ذخایر از دست‌رفته وام که با در نظر گرفتن خروجی مثبت سیستم خبره توسط حسابرسان ارائه شده، چه شباهتی دارد.” در فرضیه دوم، به بررسی شباهت بسیار زیاد تصمیمهای پیرامون ذخایر از دست‌رفته وام که توسط حسابرسان با در نظر گرفتن خروجی منفی سیستم خبره ارائه شده، تصمیمهای پیرامون ذخایر از دست‌رفته وام که توسط حسابرسان با در نظر گرفتن خروجی مثبت سیستم خبره داده شده و تصمیمهای پیرامون ذخایر از دست‌رفته وام که توسط حسابرسهایی ارائه ‌شده که خروجی هیچ‌گونه سیستم خبره‌ای را در نظر نگرفته‌اند، پرداخته شد. 

این تحقیق، از روش پژوهشی تجربه آزمایشگاهی برای جمع‌آوری شواهد تجربی به جهت آزمون فرضیه‌ها در نمونه کوچکی از بررسی موردی استفاده کرد؛ در شرایطی که داده جمع‌آوری‌شده با استفاده از آزمونهای آماری غیرپارامتری مورد تحلیل قرار گرفت. نتیجه‌های به‌دست‌آمده، اتکای بیش از حد بر نتیجه‌های سیستم خبره و تاثیر بیشتر خروجی منفی سیستم خبره را مورد تایید قرار داد. 

این تحقیق، دانش کافی را در مورد موارد موجود در این تحقیق از طریق ایجاد تطابق بین مباحث نظری و تجربی و یافته‌های تحقیق، ارائه می‌دهد. اگرچه، همان‌طور که مولف تشخیص داده، حجم نمونه این تحقیق که فقط شامل 29 حسابرس است، به‌نظر برای تحقیقی با این میزان اهمیت محدود به‌نظر می‌آید. همچنین، از آن‌جایی که خروجی واقعی یک سیستم خبره که توسط یکی از شش موسسه حسابرسی مشغول به ‌کار وقت ایجاد شده، برای شرکت‌کنندگان حاضر در این تحقیق (از سه موسسه متفاوت) به‌کار رفته، این احتمال وجود دارد که تعدادی از شرکت‌کنندگان از قبل با سیستمهای خبره به‌کاررفته در این تحقیق آشنا بوده‌اند. این مسئله، احتمال پیش‌داوری را افزایش داده و ممکن است روی نتیجه‌های اثرگذار باشد. با این وجود، این تحقیق توانست روند کاری را با تئوری اجتماعی و فناوری مربوط برای رسیدن به هدف کوچکی که قصد رسیدن به آن را داشت، ترکیب کند. اگرچه، بررسی می‌توانست نسبت به استفاده از روشهای تجربی در جمع‌آوری داده‌های مربوط اتخاذ تصمیم در دنیای واقعی و با استفاده از نرم‌افزار، به واقعیت نزدیکتر باشد.

افزون بر تحقیقهای ذکرشده، تعدادی از مطالعات پیشین به بررسی کاربردهای سیستمهای خبره در سایر حوزه‌های حسابرسی پرداخته و نشان داده‌اند که یک سیستم خبره منطق فازی، چگونه ارزیابی ضرورت و در نظر گرفتن عوامل کیفی مربوط را برای حسابرسان میسر می‌سازد. زبدا و مک ایچام (Zebda and McEacham, 2008)، منطق فازی را به‌عنوان چاره‌سازی احتمالی برای کاستیهای معین منطق احتمالاتی به‌کاررفته در سیستمهای خبره برای رسیدگی به عدم قطعیت، مورد تایید قرار دادند؛ در حالی که مرفی (Murphy, 2008) بر مبنای مواردی از وضعیت شرکتهای امریکایی که از مشکلات مالی رنج می‌بردند، قوانین مربوط به تصمیم‌گیری را ارائه کرد که با سیستمی خبره برای ارزیابی حسابرسان از وضعیت موفقیت‌آمیز یک نهاد، مطابقت داشت. از آنجایی که حسابرسی مالی، در واقع مجموعه‌ای از تصمیمهای متصل به هم است که هر یک نیازمند قضاوت تخصصی می‌باشند، ایجاد یک سیستم خبره حسابرسی مالی با قابلیتهای فناوری موجود، فعالیتی پیچیده و مشکل خواهد بود. بنابراین، موسسه‌ةای حسابرسی و محققان، مجبور به ایجاد سیستمهای خبره برای فعالیتهای گوناگون با دقت تعیین‌شده در حوزه حسابرسی می‌باشند. با این وجود، گری و همکاران (Gray et al., 1991) با در نظر گرفتن پیشرفت تکاملی مداوم، سیستم خبره مرکب فراتر از سطحی را با کمک فناوریهای در حال ظهور مثل سیستم تخته‌سیاه برای تسهیم اطلاعات بین سیستمهای خبره فردی در زمینه فناوری، پیش‌بینی کردند. در بخش بعدی، به بحث پیرامون مطالعات مربوط به شکل دوم هوش مصنوعی (همانطور که در بخش مقدمه مشخص گردید)، یعنی شبکه‌های عصبی می‌پردازیم. 
 

شبکه‌های عصبی 

یک شبکه عصبی، شکلی از هوش مصنوعی است که سعی در پیروی از هوش انسان دارد. این شبکه متشکل از مجموعه‌ای از واحدهای به‌هم‌پیوسته (پردازش عناصر) می‌باشد که به‌صورتی مجزا در مقابل مجموعه‌ای از علامتهای ورودی که به سمت آنها ارسال شده‌اند، واکنش نشان می‌دهند. شبکه‌های عصبی در زمینه پیش‌بینی بر اساس پایگاه داده بزرگی مربوط به رویدادها و وقایع گذشته، موثر هستند. از آنجایی که قضاوتهای (اظهار نظر) حسابرس بر اساس شواهد به‌دست‌آمده از سوابق تاریخی حسابداری هستند، نمی‌توان بیش از حد بر کاربردپذیری شبکه‌های عصبی در زمینه ارزیابی روندها و الگوها با رویکردی به سمت ارائه قضاوت حسابرسی، تاکید کرد. در زیر، مروری بر مطالعات صورت‌گرفته در زمینه حسابرسی بر مبنای فناوری اطلاعات ارائه شده که مربوط به شبکه‌های عصبی است. 

گرین و چوی (Green & Choi, 1997)، الگو طبقه‌بندی تقلب شبکه‌های عصبی را برای ارزیابی ریسک تقلب مدیریت با استفاده از داده‌های داخلی مالی و از طریق ارزیابی پیش‌بینی‌های روند تحلیلی، ارائه دادند. این الگو به جهت ترغیب حسابرس برای انجام آزمایشی مهم به محض مشاهده دسته‌بندی هر گونه گزارش مالی به شکل فریب‌آمیز، طراحی شد. اگرچه هیچ‌یک از نوشته‌های در دسترس، این الگو پیشنهادی را تایید نکردند. بل و کارسلو (Bell and carcello, 2000) با استفاده از نمونه 77 موردی از شرکت در تقلب و 305 موردی از عدم شرکت در تقلب، الگو رگرسیون استدلالی را ارائه کردند که احتمال گزارش مالی فریب‌آمیز را برای یک مشتری حسابرسی بر مبنای عوامل مشخص ریسک تقلب مثل محیط ضعیف کنترل داخلی، پیشرفت سریع شرکت، سوددهی نسبی نامناسب و دروغگویی مدیریت به حسابرسان یا طفره رفتن آشکار در بین سایرین، پیش‌بینی می‌کرد. 

نتیجه‌های این تحقیق نشان می‌دهند که این الگو به‌گونه‌ای چشمگیر از قضاوت حسابرسان در مورد ریسک برای 77 مورد شرکت در تقلب دقیقتر بود؛ در حالیکه اختلاف زیادی در نمونه‌های بدون تقلب دیده نشد. هرچند احتمالاً این الگو با در نظر گرفتن تلفیق عوامل اصلی ریسک موثر می‌باشد، کاربرد آن در سازمانهای بزرگ نسبت به شرکتهای کوچک‌ومتوسط به‌علت پیچیدگیهایش، مناسبتر خواهد بود. لین و همکاران (Lin et al., 2003) به همین نحو، تاثیر یک شبکه عصبی فازی جامع را برای ارزیابی ریسک گزارش مالی فریب‌آمیز به‌صورت جایگزینی برای الگوهای آماری موجود و شبکه‌های عصبی مصنوعی، مورد بررسی قرار دادند. این تحقیق توانست به هدف مورد نظرش دست یابد که این هدف، بررسی اثربخشی فناوری‌های اطلاعات مثل سیستم جامعی از شبکه‌های عصبی و منطق فازی در تشخیص تقلب بود. جدا از اینکه این الگو از الگوهای آماری معمولی یا شبکه‌های عصبی مصنوعی پیچیده‌تر بود، استفاده از این الگو توسط موسسه‌ةای مشغول به کار، به‌صورت مبهم باقیمانده است. 

کوه (Koh, 2004)، از طریق تحلیل روابط غیرخطی پیچیده، سودمندی روشهای داده‌کاوی مثل شبکه‌های عصبی، درختهای تصمیم و رگرسیون لجستیک را در پیش‌بینی وضعیت موفقیت‌آمیز یک شرکت، مورد بررسی قرار داد. در این تحقیق، این نتیجه حاصل شد که این روشها می‌توانند حسابرسان را از شرمساری ناشی از ارائه یک رای نامناسب در مورد شرکتهای در معرض فروپاشی، نجات دهند. از بررسیهای قبلی می‌توان پی برد که از میان تحقیقهای پیشینی که به کاربرد شبکه‌های عصبی در حسابرسی مربوط هستند، سه مورد بر طراحی و بررسی الگوهای شبکه‌های عصبی برای قضاوت حسابرسان در مورد ریسک تقلب مدیریت، تاکید دارند. پس می‌توان چنین نتیجه‌گیری کرد که شبکه‌های عصبی می‌توانند در کاهش کنترل و کشف خطرها مفید باشند؛ در حالی‌که توانایی حسابرسان را برای پیش‌بینی و کشف تقلبها در گزارشهای مالی، ارتقا می‌بخشند. پیامد این امر، نقش افزایش‌یافته حسابرسان در نظارت بر سازمان می‌باشد.

شکل 1 نمونه‌ای از یک شبکه عصبی را نشان می‌دهد. در این شبکه لايه ورودى، ارزشهاى ورودى را از محيط خارجی شبكه عصبی دريافت می‌كند. لايه خروجی، ارزشهاى خروجی را به محيط خارجی شبكه عصبی ارائه می‌كند. لايه پنهان، علامتهای ورودى را گرفته و با ارزشهاى موجود در حافظه داخلی خود مرتبط می‌سازد. شبكه‌هاى عصبی از مثالهایی كه توسط محيط به آن ارائه می‌شود، آموزش می‌بينند و ياد می‌گيرند؛ در ظاهر درست مشابه آنچه در مغز انسان رخ می‌دهد، اما در مقياسی متفاوت.
 
 

حوزه‌های پیشنهادی برای تحقیقهای آینده و توسعه نرم‌افزار

بررسیهای پیشین نشان داد که مجموعه نوشته‌های حاضر در زمینه استفاده از هوش مصنوعی در حسابرسی، از سه منظر مورد بررسی قرار گرفته است. برخی از این تحقیقها، روی عملی بودن تعدادی از الگوهای پیشنهادی مبتنی بر هوش مصنوعی در مورد انواع مشخصی از فعالیتهای حسابرسی تاکید داشته‌اند و برخی بر بررسی ساختارهای نظری تاکید داشته‌اند می‌توان آنها را برای درک تاثیر هوش مصنوعی بر حسابرسی مورد استفاده قرار داد؛ در شرایطی که سایر تحقیقها مزایا و معایب نسبی استفاده از این سیستمها را در حسابرسی مورد بررسی قرار داده‌اند. هرچند مجموعه نوشته‌های حاضر، هنوز باید چندین حوزه مهم را تحت پوشش قرار دهند. این حوزه‌ها شامل ارزیابی هزینه‌های مالی و مزایای سیستمهای هوش مصنوعی در حسابرسی به‌صورت خاص در این جو اقتصادی کنونی، پیامد دعاوی قضایی استفاده از این سیستمها در عمل بر مبنای تجربیات واقعی گذشته شرکتهای حسابرسی، پیامد استفاده از این سیستمها برای فعالیتهای شرکتهای کوچک‌ومتوسط و بقا، آموزش حسابرسی، حسابرسی سازمانهای بخش عمومی، استقلال حسابرس و شکاف بین انتظارها و عملکرد حسابرسی، می‌باشند.

بنابراین، این شکافها برای انجام تحقیقهای آینده در این حوزه مورد توجه قرار گرفته‌اند. تلاشهای بیشتر پژوهشی نیز برای کشف چگونگی تاثیر روند کنونی استفاده حسابرسان از هوش مصنوعی بر آموزش حسابرسان از منظر بررسیهای تخصصی و توسعه مداوم تخصصی مورد نیاز هستند. تاثیر این روند بر استانداردهای حسابرسی با تمرکزی ویژه به شواهد حسابرسی نیز در تحقیقهای آینده نشان داده خواهد شد. سایر حوزه‌های مورد نظر نیز می‌توانند شامل ارزیابی میزان کنونی استفاده حسابرسان داخلی از هوش مصنوعی در طراحی و نظارت بر سیستمهای کنترل داخلی در سیستمهای تجاری کامپیوتری باشند. در نهایت، تحقیقهای آینده می‌توانند به ارزیابی پیامدهای استفاده از هوش مصنوعی در اثربخشی انجمن حسابرسی بپردازند. آیا انجمن حسابرسی می‌تواند قضاوتهای حسابرسان را در زمانی که این قضاوتها تحت پشتیبانی سیستمهای هوش مصنوعی هستند، درک کرده و به چالش بکشد؟

از نظر حوزه‌های پیشنهادی برای تحقیقهای آینده، در حال حاضر پیش‌بینی شده که موسسه‌های حسابرسی، به‌ویژه موسسه‌های بزرگ، همچنان مشغول به سرمایه‌گذاری روی سیستمهای خبره و شبکه‌های عصبی که برای کاهش ریسک حسابرسی‌شان، خاص صنعت و خاص فعالیت حسابرسی باشند. همچنین، شرکتهای بزرگ چندملیتی می‌توانند عملکرد حسابرسی داخلی خود را تا سطح استفاده از این سیستمها برای تحکیم سیستمهای کنترل داخلی خود و کاهش ریسکهای تجاری، ارتقا بدهند.

همچنین، پیش‌بینی شده که سیستمهای هوشمند برای افزایش آموزش و تربیت آینده حسابرسان ایجاد شوند.
 
نتیجه‌گیری
این مقاله، فرایندهای تکاملی سیستمهای هوش مصنوعی را در حسابرسی از نظر مزایای فراوان این سیستمها و تعدادی از معایب شناسایی‌شده در مجموعه نوشته‌‌های حاضر را ترسیم کرد. همچنین، این مقاله به بحث پیرامون اهمیت استفاده حسابرسان از سیستمهای هوش مصنوعی در رسیدن به قضاوت حسابرس پرداخت. این مقاله به‌گونه‌ای خاص به بررسی تلاشهای پژوهشی در مورد استفاده از سیستمهای خبره و شبکه‌های عصبی در حسابرسی و پیامدهای وابسته به آن پرداخت. مطالعات پیشین به روشی مورد بررسی و تلفیق قرار گرفته که خلاء پژوهشی خاصی را مشخص ساخت. تحقیقهای آینده در این حوزه این خلاء را پر خواهند کرد.

این حوزه‌ها شامل انطباق مزایای اتخاذ این عوامل هوشمند با هزینه‌های آنها، ارزیابی تاثیر هوش مصنوعی بر طراحی و نظارت بر سیستمهای کنترل داخلی و همچنین کارایی انجمن حسابرسی، پیامدهای استفاده از این سیستمها برای فعالیتهای شرکتهای کوچک‌ومتوسط حسابرسی و بقا، آموزش حسابرسی، حسابرسی سازمانهای بخش عمومی، استقلال حسابرس و شکاف بین انتظارها و عملکرد حسابرسی می‌باشند. همچنین این مقاله پیشنهادهایی برای توسعه نرم‌افزاری در آینده در این زمینه‌ها می‌دهد.
پی نوشت و منابع ...

پی نوشت:

1- Information and Communications Technology (ICT)
2- Artificial Intelligent (AI)
3- Judgement
4- Electronic Data Interchange (EDI)
5- Electronic File Transfer (EFT)
6- Opinion
7- Expert System (ES)
8- Neural Networks (NN)
9- Alvey
10- Alfex
11- Espirit
12- Audit Planning
13- Compliance
14- Substantie Testing
15- Reporting
16- Matrix Model
17- Insolve
منابع:

• البرزی محمود، آشنایی با شبکه عصبی، تهران: دانشگاه صنعتی شریف،‌انتشارات علمی، چاپ دوم، 1396
• Abdolmohammadi M., Decision Support and Expert Systems in Auditing: A Review and Research Directions, Accounting and Business Research, 173, 185 (Spring), 1987
• Abdolmohammadi M. & C. Usoff, A Longitudinal Study of Applicable Decision Aids for Detailed Tasks in a Financial Audit, International Journal of Intelligent Systems in Accounting, Finance and Management, 10, 2001, 139–154
• Arnold V., P.A. Collier, , S.A. Leech, & S.G. Sutton, Impact of Intelligent Decision Aids on Expert and Novice Decision-makers’ Judgements, Accounting and Finance, 44, 2004, 1–26
• Ashton R.H., Pressure and Performance in Accounting Decision Settings: Paradoxical Effects of Incentives, Feedback and Justification, Journal of Accounting Research, 28, 1990, 148–186
• Baldwin-Morgan A.A. & M.F. Stone, A Matrix Model of Expert Systems Impacts, Expert Systems with Applications, 9(4), 1995, 599–608 
• Bell T.B. & J.V. Carcello, A Decision Aid for Assessing the Likelihood of Fraudulent Financial Reporting, Auditing: A Journal of Practice and Theory, 19(1), 2000, 169–182 
• Brown C.E., Expert Systems in Public Accounting: Current Practice and Future Directions, Expert Systems with Applications, 3(1), 1991, 3–18
• Connell N.A.D., Expert Systems in Accountancy: A Review of Some Recent Applications, Accounting and Business Research, 17(67), 1987, 221–233
• Connell N.A.D., Artificial Intelligence and Accounting, in B.C. Williams & B., 1991
• ChangChit C. & C.W. Holsapple, The Development of Expert System for Managerial Evaluation of Internal Controls, Intelligent Systems in Accounting, Finance and Management, 1212, 2004, 103-120
• Dalal C., Using an Expert System in an Audit: A Case Study of Fraud Detection, IT AUDIT, 2(May 15), 1999
• Dillard J.F., & K. Yuthas, A Responsibility Ethic for Audit Expert Systems, Journal of Business Ethics, 30(4), 2001, 337 
• Eining M.M., & P.B. Dorr, The Impact of Expert System Usage on Experiential Learning in an Auditing Setting, Journal of Information Systems, 1991, 1–16
• Eining M.M. D.R. Jones, & J.K. Loebbecke, Reliance on Decision Aids: An Examination of Auditors’ Assessment of Management Fraud, Auditing: A Journal of Practice and Theory, 16(2), 1997, 1–18 
• Gray G.L., T.E. McKee, & T.J. Mock, The Future Impact of Expert Systems and Decision Support Systems in Auditing, Advances in Accounting, 9, 1991, 249–273 
• Green B.P., & J.H. Choi, Assessing the Risk of Management Fraud Through Neural Network Technology, Auditing: A Journal of Practice and Theory, 16(1), 1997, 14–28 
• Koh H.C., Going Concern Prediction Using Data Mining Techniques, Managerial Auditing Journal, 19(3), 2004, 462 
• Lin J.W., M.I. Hwang, & J.D. Becker, A Fuzzy Neural Network for Assessing the Risk of Fraudulent Financial Reporting, Managerial Auditing Journal, 18(8), 2003, 657–665 
• Manson S., S. McCartney, & M. Sherer, Audit Automation: The Use of Information Technology in the Planning, Controlling and Recording of Audit Work, Edinburgh: ICAS, 1997
• Manson S., S. McCartney, & M. Sherer, Audit Automation as Control within Audit Firms, Accounting, Auditing and Accountability Journal, 14(1), 2001, 109–130 
• Murphy C.K., Discovering Auditing Criteria for the Going-concern Disclaimer, International Journal of Computer Applications in Technology, 33(2/3), 2008, 138 
• Pathak J., N. Vidyarthi, & S.L. Summers, A Fuzzy-based Algorithm for Auditors to Detect Elements of Fraud in Settled Insurance Claims, Managerial Auditing Journal, 20(6), 2005, 632–644 
• Sutton S.G., R. Young & P. McKenzie, An Analysis of Potential Legal Liability Incurred Through Audit Expert Systems, Intelligent Systems in Finance and Management, 4, 1994, 191–204 
• Swinney L., Consideration of the Social Context of Auditors’ Reliance on Expert System Output During Evaluation of loan Loss Reserves, International Journal of Intelligent Systems in Accounting, Finance and Management, 8, 1999, 199–213
• Zebda A., & M. McEacham, Accounting Expert Systems and the Treatment of Uncertainty, The Business Review, 11(1), 2008, 1–13
 

آی هوش: گنجینه دانستنی ها و معماهای هوش و ریاضی

نظراتی که درج می شود، صرفا نظرات شخصی افراد است و لزوماً منعکس کننده دیدگاه های آی هوش نمی باشد.
آی هوش: مرجع مفاهیم هوش و ریاضی و انواع تست هوش، معمای ریاضی و معمای شطرنج
 
در زمینه‌ی انتشار نظرات مخاطبان، رعایت برخی موارد ضروری است:
 
-- لطفاً نظرات خود را با حروف فارسی تایپ کنید.
-- آی هوش مجاز به ویرایش ادبی نظرات مخاطبان است.
-- آی هوش از انتشار نظراتی که در آنها رعایت ادب نشده باشد معذور است.
-- نظرات پس از تأیید مدیر بخش مربوطه منتشر می‌شود.
 
 
 
 

نظر شما

پرطرفدارترین مطالب امروز

قواعد بخش پذیری بر اعداد  1 تا 20
اتحادهای ریاضی
آموزش ریاضی: تدریس مفهوم کسر
طنز ریاضی: لطیفه های ریاضی!
سیستم عدد نویسی رومی
چگونه به کلاس اولی‌ها کمک کنیم؟
آزمون های وکسلر
مریم میرزاخانی، نابغه ریاضی ایران و جهان
همه چیز درباره هوش مصنوعی به زبان ساده