فريق بحثي من كلية الادارة والاقتصاد ينشرون بحثًا علميًا عالميًا حول تعزيز تصنيف مخاطر التدقيق ضمن مستوعبات Scopus

نشر الباحثون الاستاذ المساعد الدكتور (نزار معن عبد الكريم) ، و المدرس المساعد (أرشد حميد حسن) ، و المدرس المساعد (وليد خميس سبع) بحثًا علميًا عالميًا محكمًا تناول تطوير أساليب تصنيف مخاطر التدقيق (Audit Risk Classification) بالاعتماد على تقنيات الذكاء الاصطناعي والتعلّم الآلي، بعنوان:

ENHANCING AUDIT RISK CLASSIFICATION: A COMPARATIVE ANALYSIS OF MACHINE LEARNING ALGORITHMS WITH A FOCUS ON GWO-SVM HYBRID OPTIMISATION

وذلك في مجلة Proceedings on Engineering Sciences، وهي مجلة علمية مفهرسة ضمن مستوعبات Scopus وضمن الربع الثالث (Q3).
وتناول البحث إجراء تحليل مقارن لعدد من خوارزميات التعلّم الآلي في مجال تصنيف مخاطر التدقيق، شمل خوارزميات Support Vector Machine (SVM) وRandom Forest وK-Nearest Neighbours (KNN)، مع التركيز على النموذج الهجين المقترح Grey Wolf Optimization – Support Vector Machine (GWO-SVM).
واعتمدت الدراسة على تحليل 776 مشاهدة (Data Points) باستخدام أسلوب التحقق المتقاطع بعشرة طيات (10-Fold Cross Validation)، مع تقييم أداء النماذج وفق عدة مؤشرات إحصائية رئيسة شملت الدقة (Accuracy)، والدقة الإيجابية (Precision)، والاسترجاع (Recall)، ومقياس F1.
وأظهرت نتائج البحث تفوق نموذج GWO-SVM على بقية الخوارزميات، حيث حقق دقة تصنيف بلغت (0.96) مع أفضل توازن عام بين جميع المقاييس المعتمدة. كما بيّن تحليل مصفوفة الالتباس (Confusion Matrix) قدرة النموذج المقترح على اكتشاف حالات الاحتيال بدقة عالية، مع تصنيف شبه مثالي للحالات غير الاحتيالية، وبأقل نسبة من الأخطاء التصنيفية.
وخلص البحث إلى أن النموذج الهجين GWO-SVM يُعد أداة فعّالة في الكشف المبكر عن الاحتيال وتحسين كفاءة عمليات التدقيق، لما يقدمه من دقة وموثوقية عالية مقارنة بالأساليب التقليدية، مؤكدًا الإمكانات الكبيرة للنماذج الهجينة المتقدمة في تطوير أنظمة تصنيف المخاطر المالية.
ويأتي هذا الإنجاز العلمي في إطار دعم البحث العلمي التطبيقي وتعزيز الحضور الأكاديمي الدولي، وبما ينسجم مع التوجهات الحديثة في توظيف تقنيات الذكاء الاصطناعي لخدمة المجالات المحاسبية والرقابية وتحقيق أهداف التنمية المستدامة المرتبطة بالابتكار وتحسين الأداء المؤسسي.