دکترین
پذیرش تشخیص تقلب مبتنی بر هوش مصنوعی در بانکداری: نقش اعتماد، شفافیت و ادراک انصاف در موسسات مالی در ایران، امارات متحده عربی و قطر
پذیرش تشخیص تقلب مبتنی بر هوش مصنوعی در بانکداری: نقش اعتماد، شفافیت و ادراک انصاف در موسسات مالی در ایران، امارات متحده عربی و قطر
نویسندگان: هدیل یاسین اسماء العمارنه عبدالمجید یوسفی
منبع: تمدن حقوقی سال 8 زمستان 1404 شماره 26
چکیده
این پژوهش به بررسی میزان استفاده از سیستم های تشخیص تقلب مبتنی بر هوش مصنوعی در میان موسسات مالی در ایران، امارات متحده عربی و قطر، با تمرکز ویژه بر اعتماد، شفافیت و درک انصاف می پردازد. به رغم نویدبخش بودن عملیات هوش مصنوعی در شناسایی ناهنجاری های مالی، فرآیندهای تصمیم گیری نامشخص و سوءگیری الگوریتمی، پذیرش گسترده آن را، به ویژه در بخش های بانکی مبتنی بر مقررات، محدود می کند. این پژوهش از یک استراتژی کمی مبتنی بر مدل سازی معادلات ساختاری حداقل مربعات جزئی و تحلیل چند گروهی از پاسخ های نظرسنجی از چهارصدونه متخصص بانک، مانند حسابرسان و مسئولان انطباق، استفاده می کند. این پژوهش نشان می دهد که شفافیت، اعتماد را که پیش بینی کننده اصلی جذب هوش مصنوعی است، تا حد زیادی افزایش می دهد. درک انصاف، تأثیرات منفی سوءگیری الگوریتمی را تعدیل می کند و بر نقش مهم آن در ایجاد اعتبار سیستم تأکید دارد. تجزیه و تحلیل زیرگروه ها، تغییرات منطقه ای و حرفه ای متفاوتی را در حساسیت به اعتماد و انصاف نشان می دهد، که در آن حسابرسان داخلی و افراد بسیار در معرض هوش مصنوعی، آمادگی بیشتری برای پذیرش نشان می دهند. رعایت مقررات نیز به عنوان یک عامل مثبت در پذیرش ظاهر می شود. این پژوهش ابزارهای هوش مصنوعی شفاف، قابل توضیح و حساس به انصاف را برای ترویج پذیرش در بخش های مبتنی بر مقررات ضروری می داند. یافته ها، راهنمایی برای ترویج پیاده سازی هوش مصنوعی مسئولانه و مبتنی بر اعتماد در تشخیص تقلب ارائه می دهند.
Adoption of Artificial Intelligence-Driven Fraud Detection in Banking: The Role of Trust, Transparency, and Fairness Perception in Financial Institutions in Iran, the United Arab Emirates and Qatar
This study examines the use of AI-based fraud detection systems among financial institutions in Iran, the United Arab Emirates, and Qatar, with a particular focus on trust, transparency, and perceived fairness. Despite the promise of AI operations in identifying financial anomalies, uncertain decision-making processes, and algorithmic bias limit their widespread adoption, especially in regulated banking sectors. This study uses a quantitative strategy based on partial least squares structural equation modeling and multi-group analysis of survey responses from four hundred banking professionals, such as auditors and compliance officers. The study shows that transparency greatly enhances trust, which is the main predictor of AI adoption. Perceived fairness moderates the negative effects of algorithmic bias, emphasizing its important role in building system credibility. Subgroup analysis reveals distinct regional and professional variations in trust and fairness sensitivity, with internal auditors and those highly exposed to AI showing greater readiness for adoption. Regulatory compliance also emerges as a positive factor in adoption. This research identifies transparent, explainable, and fairness-sensitive AI tools as essential to promote adoption in regulated sectors. The findings provide guidance for promoting responsible and trust-based AI implementations in fraud detection.
موارد مرتبط
برای این صفحه موردِ مرتبطی ثبت نشده.
