بيانات الباحث
أستاذ المحاسبة المساعد، جامعة الإمام محمد بن سعود، المملكة العربية السعودية
[email protected]
ملخص
هدفت هذه الدراسة إلى قياس أثر استخدام تقنيات الذكاء الاصطناعي بأبعادها الأربعة: الخوارزميات الجينية، والوكلاء الأذكياء، والشبكات العصبية الاصطناعية، وتعلّم الآلة، على جودة المراجعة في مكافحة الاحتيال المالي في البنوك التجارية السودانية خلال الفترة 2023-2025م. اعتمدت الدراسة المنهج الوصفي التحليلي، وتم جمع البيانات الأولية باستخدام استبانة وزعت على عينة قوامها 142 مراجعاً داخلياً ومدير مخاطر من 15 بنكاً تجارياً سودانياً. وتم تحليل البيانات باستخدام برنامج الحزم الإحصائية للعلوم الاجتماعية الإصدار 26 من خلال المتوسطات الحسابية، والانحرافات المعيارية، ومعامل كرونباخ ألفا لقياس الثبات، ومعامل ارتباط بيرسون، وتحليل الانحدار الخطي المتعدد والمتدرج لاختبار الفرضيات.
أظهرت نتائج الدراسة وجود أثر ذي دلالة إحصائية عند مستوى دلالة 0.05 للذكاء الاصطناعي بأبعاده الأربعة مجتمعة في مكافحة الاحتيال المالي، حيث بلغ معامل الارتباط 0.771، ومعامل التحديد 0.594، أي أن النموذج يفسر 59.4% من التباين في المتغير التابع. كما تبين تفوق بُعد “تعلّم الآلة” كأكثر الأبعاد تأثيراً منفرداً بقدرة تفسيرية بلغت 46.7%، يليه “الوكلاء الأذكياء” بنسبة 51.8%، ثم “الخوارزميات الجينية” بنسبة 51.2%، وأخيراً “الشبكات العصبية الاصطناعية” بنسبة 39.7%. وخلصت الدراسة إلى مجموعة من التوصيات أهمها: ضرورة الاستثمار في رأس المال البشري وتدريب المراجعين على أدوات الذكاء الاصطناعي، وضمان جودة البيانات وسلامتها، وبناء شراكات استراتيجية مع شركات التكنولوجيا، وتحديث أنظمة الرقابة الداخلية، وترسيخ ثقافة النزاهة والامتثال، وإنشاء وحدة متخصصة للذكاء الاصطناعي في البنوك السودانية.
This study aimed to measure the impact of artificial intelligence techniques, with their four dimensions: Genetic Algorithms, Intelligent Agents, Artificial Neural Networks, and Machine Learning, on Audit Quality in combating Financial Fraud in Sudanese commercial banks operating in Khartoum State during 2023-2024.Adopting the descriptive analytical approach, primary data were collected via a questionnaire distributed to 142 internal auditors and risk managers from 15 commercial banks. Data were analyzed using SPSS 26 through descriptive statistics, Cronbach’s Alpha, Pearson correlation, and multiple/stepwise regression.
Results revealed a statistically significant impact at α ≤ 0.05 of AI dimensions combined on combating financial fraud, with R = 0.771 and R² = 0.594, explaining 59.4% of variance. Machine Learning ranked first individually with 46.7% explanatory power. The study recommends investing in human capital, ensuring data quality, building tech partnerships, and establishing AI units in banks to enhance fraud detection.