Ứng dụng trí thông minh nhân tạo trong phân tích dữ liệu lớn kiểm toán báo cáo tài chính tại Việt Nam: Cơ hội và thách thức với các công ty kiểm toán

TS. Nguyễn Phương Anh

Trường Kinh tế – Đại học Bách Khoa Hà Nội

Email: anh.nguyenphuong1@hust.edu.vn

Nguyễn Đức Nghĩa

Viện Kế toán Công chứng Anh và xứ Wales

Tóm tắt

Hiện nay, việc ứng dụng công nghệ thông tin và trí tuệ nhân tạo (AI) trong phân tích dữ liệu lớn, cụ thể là dữ liệu tài chính và báo cáo tài chính (BCTC) của khách hàng vẫn đang là những thách thức đối với các công ty kiểm toán tại Việt Nam. Bài viết tập trung vào những cơ hội và thách thức trong việc sử dụng AI trong phân tích dữ liệu lớn kiểm toán BCTC tại Việt Nam duới góc độ từ các công ty kiểm toán. Từ đó, nghiên cứu đưa ra một số kiến nghị nhằm góp phần thúc đẩy việc ứng dụng các tiến bộ công nghệ thông tin nói chung, AI nói riêng trong lĩnh vực kiểm toán.

Từ khóa: Trí tuệ nhân tạo, phân tích dữ liệu lớn, kiểm toán báo cáo tài chính, công ty kiểm toán, Việt Nam

Summary

Currently, the application of information technology and artificial intelligence (AI) in big data analysis, specifically financial data and client financial statements, is still a challenge for auditing firms in Vietnam. This article focuses on the opportunities and challenges of using AI in big data analysis for financial statement audits in Vietnam from the perspective of auditing firms. From there, the study proposes several recommendations to promote the application of information technology advances in general and AI in particular in the auditing field.

Keywords: Artificial intelligence, big data analysis, financial statement audit, auditing firm, Vietnam

GIỚI THIỆU

Ảnh hưởng của công nghệ thông tin đến lĩnh vực kiểm toán đã dẫn đến những sự chuyển đổi đáng kể trong nghề kiểm toán (Vasarhelyi và Halper, 2018). Trong ứng dụng thực tiễn, các kiểm toán viên sử dụng phương pháp lấy mẫu và rút ra kết luận từ chuyên môn của họ để xác định sự cần thiết phải thực hiện thêm các kiểm tra nhằm đạt được kết quả mong muốn liên quan đến cả quy trình và sự tuân thủ. Các kiểm toán viên được xã hội coi là đáng tin cậy nhờ vào việc áp dụng kiến thức chuyên môn, cũng như sở hữu những khả năng cần thiết để thu thập và phân tích khách quan dữ liệu kiểm toán, và sự chăm chỉ trong việc thực hiện công việc với tính liêm chính (Kueppers và Sullivan, 2010). Đường đi hiện tại của sự cải tiến công nghệ tích hợp dữ liệu lớn vào quy trình kiểm toán đã tạo ra cả cơ hội và thách thức cho nghề kiểm toán. Các kiểm toán viên cần phải có hiểu biết toàn diện về các tác động và rủi ro liên quan đến dữ liệu lớn. Sự xuất hiện của các công nghệ AI, chẳng hạn như: học máy, xử lý ngôn ngữ tự nhiên và phân tích dữ liệu, đã cách mạng hóa cách thức tiến hành kiểm toán. Thêm vào đó, họ nên chủ động theo đuổi việc phát triển các năng lực chuyên môn cần thiết để đảm bảo sự liên quan của mình trong bối cảnh xã hội rộng lớn hơn và khả năng phục vụ khách hàng một cách hiệu quả. Nghiên cứu này nhằm mục đích khám phá các ứng dụng, lợi ích và thách thức khác nhau của AI trong phân tích dữ liệu lớn kiểm toán BCTC tại Việt Nam.

CƠ SỞ LÝ THUYẾT

Tổng quan nghiên cứu

Theo định nghĩa của Stewart (2015), ''Phân tích dữ liệu trong kiểm toán là quá trình phân tích dữ liệu cơ bản trong BCTC, cùng với thông tin tài chính hoặc phi tài chính có liên quan, nhằm mục đích xác định các sai sót tiềm ẩn hoặc rủi ro có sai sót trọng yếu''. Phân tích dữ liệu trong kiểm toán bao gồm cả việc thực hiện các phương pháp kiểm toán truyền thống mà kiểm toán viên khá quen thuộc, cũng như các thủ tục phân tích mà một số trong đó kiểm toán viên có thể ít quen thuộc hơn. Quy trình phân tích có thể được thực hiện dễ dàng hơn bằng cách có được sự hiểu biết về các kỹ thuật phân tích dữ liệu kiểm toán. Tschakert và cộng sự (2016) định nghĩa, phân tích dữ liệu trong kiểm toán đề cập đến việc sử dụng các công cụ phần mềm phức tạp và các quy trình thống kê nâng cao (chẳng hạn như: mô hình dự đoán phân tích cụm, phân lớp dữ liệu, trực quan hóa) để đánh giá các tập hợp lớn thông tin liên quan đến kiểm toán. Thông tin này đến từ các nguồn bên trong và bên ngoài; chúng là bằng chứng cho các phần khác nhau của quy trình kiểm toán (chẳng hạn như: thủ tục phân tích, thử nghiệm kiểm soát, đánh giá rủi ro và thử nghiệm cơ bản).

Các nghiên cứu của Alles và Gray (2016); Brown-Liburd và Vasarhelyi (2015); Vasarhelyi và cộng sự (2015) đều chỉ ra nghề kiểm toán gần đây đã nhận ra sự xuất hiện và việc sử dụng DA (phân tích dữ liệu) ngày càng tăng trong kiểm toán độc lập. Tuy nhiên, các nhà nghiên cứu cũng chỉ ra tốc độ áp dụng phân tích dữ liệu trong lĩnh vực kiểm toán chậm hơn so với các lĩnh vực khác như: tư vấn, hoặc phân tích hoạt động kinh doanh trong doanh nghiệp. Mặc dù phân tích dữ liệu được cho là một công cụ hiệu quả trong việc đưa ra ý kiến kiểm toán, nhưng thông tin và kiến thức về việc sử dụng phân tích dữ liệu trong kiểm toán độc lập còn hạn chế.

Ban Tiêu chuẩn Kiểm toán và Đảm bảo (IAASB-Auditing and Assurance Standards Board) nhấn mạnh sự cần thiết phải hiểu các yếu tố chính ảnh hưởng đến việc sử dụng DA trong kiểm toán độc lập (IAASB, 2016). Trong lĩnh vực kiểm toán, những tiến bộ công nghệ đã tạo ra nhiều khả năng nghiên cứu đáng kể. Khi các kiểm toán viên độc lập tiếp cận với các khách hàng kiểm toán có hệ thống quản trị tinh vi, hiện đại, thì một nhu cầu đặt ra là làm thế nào để đảm bảo cuộc kiểm toán có chất lượng. Kết quả là, để duy trì lợi thế cạnh tranh, nghề kiểm toán đang phát triển bằng cách áp dụng các công nghệ AI. AI có khả năng tác động đáng kể đến chất lượng kiểm toán bằng cách cho phép kiểm toán viên xử lý và phân tích lượng lớn dữ liệu một cách hiệu quả. AI có thể giúp kiểm toán viên xác định các mẫu, xu hướng và điểm bất thường trong dữ liệu tài chính mà có thể không được chú ý, điều này có thể dẫn đến cuộc kiểm toán được thực hiện kỹ lưỡng và chính xác hơn. Bên cạnh đó, việc sử dụng công nghệ dựa trên AI trong kiểm toán cung cấp cho kiểm toán viên tùy chọn các thủ tục kiểm toán tự động từ giai đoạn này sang giai đoạn khác (Moffitt và cộng sự, 2018). Từ trước khi tham gia đến khi trình bày ý kiến của một báo cáo kiểm toán hiệu quả là rất quan trọng ở mỗi giai đoạn (Kokina và Davenport 2017).

Khung lý thuyết và mô hình

Nghiên cứu này nhằm mục đích tìm hiểu quá trình học tập chuyển đổi tạo điều kiện cho sự chuyển đổi về mặt nhận thức, sử dụng lý thuyết học tập chuyển đổi (Transformative Learning Theory) (Mezirow, 1991, 1995, 1996; Cranton, 1994, 1996). Thông qua quá trình trưởng thành, con người đã tích luỹ được một khối lượng kiến thức đồng nhất, bao gồm các khái niệm, mối liên hệ, giá trị, cảm xúc và các phản ứng có điều kiện, tạo thành các khung tham chiếu định nghĩa thế giới sống của họ. Khung tham chiếu là những cấu trúc giả định mà qua đó chúng ta hiểu các trải nghiệm của mình. Chúng định hình và giới hạn một cách chọn lọc các kỳ vọng, nhận thức, nhận thức và cảm xúc. Chúng thiết lập “đường đi” của chúng ta. Khi đã được thiết lập, con người tự động chuyển từ một hoạt động cụ thể (tinh thần hoặc hành vi) này sang hoạt động khác, và có xu hướng từ chối mạnh mẽ những ý tưởng không phù hợp với những hiểu biết trước đó của mình, gán cho những ý tưởng đó nhãn mác, như là không đáng xem xét, lệch lạc, vô lý, không liên quan, kỳ quặc, hoặc sai lầm. Khi vào một hoàn cảnh nhất định, những người học chuyển đổi hướng tới một khung tham chiếu bao quát hơn, phân biệt hơn, tự phản ánh hơn và tích hợp hơn qua các trải nghiệm. Sự chuyển đổi trong các khung tham chiếu diễn ra thông qua việc phản ánh nghiêm túc và chuyển đổi thói quen tư duy, hoặc có thể là kết quả của việc tích lũy các chuyển đổi trong các quan điểm của chủ thể người học. Theo lý thuyết học tập chuyển đổi, quá trình học tập có thể được chia thành 4 cách. Cách học thứ nhất có thể bắt đầu từ việc người học tìm kiếm những bằng chứng để hỗ trợ quan điểm, khung tham chiếu của mình, từ đó mở rộng hoặc tăng cường khung tham chiếu. Các học thứ 2 là thiết lập các quan điểm mới. Người học có thể gặp gỡ một nhóm mới và tạo ra các mô hình nghĩa tiêu cực mới cho họ bằng cách tập trung vào những thiếu sót mà người học nhận thấy. Cách học tập thứ ba là chuyển đổi quan điểm sẵn có của người học thông qua một trải nghiệm trong một nền văn hóa khác dẫn đến việc người học phản ánh một cách nghiêm túc về những hiểu lầm của mình về quan điểm sẵn có trước đây. Cuối cùng, chúng ta có thể chuyển đổi thói quen tư duy văn hóa, chính trị và xã hội giữa các nhóm văn hoá, dân tộc khác nhau, thường xuất phát từ quan điểm cũ cố hữu là nhóm dân tộc mình là trung tâm hoặc vượt trội hơn so với các nhóm khác.

Các nghiên cứu về các quá trình chuyển đổi có lẽ đã được thực hiện mạnh mẽ nhất trong lĩnh vực giáo dục. Snyder (2008) chỉ ra rằng, các nghiên cứu thành công đã sử dụng các phương pháp định tính để xác định 4 yếu tố cụ thể trong quá trình chuyển đổi. Đó là người tham gia phải phản ánh một cách nghiêm túc và từ đó thay đổi kiến thức, khả năng, giá trị và mối quan hệ của chính họ. Theo lời của Snyder (2008), cá nhân sẽ phản ánh và thay đổi những điều sau: (1) Nội dung kiến thức của chủ thể (phản ánh về những gì họ biết); (2) Quy trình để biết nội dung đó (phản ánh về cách họ biết điều đó); (3) Giả định của những gì họ biết (phản ánh về lý do tại sao họ nghĩ, cảm thấy và hành động như vậy) và (4) Các yếu tố quan hệ trong kiến thức của họ (phản ánh về cách họ liên hệ với người khác).

Nghiên cứu này tập trung vào quá trình liên quan đến việc chuyển đổi từ quy trình kiểm toán chủ yếu với sự tham gia của con người – kiểm toán viên sang quá trình, trải nghiệm có AI hỗ trợ trong quá trình kiểm toán tại các công ty kiểm toán. Để đạt được mục tiêu này, nghiên cứu tập trung vào cá nhân, coi chuyển đổi là một quá trình chứ không phải là một kết quả cuối cùng và xác định bằng chứng về các yếu tố hoặc bước cụ thể của sự chuyển đổi thông qua những phản ánh của người tham gia. Sự chuyển đổi được thúc đẩy bởi những thay đổi trong thái độ, giá trị, nhận thức và quan điểm qua các trải nghiệm cá nhân (Christie và Mason, 2003; Wearing, 2002; Zahra và McIntosh, 2007).

Phương pháp nghiên cứu

Nghiên cứu này có tính chất định tính, dữ liệu nghiên cứu là kết quả của quá trình quan sát, phân tích tài liệu và phỏng vấn sâu các chuyên gia trong lĩnh vực kiểm toán. Nghiên cứu bắt đầu từ việc quan sát quá trình hình thành và phát triển mạnh mẽ của AI trong tất cả các lĩnh vực, đặc biệt là sự ra đời của công cụ chatGPT, sau đó là xu thế sử dụng AI như một công cụ hỗ trợ tại các công ty kiểm toán hàng đầu (Big4) tại Việt Nam. Tiếp theo là các cuộc phỏng vấn chính thức và không chính thức với các chuyên gia, nhà quản lý và nhân viên tại các công ty kiểm toán. Nghiên cứu tập trung vào phương pháp phỏng vấn sâu với chuyên gia, sử dụng bảng hỏi phi cấu trúc nhằm cung cấp những mô tả, quan điểm về sự phát triển và ứng dụng AI trong phân tích dữ liệu tài chính, hỗ trợ quá trình kiểm toán từ góc nhìn của các chuyên gia trong lĩnh vực kiểm toán. Các câu hỏi được bắt đầu từ những câu hỏi chung về thực trạng sử dụng AI trong hỗ trợ và thay thế các công việc kiểm toán truyền thống, đến các lợi thế, bất lợi, rủi ro, thách thức của việc sử dụng AI; và cuối cùng là các khuyến nghị để AI có thể được sử dụng như một công cụ đắc lực tại các công ty kiểm toán.

Nhóm nghiên cứu đã thực hiện tất cả các cuộc phỏng vấn sử dụng một hướng dẫn phỏng vấn bao gồm các câu hỏi mở. Các cuộc phỏng vấn tiếp tục cho đến khi đạt được sự bão hòa lý thuyết, khi không có hiểu biết mới phát sinh (Eisenhardt, 1989). Các kiểm tra dẫn chiếu đã được thực hiện, cho đến khi các diễn giải dữ liệu được chia sẻ xác nhận thông tin được kiểm chứng và mang tính đại diện (Belk và cộng sự, 1988). Mỗi cuộc phỏng vấn kéo dài khoảng 90 phút. Tất cả các cuộc phỏng vấn đều được ghi âm và chuyển thể nguyên văn và lưu trữ.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Thực trạng sử dụng công cụ AI trong phân tích dữ liệu lớn kiểm toán BCTC tại Việt Nam

Tại Việt Nam, việc ứng dụng AI vào phân tích dữ liệu lớn trong kiểm toán BCTC đang dần trở thành xu hướng chủ đạo. Nhiều công ty kiểm toán lớn tại Việt Nam đã bắt đầu triển khai AI vào quy trình kiểm toán của mình. Các công cụ AI được sử dụng để tự động hóa các công đoạn như: thu thập dữ liệu, phân tích số liệu, và phát hiện các bất thường trong BCTC. Cùng với sự phát triển của AI, công nghệ dữ liệu lớn (Big Data) cũng đã được tích cực áp dụng trong lĩnh vực kiểm toán. Các công ty kiểm toán có khả năng xử lý và phân tích khối lượng dữ liệu lớn từ nhiều nguồn khác nhau, tạo ra các báo cáo chi tiết và chính xác hơn. Việc tích hợp dữ liệu lớn với AI cho phép các kiểm toán viên khai thác thông tin quý giá để hỗ trợ trong việc đưa ra quyết định và cải thiện quy trình kiểm toán.

Những khó khăn và thách thức các công ty kiểm toán gặp phải

Vấn đề bảo mật dữ liệu: Khi sử dụng AI và xử lý dữ liệu lớn, các công ty kiểm toán phải đối mặt với các mối đe dọa về bảo mật thông tin. Việc lưu trữ và xử lý dữ liệu tài chính nhạy cảm đòi hỏi các biện pháp bảo mật nghiêm ngặt để ngăn chặn rò rỉ thông tin và tấn công mạng. Nhiều công ty có thể chưa có đủ chính sách và quy trình để bảo vệ dữ liệu một cách hiệu quả.

Thiếu hụt nguồn nhân lực có kỹ năng: Một trong những thách thức lớn nhất là sự thiếu hụt nguồn nhân lực có kỹ năng trong lĩnh vực AI và phân tích dữ liệu. Nhiều công ty kiểm toán gặp khó khăn trong việc tìm kiếm và giữ chân các chuyên gia có khả năng triển khai và vận hành các công cụ AI. Điều này dẫn đến việc không thể khai thác tối đa tiềm năng của công nghệ.

Định kiến và sự kháng cự từ nhân viên: Nhiều nhân viên trong ngành kiểm toán có thể cảm thấy lo ngại về việc AI sẽ thay thế công việc của họ. Sự kháng cự này có thể dẫn đến việc không áp dụng công nghệ một cách hiệu quả. Các công ty cần có chiến lược quản lý thay đổi tốt, bao gồm việc đào tạo và truyền thông để giúp nhân viên hiểu rõ giá trị của AI trong việc hỗ trợ công việc của họ.

Thiếu rõ ràng về quy định pháp lý: Công nghệ AI trong kiểm toán vẫn còn mới mẻ và thiếu các quy định pháp lý rõ ràng. Điều này có thể dẫn đến sự không chắc chắn về cách thức sử dụng AI trong quy trình kiểm toán, gây khó khăn cho các công ty trong việc tuân thủ các quy định hiện hành và đảm bảo tính minh bạch trong công việc.

Cơ hội tiềm năng về ứng dụng AI tại các công ty kiểm toán trong tương lai

- Tự động hóa quy trình kiểm toán: AI có khả năng tự động hóa nhiều quy trình kiểm toán, từ việc thu thập dữ liệu đến phân tích và báo cáo. Việc này không chỉ giúp tiết kiệm thời gian mà còn nâng cao độ chính xác, giảm thiểu sai sót do con người. Các công ty kiểm toán có thể triển khai các công cụ AI để xử lý khối lượng công việc lớn một cách hiệu quả hơn, cho phép kiểm toán viên tập trung vào các nhiệm vụ phức tạp hơn.

- Phân tích dữ liệu lớn: AI có thể giúp các công ty kiểm toán khai thác và phân tích dữ liệu lớn một cách nhanh chóng và chính xác. Bằng cách sử dụng các thuật toán học máy, AI có thể phát hiện các mẫu và xu hướng trong dữ liệu mà con người khó có thể nhận thấy. Điều này sẽ giúp các kiểm toán viên đưa ra những quyết định chính xác hơn và phát hiện sớm các rủi ro tiềm ẩn.

- Cải thiện độ chính xác trong phát hiện gian lận: AI có thể tăng cường khả năng phát hiện gian lận trong BCTC. Các công cụ dựa trên AI có khả năng phân tích hàng triệu giao dịch và xác định các bất thường hoặc hành vi đáng ngờ. Điều này giúp các công ty kiểm toán bảo vệ khách hàng khỏi các rủi ro gian lận, đồng thời nâng cao uy tín và độ tin cậy của dịch vụ kiểm toán.

- Dự đoán rủi ro: AI có khả năng sử dụng dữ liệu lịch sử để dự đoán các rủi ro tiềm ẩn trong tương lai. Các công ty kiểm toán có thể áp dụng AI để phân tích các yếu tố ảnh hưởng đến rủi ro tài chính, từ đó đưa ra các khuyến nghị kịp thời cho khách hàng nhằm giảm thiểu rủi ro.

KẾT LUẬN

Các công cụ kiểm toán được hỗ trợ bởi AI đã cho thấy tiềm năng vượt trội trong việc nâng cao hiệu quả và độ chính xác của kiểm toán thông qua tự động hóa, phân tích dữ liệu và nhận dạng mẫu. Ứng dụng AI trong phân tích dữ liệu lớn trong lĩnh vực kiểm toán BCTC đang mở ra nhiều cơ hội cũng như thách thức cho các công ty kiểm toán tại Việt Nam. Sự phát triển nhanh chóng của công nghệ AI không chỉ giúp cải thiện hiệu quả và độ chính xác trong công tác kiểm toán, mà còn tạo ra những giá trị mới trong việc cung cấp dịch vụ cho khách hàng.

Một trong những cơ hội lớn nhất mà AI mang lại là khả năng xử lý và phân tích lượng dữ liệu lớn một cách nhanh chóng và hiệu quả. Các công ty kiểm toán có thể áp dụng AI để tự động hóa quy trình kiểm toán, từ việc thu thập dữ liệu, phân tích các mẫu, đến việc phát hiện các bất thường trong BCTC. Điều này không chỉ giúp tiết kiệm thời gian, mà còn nâng cao độ chính xác, giảm thiểu sai sót do con người gây ra. Hơn nữa, AI còn hỗ trợ trong việc dự đoán các rủi ro tiềm ẩn, từ đó giúp các kiểm toán viên đưa ra các khuyến nghị kịp thời và hiệu quả hơn.

Tuy nhiên, bên cạnh những cơ hội, việc áp dụng AI cũng đặt ra không ít thách thức cho các công ty kiểm toán. Một trong những thách thức lớn nhất là sự thiếu hụt về năng lực chuyên môn trong việc vận hành và quản lý các công nghệ AI. Nhiều nhân viên trong ngành kiểm toán chưa được đào tạo đầy đủ về công nghệ này, dẫn đến việc khó khăn trong việc khai thác tối đa tiềm năng của AI. Do đó, việc đầu tư vào đào tạo và phát triển nguồn nhân lực là vô cùng cần thiết. Thêm vào đó, vấn đề bảo mật dữ liệu cũng là một thách thức không thể xem nhẹ. Khi sử dụng AI và dữ liệu lớn, các công ty kiểm toán phải đảm bảo rằng thông tin tài chính của khách hàng được bảo vệ an toàn trước các mối đe dọa từ hacker và các cuộc tấn công mạng khác. Việc xây dựng các chính sách bảo mật dữ liệu chặt chẽ và tuân thủ các quy định pháp luật hiện hành là điều kiện tiên quyết để đảm bảo sự tin tưởng từ phía khách hàng. Cuối cùng, việc áp dụng AI trong phân tích dữ liệu lớn cũng đòi hỏi các công ty kiểm toán phải thay đổi tư duy và phương thức làm việc truyền thống. Điều này có thể gặp phải sự kháng cự từ một số nhân viên, những người quen thuộc với các quy trình kiểm toán cũ. Do đó, việc quản lý sự thay đổi và tạo ra một môi trường làm việc cởi mở, khuyến khích đổi mới là rất quan trọng.

Việc phát triển một chiến lược toàn diện nhằm khắc phục những thách thức trên sẽ giúp các công ty kiểm toán không chỉ tồn tại mà còn phát triển bền vững trong kỷ nguyên số./.

Tài liệu tham khảo

1. Alles, M., and Gray, G.L. (2016), The pros and cons of using big data in auditing: A synthesis of the literature and a research agenda, Working paper.

2. Belk, R.W. (1988), Possessions and the extended self, J. Consum. Res, 15 (2), 139–168.

3. Brown-Liburd, H., and Vasarhelyi, M.A. (2015), Big Data and Audit Evidence, Journal of Emerging Technologies in Accounting,12(1), 1–16.

4. Cranton, P. (1994), Understanding and Promoting Transformative Learning: A Guide for Educators of Adults, San Francisco: Jossey-Bass.

5. Cranton, P. (1996), Professional Development as Transformative Learning: New Perspectives for Teach- ers of Adults, San Francisco: Jossey-Bass.

6. Christie, M., and Mason, P. (2003), Transformative tour guiding: Training tour guides to be critically reflective practitioners, Journal of Ecotourism, 2(1), 1-16.

7. Eisenhardt, K.M. (1989), Building theories from case study research, Acad. Manag. Rev, 14(4), 532–550.

8. IAASB. (2016), Exploring the Growing Use of Technology in the Audit , with a Focus on Data Analytics.

9. Kokina, J., and Davenport, T. H. (2017), The emergence of artificial intelligence: How automation is changing auditing, Journal of emerging technologies in accounting,14(1), 115-122.

10. Kueppers, R. J., and Sullivan, K. B. (2010), How and why an independent audit matters, International Journal of Disclosure and Governance, 7(4), 286–293. https://doi.org/10.1057/jdg.2010.22

11. Mezirow, J. (1991), Transformative Dimensions of Adult Learning. San Francisco: Jossey-Bass.

12. Mezirow, J. (1995), Transformative Theory of Adult Learning. In M. Welton (ed.), In Defense of the Lifeworld. Albany: State University of New York Press.

13. Mezirow, J (1996), Contemporary Paradigms of Learning, Adult Education Quarterly, 46(3), 158-172.

14. Moffitt, K. C., Rozario, A. M., and Vasarhelyi, M. A. (2018), Robotic process automation for auditing, Journal of emerging technologies in accounting,15(1), 1-10.

15. Snyder, C. (2008), Grabbing hold of a moving target: Identifying and measuring the transformative learning process, Journal of Transformative Education, 6, 159–181.

16. Stewart, T (2015), Data analytics for financial-statement audits. In Audit Analytics and Continuous Audit: Looking toward the Future, Chapter 5, New York, NY: AICPA.

17. Tschakert, N., Kokina, J., Kozlowski, S., and Vasarhelyi, M. (2016), The next Frontier in Data Analytics, Journal of Accountancy, 222(2), 58–63.

18. Vasarhelyi, M. A., Kogan, A., and Brad M Tuttle, B. M. (2015), Big Data in Accounting: An Overview, Accounting Horizons, 29(2), 381–96.

19. Wearing, S. (2002), Re-centering the self in volunteer tourism, In G. Dann (Ed.), The tourist as a metaphor of the social world (pp. 237–262), London: CAB international.

20. Zahra, A., and McIntosh, A. (2007), Volunteer tourism: Evidence of cathartic tourist experiences, Tourism Recreation Research, 32(1), 115-119.