由 Plato AI Research Assistant 生成。 本期内容由Plato AI赞助，Plato AI ( platopaper.com ) 深度检索 2005-2026 经管顶刊，自动提炼研究假设、理论框架与未来方向，输出排版好的结构化研究报告。凭优惠码 WENXIANXIA 前三月仅需1美元。
检索范围：2022-2026年，Management/Accounting 相关期刊
检索关键词：Generative AI in accounting
样本规模：7 篇
检索结果概览
研究主题归纳：AI在财务预测中的应用；会计专业判断与算法依赖；生成式AI的伦理与实践规范
研究方法归纳：实证分析与机器学习模型；实验研究法；可解释AI分析与定性研究
研究建议：需深入探讨生成式AI对会计职业伦理的长期影响；应对比分析不同算法在复杂会计场景下的适用性；建议结合实证数据与行为实验以增强研究的深度。
各主题相关论文
主题 1：AI在财务预测中的应用
1. Predicting Future Earnings Changes Using Machine Learning and Detailed Financial DataJournal of Accounting Research2022
利用机器学习与详细财务数据预测未来盈余变动
研究亮点：证明了机器学习通过处理非线性交互和细粒度数据，在盈余预测上优于传统统计模型和人工分析。
中文摘要：本文利用机器学习方法和高维财务数据预测一年期盈余变动。研究显示，模型预测准确度显著高于随机猜测（AUC 值 67.52%–68.66%），且基于模型构建的对冲组合年化规模调整收益率达 5.02%–9.74%。研究发现，机器学习的优越性源于其捕捉了传统逻辑回归模型无法识别的非线性变量交互作用，以及对更细粒度财务数据的有效利用，表现优于专业分析师预测。
2. How Useful Are Tax Disclosures in Predicting Effective Tax Rates? A Machine Learning ApproachThe Accounting Review2023
税务披露在预测有效税率中的有用性：一种机器学习方法
研究亮点：利用可解释 AI 量化了财务披露项的预测价值，并识别了分析师在税务预测中的偏差。
中文摘要：本文利用机器学习算法预测企业未来一年的有效税率（ETR），并使用可解释 AI（Shapley 值）评估财务报表披露项的预测价值。研究发现，机器学习预测比分析师预测更精确且偏差更小。通过对比发现，分析师对部分税务信息存在过度或不足的权重分配。研究结果为准则制定者提供了关于哪些税务披露信息对预测未来税率真正有效的实证依据。
3. Expectations Matter: When (Not) to Use Machine Learning Earnings ForecastsManagement Science2026
预期很重要：何时（不）应使用机器学习盈余预测
研究亮点：明确了机器学习在盈余预测中的优势边界，并指出其对纠正分析师系统性偏差的价值。
中文摘要：本文全面评估了机器学习在盈余预测中的应用。研究指出，机器学习表现优于分析师的前提是模型规格选择得当（80% 的模型表现并不优于分析师）。机器学习之所以能胜出，是因为它纠正了分析师在盈余水平和预测误差方面的系统性偏差。研究还发现，市场价格对这些偏差的修正存在长达九个月的延迟，且机器学习在小盘股中表现尤为突出。
主题 2：会计专业判断与算法依赖
1. Accommodating Machine Learning Algorithms in Professional Service FirmsOrganization Studies2024
专业服务公司中机器学习算法的适应性研究
研究亮点：识别了专业服务公司通过战略性响应来克服算法不可解释性并促进采纳的过程。
中文摘要：本文通过对会计师和律师的实证研究，探讨了专业服务公司如何整合机器学习算法。研究发现，算法的"不可解释性"常引发专业人员的抵触，因此公司需要采取"适应性策略"：既要证明算法在决策中的价值，又要应对其局限性。研究揭示了促进或抑制人工智能在专业领域合作采纳的关键过程，为理解 AI 如何改变专业判断提供了长期视角。
2. Reliance on Algorithmic Estimates: The Joint Influence of Algorithm Adaptability and Estimation UncertaintyThe Accounting Review2025
对算法估计的依赖：算法适应性与估计不确定性的共同影响
研究亮点：揭示了算法的适应性特征能显著提升会计专业人员在高不确定性场景下的信任与依赖。
中文摘要：本文通过两项实验研究了会计专业人员对算法建议的依赖程度。研究发现，当估计不确定性较高时，审计师和会计人员更倾向于依赖具有"学习能力"的算法，而非静态算法。研究表明，算法的适应性是影响专业判断的关键技术特征，特别是在高不确定性环境下，这种适应性能够有效促进专业人员对算法建议的采纳。
3. The Impact of ChatGPT's Advice on Professional Judgment Related with Accounting and the Role of Accounting EducationJournal of Business Ethics2026
ChatGPT 建议对会计专业判断的影响及会计教育的作用
研究亮点：首次实证研究了生成式 AI 建议如何影响会计专业人员的伦理判断倾向。
中文摘要：本文通过实验研究了生成式 AI（GenAI）建议对会计与审计伦理判断的影响。研究发现，无论是来自 GenAI 还是人类审计师的建议，都能显著增加会计专业学生做出"义务论"判断（基于道德义务与规则）的倾向。研究结果表明，GenAI 在辅助专业决策时具有引导伦理判断的潜力，并强调了会计教育在培养学生正确评估和使用 AI 建议方面的重要性。
主题 3：生成式AI的伦理与实践规范
1. How to intelligently embrace generative AI: the first guardrails for the use of GenAI in IB researchJournal of International Business Studies2024
如何智能拥抱生成式AI：国际商务研究中使用GenAI的首批护栏
研究亮点：提出了学术界在应对生成式 AI 冲击时应建立的首批伦理与实践护栏。
中文摘要：本文探讨了生成式 AI（GenAI）在学术界、管理界及教育领域的颠覆性影响。随着 ChatGPT 的普及，研究方法、教学模式及学术期刊的运作方式正经历深刻变革。文章强调，GenAI 不仅改变了统计分析的硬件与软件基础，还对学术研究的治理与组织提出了新挑战。作者呼吁学术界建立使用准则，以应对 GenAI 在研究与教学中带来的伦理与实践问题，确保技术进步与学术严谨性并存。
研究方法相近的论文
方法 1：实证分析与机器学习模型
论文：[3][5][6]
该类研究多采用高维财务数据集，通过构建机器学习模型进行预测性分析。研究重点在于量化模型预测准确度，并利用特征重要性评估财务披露项的实际价值，从而揭示传统线性模型难以捕捉的非线性交互效应。
方法 2：实验研究法
论文：[4][7]
通过受控实验，研究者深入探讨了会计专业人员与算法的交互机制。此类方法有效识别了算法特征（如适应性）与决策环境（如不确定性）如何共同影响专业判断，并实证检验了 AI 建议对个体伦理决策倾向的引导作用。
方法 3：可解释AI分析与定性研究
论文：[1][2]
针对算法"黑箱"问题，研究采用可解释 AI 技术（如 Shapley 值）提升模型透明度，并结合定性视角探讨专业服务公司如何通过战略性适应策略化解算法不可解释性带来的职业抵触，促进人机协作的深度融合。
研究综述
1 研究主题综述
AI在财务预测中的应用
研究表明，机器学习通过处理高维非线性数据及捕捉细粒度财务信息，在盈余预测与有效税率评估中展现出超越传统统计模型及人类分析师的效能 [3][5]。其核心优势在于纠正分析师的系统性偏差，并在小盘股等特定领域具备显著预测价值 [6]。
会计专业判断与算法依赖
算法的适应性与学习能力是影响专业人员采纳决策的关键，尤其在高不确定性环境下，会计师更倾向于依赖具备动态调整能力的算法 [4]。同时，AI 建议在伦理判断中具有引导作用，能够促使从业者更倾向于基于规则的义务论判断 [7]。
生成式AI的伦理与实践规范
随着生成式 AI 的广泛渗透，学术界与实务界正面临治理挑战。研究强调必须建立明确的伦理护栏与使用准则，以平衡技术带来的效率提升与学术严谨性，确保 AI 在辅助决策过程中的透明度与合规性 [1]。
2 研究方法综述
实证分析与机器学习模型
该类研究多采用高维财务数据集，通过构建机器学习模型进行预测性分析。研究重点在于量化模型预测准确度，并利用特征重要性评估财务披露项的实际价值，从而揭示传统线性模型难以捕捉的非线性交互效应 [3][5][6]。
实验研究法
通过受控实验，研究者深入探讨了会计专业人员与算法的交互机制。此类方法有效识别了算法特征（如适应性）与决策环境（如不确定性）如何共同影响专业判断，并实证检验了 AI 建议对个体伦理决策倾向的引导作用 [4][7]。
可解释AI分析与定性研究
针对算法"黑箱"问题，研究采用可解释 AI 技术（如 Shapley 值）提升模型透明度，并结合定性视角探讨专业服务公司如何通过战略性适应策略化解算法不可解释性带来的职业抵触，促进人机协作的深度融合 [1][2]。
3 未来研究方向建议
算法透明度与可解释性提升
未来研究应进一步探索如何通过可解释 AI 技术降低会计师对算法的抵触情绪，通过提升决策过程的透明度，构建人机互信的专业协作环境 [2][5]。
生成式AI的伦理治理框架
鉴于 GenAI 对专业判断的深远影响，亟需建立跨学科的伦理准则，明确 AI 在审计与财务报告中的责任边界，防止算法偏见对专业判断产生负面引导 [1][7]。
人机协同决策的边界与优化
未来的研究应关注机器学习在不同市场环境下的适用边界，探讨如何将 AI 的预测优势与人类会计师的定性判断有机结合，以实现复杂财务决策的最优化 [3][6]。
五、参考文献
[1] How to intelligently embrace generative AI: the first guardrails for the use of GenAI in IB research. Journal of International Business Studies. Andrew Delios; Rosalie L. Tung; A. van Witteloostuijn, 2024. https://doi.org/10.1057/s41267-024-00736-0
[2] Accommodating Machine Learning Algorithms in Professional Service Firms. Organization Studies. James Faulconbridge; Atif Sarwar; Martin Spring, 2024. https://doi.org/10.1177/01708406241252930
[3] Predicting Future Earnings Changes Using Machine Learning and Detailed Financial Data. Journal of Accounting Research. XI CHEN; YANG HA CHO; Yiwei Dou; Baruch Lev, 2022. https://doi.org/10.1111/1475-679x.12429
[4] Reliance on Algorithmic Estimates: The Joint Influence of Algorithm Adaptability and Estimation Uncertainty. The Accounting Review. Jenny W. Ulla; Benjamin P. Commerford, 2025. https://doi.org/10.2308/tar-2024-0109
[5] How Useful Are Tax Disclosures in Predicting Effective Tax Rates? A Machine Learning Approach. The Accounting Review. David A. Guenther; Kyle Peterson; J. Searcy; Brian Williams, 2023. https://doi.org/10.2308/tar-2021-0398
[6] Expectations Matter: When (Not) to Use Machine Learning Earnings Forecasts. Management Science. John L. Campbell; Harrison Ham; Zhongjin Lu; Katherine Wood, 2026. https://doi.org/10.1287/mnsc.2024.05808
[7] The Impact of ChatGPT's Advice on Professional Judgment Related with Accounting and the Role of Accounting Education. Journal of Business Ethics. Satoshi Sugahara; Keita Kano, 2026. https://doi.org/10.1007/s10551-026-06365-x
以上报告由 Plato Research Assistant 辅助生成，适合作为研究选题、文献梳理和方向判断的初步参考。 输入研究关键词，即可生成同款结构化顶刊文献报告。点击阅读原文并进入Research Assitant 页面了解详情。
Plato · FT50 顶刊论文研究报告 · 2026-07-17
⚠️ 本报告由 AI 自动生成，内容可能存在误差或遗漏，请自行核实重要信息，仅供参考。
