ผลกระทบของปัญญาประดิษฐ์และการเรียนรู้ของเครื่องต่ออัตราการตรวจจับการฉ้อโกงในบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้มีวัตถุประสงค์เพื่อ 1) ทดสอบความแตกต่างในอัตราการตรวจจับการฉ้อโกงระหว่างองค์กรที่ใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง และค่าเฉลี่ยอัตราการตรวจจับการฉ้อโกงทั่วไป 2) ทดสอบความเสี่ยงในการฉ้อโกงระหว่างองค์กรที่ใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องและองค์กรที่ไม่ใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง และ 3) ศึกษาปัจจัยที่มีผลต่ออัตราการตรวจจับการฉ้อโกง ในบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทย กลุ่มตัวอย่างในการวิจัย ประกอบด้วยผู้บริหารและเจ้าหน้าที่ตรวจสอบภายในของบริษัทจดทะเบียนในตลาดหลักทรัพย์จำนวน 174 คน เครื่องมือที่ใช้เป็นแบบสอบถาม ทั้งฉบับมีค่า IOC อยู่ระหว่าง 0.78 - 0.92 และมีค่าความเชื่อมั่น เท่ากับ 0.82 - 0.86 และวิเคราะห์สถิติเพื่อทดสอบสมมติฐานและประเมินความสัมพันธ์ระหว่างการใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องกับอัตราการตรวจจับการฉ้อโกง
ผลการวิจัยพบว่า 1) องค์กรที่ใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องมีอัตราการตรวจจับการฉ้อโกงสูงกว่าค่าเฉลี่ยของอุตสาหกรรม อย่างมีนัยสำคัญทางสถิติที่ระดับ 0.01 2) องค์กรที่ใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง มีความเสี่ยงในการฉ้อโกงต่ำกว่ากลุ่มที่ไม่ใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง อย่างมีนัยสำคัญทางสถิติที่ระดับ 0.01 และ 3) ปัจจัยที่มีผลต่ออัตราการตรวจจับการฉ้อโกง อย่างมีนัยสำคัญทางสถิติ ได้แก่ การใช้ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องในการตรวจจับการฉ้อโกง ความพึงพอใจในการใช้ และประสบการณ์ในการทำงาน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความทุกเรื่องได้รับการตรวจความถูกต้องทางวิชาการโดยผู้ทรงคุณวุฒิ ทรรศนะและข้อคิดเห็นในบทความ Journal of Global of Perspectives in Humanities and Social Sciences (J-GPHSS) มิใช่เป็นทรรศนะและความคิดของผู้จัดทำจึงมิใช่ความรับผิดชอบของบัณฑิตวิทยาลัย มหาวิทยาลัยราชภัฏวไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ กองบรรณาธิการไม่สงวนสิทธิ์การคัดลอก แต่ให้อ้างอิงแหล่งที่มา
เอกสารอ้างอิง
Aaker, D. V., Kumar, V. & Day, G. S. (2001). Marketing research (7th ed.). John Wiley & Sons.
Brown, M. & Green, P. (2021). Artificial intelligence in financial fraud detection: User perspectives and satisfaction. International Journal of Financial Technology. 11(1), 22-37.
Fajardo, V. A., Findlay, D., Jaiswal, C., Yin, X. & Emerson, D. B. (2020). On oversampling imbalanced data with deep conditional generative models. Expert Systems with Applications. 169, 114463.
Hossain, M. S., Rahman, M. A., Islam, M. T. & Hasan, M. M. (2022). A comprehensive survey on fraud detection techniques for online financial systems. ACM Computing Surveys. 55(1), 1–42.
Johnson, P. S. & Martinez, A. R. (2020). Fraud detection in mobile payment systems: Challenges and approaches. Mobile Computing and Communications Review. 24(3), 60–73.
Johnson, R. B., Brown, S. K. & Jones, M. T. (2020). Advances in fraud detection: A review of recent research. Journal of Financial Crime. 27(2), 267–285.
Li, X., Wang, J. & Yang, C. (2023). Risk prediction in financial management of listed companies based on optimized BP neural network under digital economy. Neural Computing and Applications. 35(3), 2045–2058.
Mishra, K. N. & Pandey, S. C. (2021). Fraud prediction in smart societies using logistic regression and k-fold machine learning techniques. Wireless Personal Communications. 119(3), 1–27.
Ni, D., Lim, M. K., Li, X., Qu, Y. & Yang, M. (2023). Monitoring corporate credit risk with multiple data sources. Industrial Management & Data Systems. 123(2), 434–450.
Njoku, D. O., Iwuchukwu, V. C., Jibiri, J. E., Ikwuazom, C. T., Ofoegbu, C. I. & Nwokoma, F. O. (2024). Machine learning approach for fraud detection system in financial institution: A web-based application. International Journal of Engineering Research and Development. 20(4), 1–12.
Nunnally, J. C. & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
Rohith, B. C. & Nelson, M. (2023). Artificial intelligence-based credit card fraud detection for online transactions optimized with sparrow search algorithm. International Journal of Performance Engineering. 19(9), 624–632.
Sekcinska, K., Jaworska, D., Rudzinska-Wojciechowska, J. & Kusev, P. (2023). The effects of activating gender-related social roles on financial risk-taking. Experimental Psychology. 70(1), 40–50.
Stock Exchange of Thailand. (2024). Annual financial performance report. https://www.set.or.th
