ابراهیمیان محمد رضا، ایزدی نیا ناصر و امیری هادی(1399)در مطالعهای تحت عنوان ارائه مدلی به منظور پیشبینی احتمال تقلب در صورتهای مالی با استفاده از رگرسیون لجستیک، دانش حسابرسی، سال بیستم، شماره 79.
برنا محمدرضا، برادران حسن زاده رسول، فضل زاده علیرضا و بادآور نهندی یونس(1401)، الگوی عوامل موثر بر وقوع تقلب در صورت های مالی با رویکرد حسابداری دادگاهی: بر اساس روش تحلیل مضمون(تم)، پژوهش های کاربردی در گزارشگری مالی ، دوره یازدهم، شماره 21.
تاراسی، مجتبی، بنی طالبی دهکردی، بهاره، زمانی، بهزاد، (1398)،" پیش بینی گزارشگری مالی متقلبانه از طریق شبکه عصبی مصنوعی (ANN)،فصلنامه علمی پژوهشی حسابداری مدیریت، 12، 63- 79.
خواجوی شکراله و ابراهیمی مهرداد(1396)، بررسی تأثیر متغیرهای حسابرسی بر احتمال وقوع تقلب در صورتهای مالی: شواهدی از شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، دانش حسابرسی، سال هفدهم، شماره68.
دهدار فرهاد و مرادی محمد حسین(1400)، بهره گیری از رویکرد داده کاوی و شناسایی تقلب در صورت های مالی، فصلنامه چشم انداز حسابداری و مدیریت، دوره 4، شماره45.
رسولی پر شکوه سجاد، حاجی هاشمی ورنوسفادرانی منصوره و شهری مریم(1401)، رابطه کیفیت حسابرسی، ثبات و هدف مالی با امکان تقلب در صورتهای مالی، فصلنامه رویکردهای پژوهشی نوین در مدیریت و حسابداری، سال ششم، شماره 84.
رضایی مهدی، ناظمی اردکانی مهدی و ناصر صدر آبادی علیرضا(1399)، پیشبینی تقلب صورتهای مالی با استفاده از رویکرد کریسپ(CRISP)، فصلنامه علمی پژوهشی دانش حسابداری و حسابرسی مدیریت سال دهم / شماره /04 زمستان 0044.
عربیان اصل(1401) تاثیر تکنولوژی هوش مصنوعی بر حسابداری پالایشگاههای کشور با تاکید بر مدیریت کاهش هزینههای حسابداری و تقلب مطالعه موردی: پالایش گاز فجر جم، پژوهش های کاربردی در مدیریت و حسابداری، شماره ،25 بهار ،1401 ص -50-40.
علیزادگان لیلا، صمدی لرگانی محمود و ایمنی محسن (1401)، تأثیر تیپ شخصیتی و اخلاق حرفهای بر توانایی حسابرسان در کشف تقلب با استفاده از تئوری رفتار برنامه ریزی شده با نقش تردید حرفهای، پژوهشهای حسابداری مالی و حسابرسی، دوره 14، شماره2.
کامرانی حسین، بیژن عابدینی(1401)، تدوین مدل کشف تقلب صورتهای مالی با استفاده از روش های شبکه عصبی مصنوعی و ماشین بردار پشتیبانی در شرکت های پذیرفته شده در بورس اوراق بهادر تهران، فصلنامه علمی پژوهشی دانش حسابداری و حسابرسی مدیریت، سال یازدهم، شماره41.
مـرادی، مهدی و مجتبی سـلیمانی مارشـک (1390)،روانشناسـی و جامعه شناسـی تقلـب. فصلنامــه دانــش حسابرســی، شــماره،42 بهــار،1390 صــص 56-71
نجفی سمیه، صالحی اله کرم و امیری هوشنگ(1401)، ارائه الگویی برای کشف تقلب مالیاتی بر اساس تیپهای شخصیتی مدیران مالی شرکتها با استفاده از رویکرد شبکههای عصبی، پژوهشنامه مالیات، شماره پنجاه و سه.
Al Ali. A, M. Khedr. A, El-Bannany. M, Sakeena Kanakkayil. S (2023), A Powerful Predicting Model for Financial Statement Fraud Based on Optimized XGBoost Ensemble Learning Technique, Learning Technique. Appl. Sci. 2023, 13, 2272. https://doi.org/10.3390/ app13042272.
Ali, A.; Abd Razak, S.; Othman, S.H.; Eisa, T.A.E.; Al-Dhaqm, A.; Nasser, M.; Elhassan, T.; Elshafie, H.; Saif, A. Financial Fraud Detection Based on Machine Learning: A Systematic Literature Review. Appl. Sci. 2022, 12, 9637. https://doi.org/10.3390/ app12199637.
Bannany.M, Dehghan.A, Khedr,A, Prediction of Financial Statement Fraud using Machine Learning Techniques in UAE, 2021 18th International Multi-Conference on Systems, Signals & Devices (SSD).
Chi-Chen, Lin, An-An Chiu, Shaio Yan Huang, David C. Yen, (2015),” Detecting The Financial Statement Fraud: The Analysis Of The Differences Between Data Mining Techniques And Experts Judgments”, Knowledge-Based Systems, 89(15), Pp.459-470.
Cressey, D. R. (1950). The criminal violation of financial trust. American Sociological Review. 15(6): 738-743.
Dehghan.A and Khedr.A, Prediction of Financial Statement Fraud using Machine Learning Techniques in UAE,
2021 18th International Multi-Conference on Systems, Signals & Devices (SSD).
Gbegi, D. O., & Adebisi, J. F. (2013). The new fraud diamond model—how can it help forensic accountants in fraud investigation in Nigeria. European Journal of Accounting Auditing and Fiancé Research, 1(4), 129-138.
Jan.C-L (2021), Detection of Financial Statement Fraud Using Deep Learning for Sustainable Development of Capital Markets under Information Asymmetry, Sustainability 2021, 13, 9879. https:// doi.org/10.3390/su13179879.
Kazemi.T and Piri.P(2022), Financial Reporting Fraud Scheme Prediction via Machine Learning Approach – Multiclass Classification, Alzahra University, Faculty of Social Sciences and Economics Empirical Research in Accounting, Winter 2022, V. 12, No. 46, pp.255-276.
Khaksari.I, Shoorvarzi .M, Mehrazeen.A and Massihabadi.A(2022), Developing a model to predict fraudulent financial reporting, Int. J. Nonlinear Anal. Appl. In Press, 1–13 ISSN: 2008-6822 (electronic)
http://dx.doi.org/10.22075/ijnaa.2022.27975.3773.
Kureljusic.M and Karger.E (2023), Forecasting in financial accounting with artificial intelligence – A systematic literature review and future research agenda, Journal of Applied Accounting Research, 10.1108/JAAR-06-2022-0146.
Ramamoorti, S., Morrison, D., & Koletare, J. W. (2009). Bringing fraud to fraud: understanding the state of- mind of the C-Level suite/white collar offender through ‘‘A-B-C’’ analysis. Working Paper, Institute for Fraud Prevention
Zhao, Z.; Bai, T. Financial Fraud Detection and Prediction in Listed Companies Using SMOTE and Machine Learning Algorithms. Entropy 2022, 24, 1157. https:// doi.org/10.3390/e24081157.
