2021年4月16日下午，在第八十一期“厦门大学会计学科教师与研究生系列Seminar”上，许欣博士报告了她和导师的研究成果：《An Artificial Intelligence Audit Algorithm Based on Eye Tracking and Machine Learning》。此次报告主要包括研究背景、研究动机、研究目标、研究设计及结果和研究贡献几个部分。

    提及研究背景及研究动机，报告人提到了AI如今在社会各个方面的应用，如AI新闻主播、机械臂及AI在医疗领域的应用等，并播放了马斯克近日发布的一则视频——一只猴子用意念玩电子乒乓球游戏。这些均说明现如今AI在逐日兴起并被广泛应用，这给审计带来了巨大的挑战与潜在的机会。但是现有研究及应用主要集中在应用AI去完成一些机械的、可重复性的、繁重的审计工作，如RPA（Robotic Process Automation）、Deloitte Argus和PricewaterhouseCoopers Halo等，而应用AI去完成一些与职业判断相关的复杂型审计任务仍是现有研究的空白。

针对以上研究空白，作者的目标即构建一个审计算法，该算法使得机器能做出与审计师相同的职业判断。审计师的职业判断包括接受信息、处理信息和最终做出决策判断几个过程，其中处理信息这一过程似一个“黑匣子”，很难看到其中具体，而眼动跟踪可以捕捉到审计师在处理信息时的注意力分配情况。因此，针对研究目标，结合眼动跟踪，作者提出了2个研究：（1）由眼动跟踪捕捉审计师注意力分配是否改善了决策判断？（2）怎样构建一个像审计师的AI审计算法去评估风险？

进入到具体研究阶段，首先需要获取样本和数据，分为训练集和测试集。训练集即用来训练模型的样本数据集，数据于第一年获得。作者在致同会计师事务所寻找到99名至少有两年审计工作经验的审计师参加实验，每个审计师被要求读一份有关商誉减值的案例并评估重大错报风险，在这个过程中眼动追踪仪会记录每个审计师的眼动轨迹，实验最终获得73个审计师的可用数据。测试集即用来检验模型效果的样本数据集，数据于第二年获得。作者寻找到14名已经参加过第一年实验的审计师参加，每个审计师被要求读一份有关无形资产减值的案例并评估重大错报风险，眼动跟踪仪仍会在整个过程中记录每个审计师的眼动轨迹，最终获得13个审计师的可用数据。

在获得样本和数据后，作者针对两个目标分别开展两个研究。在研究1中，应用RUSBoost算法，比较两个模型评估的风险（高/低），两个模型分别用间接的表示注意力分配水平的变量（审计师个人特征及环境特征）和直接的注意力分配水平（眼动追踪仪追踪所得）作为预测变量，最终表明后一个模型效果更好，即由眼动跟踪捕捉审计师注意力分配提高了决策判断的准确性，证明眼动跟踪是有用的。在研究2中，应用研究1的结论，采用卷积神经网络算法和RUSBoost算法，构建了一个两步式AI审计算法。为保证结果的稳健性，作者最后还将评估的风险划分为低、中、高风险，研究1结论仍然成立。 

该研究具有理论贡献和实务贡献。在理论层面，研究证明注意力分配是决策判断中不可忽视的变量，并引进一种新的用机器来完成复杂审计任务的方法，同时填充了现有聚焦于预测问题的会计文献，文中的两步式AI审计算法对于在会计研究中将神经科学与机器学习相结合亦具有启示意义。在实务层面，该项研究成果可能帮助提高审计师的工作满意度、工作效率及工作质量，可能有助于初级审计师的培训，还可能提高会计师事务所的人职匹配度。

在报告的最后，现场老师和同学与许欣博士就研究样本、数据及成本等进行了交流与讨论，第八十一期“厦门大学会计学科教师与研究生系列Seminar”圆满结束。