fa مدل رانش هنجار معاملاتی در نظارت الگوریتمی بانک‌ها و دلالت‌های آن برای حسابرسی در ایران حسابرسی Auditing پژوهشي Research <span style="font-size:12pt"><span style="line-height:115%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span style="font-family:Calibri,sans-serif"><span b="" lang="FA" mitra="" style="font-family:">کاربرد الگوریتم‌های یادگیری ماشین در نظارت بر تراکنش‌های بانکی بر این فرض استوار است که می‌توان میان رفتار معاملاتی عادی و مشکوک تمایز نسبتاً پایداری برقرار کرد. این فرض در اقتصادی که سطح قیمت‌ها، ارزش اسمی تراکنش‌ها، قواعد معاملاتی، کانال‌های پرداخت و رفتار مشتریان پیوسته تغییر می‌کنند، با محدودیت روبه‌رو است. مسئله اصلی مقاله این است که تغییر هنجارهای معاملاتی چگونه قابلیت اتکا و حسابرسی‌پذیری مدل‌های نظارت بانکی را تحت تأثیر قرار می‌دهد. مقاله با استفاده از مرور یکپارچه و انتقادی ادبیات، تحلیل اسنادی گزارش‌های بانک‌های مرکزی و نهادهای نظارتی و تحلیل ثانویه داده‌های نظام پرداخت ایران، مفهوم رانش هنجار معاملاتی را صورت‌بندی می‌کند. مدل پیشنهادی سه نوع تغییر را از یکدیگر تفکیک می‌کند: رانش رفتاری ـ توزیعی در مشخصات تراکنش‌ها، رانش رابطه‌ای ـ معنایی در ارتباط میان الگوی معاملاتی و ریسک، و رانش نهادی ـ هنجاری در تعریف رسمی و عملیاتی رفتار مشکوک. حلقه بازخورد میان تصمیم الگوریتم، مداخله بانک و سازگاری مشتریان و متخلفان نیز در مدل وارد می‌شود. بر پایه این چارچوب، قابلیت اتکای نظارت الگوریتمی تابع ساختار فنی مدل و فاصله میان هنجار آموخته‌شده در دوره آموزش و هنجار معاملاتی جاری است. در ایران، تورم، تغییر سریع ارزش اسمی مبادلات، دگرگونی مقررات و جابه‌جایی میان کانال‌های پرداخت می‌توانند آستانه‌های ثابت و مدل‌های به‌روزرسانی‌نشده را با تورم هشدار یا ناتوانی در شناسایی الگوهای جدید مواجه کنند. ازاین‌رو، موضوع حسابرسی باید بازه مرجع داده‌ها، شیوه تشکیل گروه‌های همتا، تعدیل متغیرهای اسمی، تعیین آستانه‌ها، پایش رانش، ثبت نسخه‌های مدل و نحوه مداخله انسانی را دربرگیرد. مدل رانش هنجار معاملاتی چارچوبی برای ارزیابی نظارت الگوریتمی بانک‌ها و طراحی ترتیبات حسابرسی متناسب با شرایط ایران فراهم می‌کند</span>.<span lang="FA" style="font-family:"B Mitra""></span></span></span></span></span></span><br> &nbsp; <span style="font-size:12pt"><span style="unicode-bidi:embed"><span style="line-height:115%"><span style="font-family:Calibri,sans-serif"><span style="font-size:10.0pt"><span style="line-height:115%"><span new="" roman="" style="font-family:" times="">The use of machine-learning algorithms to monitor bank transactions rests on the assumption that a relatively stable distinction can be drawn between normal and suspicious transaction behavior. This assumption is difficult to sustain in an economy where price levels, nominal transaction values, transaction rules, payment channels, and customer behavior continually change. This article examines how changes in transaction norms affect the reliability and auditability of bank monitoring models. Drawing on an integrative and critical review of the literature, documentary analysis of reports issued by central banks and regulatory authorities, and secondary analysis of data from Iran&rsquo;s payment system, the article formulates the concept of transaction norm drift. The proposed model distinguishes among three forms of change: behavioral-distributional drift in transaction characteristics, relational-semantic drift in the association between transaction patterns and risk, and institutional-normative drift in the formal and operational definition of suspicious behavior. The model also incorporates the feedback loop among algorithmic decisions, bank interventions, and adaptation by customers and offenders. Within this framework, the reliability of algorithmic monitoring depends on both the model&rsquo;s technical structure and the distance between the norm learned during the training period and the prevailing transaction norm. In Iran, inflation, rapid changes in the nominal value of transactions, regulatory changes, and shifts among payment channels may cause fixed thresholds and outdated models to produce alert inflation or fail to detect emerging patterns. The scope of auditing should therefore encompass the reference period of the data, peer-group formation, adjustment of nominal variables, threshold setting, drift monitoring, model versioning, and human intervention. The transaction norm drift model provides a framework for evaluating banks&rsquo; algorithmic monitoring systems and designing auditing arrangements suited to Iran&rsquo;s economic and institutional conditions.</span></span></span></span></span></span></span><br> &nbsp; حسابرسی مدل, رانش مفهوم, نظارت الگوریتمی؛ هوش مصنوعی, نظام بانکی ایران Algorithmic monitoring, artificial intelligence, concept drift, Iranian banking system, model auditing, transaction norm drift 188 230 http://danesh.dmk.ir/browse.php?a_code=A-10-2712-1&slc_lang=fa&sid=1 Mohammad Habibpour fatideh محمد حبیب پور فتیده m.habibpour@ut.ac.ir 100319475328460019693 0009-0000-5650-0926 Yes