超越“黑箱”:审计大模型的因果可解释性框架

罗洋皓 (作者)

广西财经学院

莫磊 (通讯作者)

广西财经学院

已出版

2026-11-19

摘要

大模型的“黑箱”特性与审计结论必须可追溯、可验证、可复核的刚性要求之间存在根本张力,已成为制约审计大模型规模化应用的瓶颈。本文借鉴可解释人工智能理论与因果推断方法,构建基于因果链的内部审计大模型可解释性框架:第一阶段由自然语言处理模型抽取凭证实体,并以SHAP值量化各特征对风险评分的贡献;第二阶段以因果图刻画特征间的因果路径、区分直接原因与伪相关,并由大语言模型生成反事实解释;第三阶段在审计报告中呈现风险等级、关键特征置信度与完整因果链。以应收账款审计场景为例的比较表明,该设计能使不透明的评分转变为可追溯、可验证的审计证据链。本文进一步讨论幻觉风险与数据治理成本,并提出人机协同复核与“T型”人才培养等对策。

参考文献
  • [1] 陈伟. DeepSeek人工智能大模型在审计中的应用研究[J]. 中国注册会计师. 2025(3): 49-54. DOI: https://doi.org/10.61369/SE.2025010015

  • [2] 刘政, 郭旭, 邱实. 基于人工智能大模型的企业审计画像数据治理体系探索[J]. 中国内部审计. 2025(4): 28-35.

  • [3] 张莉, 魏华. 人工智能赋能内部审计:深度融合与创新发展[J]. 中国内部审计. 2025(4): 36-39.

  • [4] 赵鑫. 人工智能与大数据在内部审计中的应用[J]. 中国乡镇企业会计. 2024(12): 55-57. DOI: https://doi.org/10.37155/2717-5170-0507-18

  • [5] 胡云, 姚文. 新质生产力背景下企业智能内部审计路径探索[J]. 中国农业会计. 2024, 34(23): 72-74.

  • [6] 罗斌, 曾静. 基于人工智能大模型的智能审计模式研究[J]. 中国注册会计师. 2025(9): 79-83. DOI: https://doi.org/10.61654/rgznyj2026.06.001

  • [7] 张莉. 大语言模型在审计领域的潜在应用与技术路径[J]. 会计之友. 2024(24): 2-9. DOI: https://doi.org/10.61369/EDTR.7851

  • [8] Lundberg S M, Lee S I. A unified approach to interpreting model predictions[C]. Advances in Neural Information Processing Systems. 2017, 30: 4765-4774.

  • [9] Pearl J. Causality: Models, reasoning, and inference[M]. 2nd ed. Cambridge: Cambridge University Press. 2009. DOI: https://doi.org/10.1017/CBO9780511803161

  • [10] Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead[J]. Nature Machine Intelligence. 2019, 1(5): 206-215. DOI: https://doi.org/10.1038/s42256-019-0048-x

PDF
期次
卷 2 期 7 (2026)
栏目
文章
许可证

如何引用

罗洋皓, & 莫磊. (2026). 超越“黑箱”:审计大模型的因果可解释性框架. 经济管理前沿研究, 2(7), 1-5. https://doi.org/10.63944/sjmx.JFEMR