💻 computer science

Artificial Intelligence-Enabled Accounting Information Systems and Fraud Detection in Nigeria's Financial Services Sector: The Moderating Role of Natural Language Processing

Diese Studie zeigt, dass durch Künstliche Intelligenz gestützte Buchungsinformationssysteme die Betrugserkennung und die Effektivität der Prüfung im nigerianischen Finanzdienstleistungssektor signifikant verbessern, wobei Natural Language Processing als positiver Moderator fungiert, der die semantische Interpretation und die analytische Erklärbarkeit verbessert.

Ursprüngliche Autoren: Timothy Oluwapelumi Adeyemi, Abigail Omotola Ojogbede

Veröffentlicht 2026-07-03

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Timothy Oluwapelumi Adeyemi, Abigail Omotola Ojogbede

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich Nigerias Finanzsystem wie einen riesigen, geschäftigen Marktplatz vor, auf dem sich Geld schneller als ein Herzschlag bewegt. In der Vergangenheit nutzten die „Wächter“, die diesen Marktplatz beobachteten (die Wirtschaftsprüfer), die Quittungen oft erst, nachdem der Tag zu Ende war. Sie suchten nach offensichtlichen Fehlern oder bekannten Tricks mithilfe einer einfachen Checkliste. Aber heute haben die „Diebe“ ihre Werkzeuge aufgerüstet. Sie stehlen nicht mehr nur Bargeld; sie nutzen komplexe digitale Verkleidungen, gefälschte Identitäten und Geschwindigkeit, um durch die Lücken zu schlüpfen, bevor jemand es bemerkt.

Dieses Papier ist wie ein Zeugnis für eine neue Gruppe von hochtechnologischen Sicherheitswächtern, die nigerianische Banken und Finanzunternehmen auszuprobieren versuchen. Hier ist die Aufschlüsselung dessen, was die Studie herausgefunden hat, unter Verwendung einfacher Analogien:

1. Das Problem: Die alte Taschenlampe vs. der neue Sturm

Die Studie erklärt, dass die alte Art, Betrug zu prüfen, so ist, als versuche man, eine Nadel im Heuhaufen mit einer schwachen Taschenlampe bei Nacht zu finden. Man kann nur das sehen, was direkt vor einem liegt, und man muss warten, bis das Chaos angerichtet ist, um mit der Suche zu beginnen.

Die Realität: Moderner Betrug ist wie ein Sturm, der in Sekundenbruchteilen geschieht. Er bewegt sich zu schnell für die alte „Taschenlampe“ (traditionelle Wirtschaftsprüfung), um ihn zu erfassen.
Die Lösung: Das Papier untersucht KI-gestützte Buchhaltungssysteme. Denken Sie daran, die schwache Taschenlampe durch eine Satellitenkamera zu ersetzen, die den gesamten Marktplatz rund um die Uhr, in hoher Auflösung und aus der Ferne überwacht und kleinste Bewegungen aus meilenweiter Entfernung erkennt.

2. Der Hauptheld: Der „Smart Satellite“ (KI)

Die Forscher fragten 186 Finanzexperten in Nigeria (Banker, Wirtschaftsprüfer und Tech-Arbeiter), ob diese neuen „Smart Satellites“ (KI-Systeme) tatsächlich dabei helfen, die Bösen zu fangen.

Was sie herausfanden: Ja, sie funktionieren. Die Studie besagt, dass Banken, wenn sie diese KI-Tools einsetzen, viel besser darin werden:
- Prävention: Verbrechen zu verhindern, bevor sie geschehen (wie ein intelligentes Schloss, das weiß, dass ein Dieb versucht, es zu knacken).
- Detektion: Das Verbrechen während des Geschehens zu erkennen.
- Untersuchung: Schnell herauszufinden, wie es passiert ist.
Der große Gewinner: Die Studie ergab, dass die Prävention der leistungsstärkste Teil ist. Es ist besser, einen Wächter zu haben, der den Dieb an der Tür stoppt, als einen, der ihm nur hinterherjagt, nachdem das Geld bereits weg ist.

3. Die Geheimwaffe: Der „Übersetzer“ (NLP)

Hier wird es interessant. Der KI „Smart Satellite“ ist großartig darin, Zahlen zu betrachten (wie etwa zu prüfen, ob 100 $ überwiesen wurden). Aber Betrüger sind auch gut darin, mit Worten zu lügen. Sie schreiben gefälschte E-Mails, gefälschte Berichte und verwirrende Nachrichten, um ihre Spuren zu verwischen.

Die Lücke: Ein Computer ist normalerweise schlecht darin, menschliche Lügen oder Sarkasmus in einer Textnachricht zu lesen.
Die Lösung: Das Papier führt Natural Language Processing (NLP) ein. Denken Sie an NLP als einen superintelligenten Übersetzer, der neben der KI sitzt.
- Während die KI auf die Zahlen schaut, liest die NLP die Geschichten (E-Mails, Beschwerden, Berichte).
- Sie kann erkennen, ob ein Satz „zwielichtig“ klingt oder ob ein Bericht versucht, die Wahrheit zu verbergen, selbst wenn die Zahlen in Ordnung aussehen.
Das Ergebnis: Die Studie fand heraus, dass das gesamte System noch besser wird, wenn man diesen „Übersetzer“ (NLP) zum „Smart Satellite“ (KI) hinzufügt. Es ist, als hätte man einen Sicherheitswächter, der nicht nur den Dieb sehen, sondern auch dessen Geheimcode verstehen kann.

4. Das Urteil

Das Papier kommt zu dem Schluss, dass in Nigerias schnelllebiger digitaler Welt:

KI-Systeme essenziell sind, um Betrug zu fassen, da sie schneller und intelligenter sind als rein menschliche Kontrollen.
NLP die „Geheimzutat“ ist, die die KI noch intelligenter macht, indem sie hilft, die menschliche Sprache und verborgene Bedeutungen zu verstehen.
Zusammen machen sie das Finanzsystem sicherer, transparenter und schwieriger für Kriminelle, das System zu täuschen.

Kurz gesagt: Das Papier sagt, dass man, um moderne digitale Diebe in Nigeria zu fangen, nicht mehr nur ein Regelwerk braucht. Man benötigt ein hochmodernes KI-System, das die Zahlen beobachtet und einen intelligenten Übersetzer, der die Worte liest, die beide zusammenarbeiten, um Betrug zu stoppen, bevor er das Geld stiehlt.

Technisches Resümee: KI-gestützte Buchhaltungsinformationssysteme und Betrugserkennung im nigerianischen Finanzdienstleistungssektor

1. Problemstellung

Die rasante Digitalisierung der Finanzsysteme in Schwellenländern, insbesondere in Nigeria, hat die operative Effizienz und die finanzielle Inklusion verbessert, gleichzeitig aber auch die Anfälligkeit für hochentwickelten, cyber-gestützten Betrug erhöht. Zeitgenössische Betrugsschemata – von synthetischem Identitätsbetrug und Phishing bis hin zu koordinierten digitalen Täuschungsnetzwerken – umgehen häufig konventionelle Prüfmechanismen. Traditionelle Systeme, die auf retrospektiver Verifizierung, regelbasierter Überwachung und periodischer Stichprobenprüfung beruhen, haben Schwierigkeiten, der Geschwindigkeit, Komplexität und der adaptiven Natur moderner Finanzkriminalität gerecht zu werden.

Darüber hinaus besteht eine signifikante Forschungslücke hinsichtlich der Anwendung dieser Technologien innerhalb der afrikanischen Finanzökosysteme. Bestehende empirische Belege konzentrieren sich stark auf technologisch fortgeschrittene westliche und ostasiatische Volkswirtschaften, wodurch die operativen Realitäten fragmentierter Infrastrukturen und sich entwickelnder regulatorischer Bedingungen in Ländern wie Nigeria untererforscht bleiben. Insbesondere besteht ein begrenztes Verständnis darüber, wie Natural Language Processing (NLP) die Beziehung zwischen KI-gestützten Buchhaltungsinformationssystemen (AIS) und der Wirksamkeit der Prüfung moderiert, insbesondere im Hinblick auf die Interpretation unstrukturierter Textdaten und die Erklärbarkeit KI-gesteuerter Entscheidungen.

2. Methodik

Forschungsdesign und Philosophie:
Die Studie verwendet eine positivistische Forschungsphilosophie und ein quantitatives Querschnittserhebungsdesign. Sie nutzt einen hypothetisch-deduktiven Ansatz, um theoretisch fundierte Hypothesen über die Beziehungen zwischen KI-gestützten AIS, NLP und der Wirksamkeit der Betrugserkennung empirisch zu testen.

Datenerhebung:

Population: Fachkräfte in den Bereichen Wirtschaftsprüfung, Rechnungswesen, Compliance, Betrugsmanagement und Finanzrisikosteuerung innerhalb des regulierten Finanzsektors in Nigeria (Geschäftsbanken, Versicherungsunternehmen und FinTech-Organisationen).
Stichprobenziehung: Es wurde eine stratifizierte gezielte Stichprobenziehung angewandt, um eine Repräsentation über verschiedene Sektoren hinweg zu gewährleisten. Aus einem Stichprobenrahmen von 310 Fachkräften (bezogen aus ICAN- und CIBN-Verzeichnissen) wurden 186 gültige Antworten beibehalten (Rücklaufquote von 74,8 %).
Instrument: Ein strukturierter Fragebogen mit 47 Items, die acht Konstrukte messen: Datenerhebung, Datenanalyse, Risikobewertung, Detektion, Prävention, Untersuchung, Prüfung und Betrugserkennungseffektivität sowie NLP-Kapazität. Die Items wurden auf einer fünfstufigen Likert-Skala gemessen.
Validität und Reliabilität: Die Inhaltsvalidität wurde durch Expertenprüfung etabliert. Die Konstruktvalidität wurde mittels explorativer Faktorenanalyse (EFA) überprüft, wobei Items mit Ladungen unter 0,60 entfernt wurden. Die interne Konsistenz wurde durch Cronbachs Alpha-Werte bestätigt, die für alle Konstrukte über 0,70 lagen. Der Common Method Bias wurde mittels des Harman-Single-Factor-Tests (34,6 % Varianz) bewertet.

Analysestrategie:
Die Daten wurden mit IBM SPSS Statistics 27 und AMOS 27 analysiert. Die Analyse folgte vier Stufen:

Deskriptive Statistik zur Zusammenfassung der Respondent-Profile und Variablenverteilungen.
Diagnostische Tests auf Normalverteilung, Multikollinearität (VIF < 10) und Residuenannahmen.
Multiple lineare Regression zur Untersuchung des Einflusses der Dimensionen KI-gestützter AIS auf die Wirksamkeit der Prüfung.
Hierarchische moderierte Regression zur Testung der moderierenden Rolle von NLP, unter Anwendung der Verfahren von Baron und Kenny sowie Cohen et al., unter Verwendung von zentrierten Mittelwerten zur Reduzierung der Multikollinearität.

3. Zentrale Beiträge

Kontextuelle Empirie: Die Studie liefert empirische Belege aus Nigeria, einer Schwellenwirtschaft, die durch schnelle Digitalisierung und infrastrukturelle Fragmentierung gekennzeichnet ist, und erweitert damit die Anwendbarkeit intelligenter Prüfungsforschung über entwickelte westliche und ostasiatische Kontexte hinaus.
Theoretische Integration: Sie verankert die Untersuchung in der Fraud Diamond Theory (unter Einbeziehung von „Capability“ als vierte Dimension des Betrugs) und dem Technology Acceptance Model (TAM) (mit Fokus auf wahrgenommene Nützlichkeit und Benutzerfreundlichkeit). Dieser duale Rahmen erklärt sowohl die strukturellen Bedingungen, die Betrug begünstigen, als auch die institutionellen Dynamiken, die die Technologieadoption vorantreiben.
Moderierende Rolle von NLP: Die Forschung isoliert und testet spezifisch den moderierenden Effekt von NLP und adressiert damit eine Lücke in der Literatur bezüglich der Frage, wie semantische Interpretationsfähigkeiten die Effektivität der KI-gestützten Betrugserkennung in Umgebungen verbessern, in denen unstrukturierte Textdaten (z. B. Prüfungsberichte, Compliance-Narrative) entscheidend sind.

4. Ergebnisse

Deskriptive Befunde:
Die Befragten hatten generell positive Wahrnehmungen hinsichtlich der KI-gestützten AIS und der NLP-Kapazitäten. „Datenanalyse“ (Mittelwert = 3,96) und „Detektion“ (Mittelwert = 3,93) wurden am höchsten bewertet, während „Datenerhebung“ und „Untersuchung“ niedrigere Werte erzielten, was auf potenzielle infrastrukturelle und Integrationsherausforderungen hindeutet.

Hypothesenprüfung (H1):
Die multiple Regressionsanalyse ergab, dass die Dimensionen der KI-gestützten AIS gemeinsam etwa 62,6 % der Varianz in der Prüfungs- und Betrugserkennungseffektivität erklären ( $R^2 = 0,626$ , $p < 0,001$ ).

Prävention erwies sich als der stärkste Prädiktor ( $\beta = 0,384, p < 0,001$ ), was darauf hindeutet, dass proaktives, prädiktives Monitoring die kritischste Komponente einer effektiven Betrugssteuerung ist.
Detektion ( $\beta = 0,173, p < 0,001$ ), Datenerhebung ( $\beta = 0,149, p = 0,001$ ) und Datenanalyse ( $\beta = 0,117, p = 0,015$ ) zeigten ebenfalls statistisch signifikante positive Einflüsse.
Die Risikobewertung wies eine positive, aber marginal insignifikante Beziehung auf ( $p = 0,058$ ), was darauf hindeutet, dass ihre Wirksamkeit von ergänzenden institutionellen Bedingungen abhängen kann.

Moderationsanalyse (H2):
Die hierarchische moderierte Regression bestätigte, dass NLP die Beziehung zwischen KI-gestützten AIS und der Prüfungseffektivität signifikant moderiert.

Die Einbeziehung von NLP verbesserte die Erklärungsleistung des Modells ( $\Delta R^2 = 0,035, p = 0,002$ ).
Der Interaktionsterm (KI $\times$ NLP) war statistisch signifikant ( $\Delta R^2 = 0,013, p = 0,041$ ).
Die Ergebnisse zeigen, dass NLP als komplementäre Fähigkeit fungiert, welche die Effektivität von KI-Systemen dadurch steigert, dass sie die Analyse von strukturierten numerischen Daten auf unstrukturierte Textumgebungen (z. B. Prüfungsberichte, Offenlegungserklärungen) ausweitet und somit die semantische Interpretation und investigative Präzision verbessert.

5. Bedeutung und Ansprüche

Die Arbeit behauptet, dass KI-gestützte AIS und NLP zunehmend wichtig sind, um die Betrugssteuerung, die regulatorische Rechenschaftspflicht und das institutionelle Vertrauen in komplexen digitalen Finanzumgebungen zu stärken.

Praktische Bedeutung: Die Studie argumentt, dass Finanzinstitute vom retrospektiven, regelbasierten Audit zu einem kontinuierlichen, intelligenten Monitoring übergehen müssen. Sie hebt hervor, dass präventive Fähigkeiten der effektivste Mechanismus zur Minderung von Betrugsverlusten sind. Des Weiteren postuliert sie, dass NLP essenziell ist, um die „Black-Box“-Natur der KI zu adressieren, indem algorithmische Outputs in nachvollziehbare Prüfungsberichte übersetzt werden, was die Erklärbarkeit und regulatorische Verteidigungsfähigkeit verbessert.
Theoretische Bedeutung: Die Ergebnisse erweitern die Fraud Diamond Theory, indem sie zeigen, wie KI die „Opportunity“-Dimension (Gelegenheit) von Betrug durch kontinuierliche Überwachung und automatisierte Compliance reduziert. Gleichzeitig verstärken die Ergebnisse das TAM, indem sie nahelegen, dass Institutionen diese Technologien primär aufgrund ihrer wahrgenommenen Nützlichkeit zur Verbesserung der Governance-Leistung und operativen Effizienz adaptieren.
Limitierungen: Die Autoren räumen bescheiden ein, dass das Querschnittsdesign die kausale Inferenz einschränkt und die Verwendung von wahrnehmungsbasierten Umfragedaten Bias einführen kann. Sie schlagen vor, dass zukünftige Forschung longitudinale oder Mixed-Methods-Ansätze verwenden sollte, um die langfristigen organisationalen Auswirkungen zu untersuchen.

Zusammenfassend stellt die Studie fest, dass KI-gestützte AIS zwar die fundamentale Architektur für moderne Betrugserkennung bieten, die Integration von NLP jedoch ein kritischer moderierender Faktor ist, der den analytischen Umfang, die Interpretierbarkeit und die allgemeine Governance-Effektivität in komplexen, datenintensiven Finanzökosystemen wie dem nigerianischen verbessert.