💻 computer science

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

यह अध्ययन प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस-सक्षम लेखा सूचना प्रणाली नाइजीरिया के वित्तीय सेवा क्षेत्र में धोखाधड़ी का पता लगाने और ऑडिटिंग प्रभावशीलता को महत्वपूर्ण रूप से बढ़ाती है, जिसमें नेचुरल लैंग्वेज प्रोसेसिंग एक सकारात्मक मॉडरेटर के रूप में कार्य करती है जो सिमेंटिक व्याख्या और विश्लेषणात्मक स्पष्टीकरण में सुधार करती है।

मूल लेखक: Timothy Oluwapelumi Adeyemi, Abigail Omotola Ojogbede

प्रकाशित 2026-07-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Timothy Oluwapelumi Adeyemi, Abigail Omotola Ojogbede

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

नाइजीरिया की वित्तीय प्रणाली की कल्पना एक विशाल, हलचल भरे बाज़ार के रूप में करें जहाँ पैसा दिल की धड़कन से भी तेज़ गति से चलता है। अतीत में, इस बाज़ार की निगरानी करने वाले "गार्ड्स" (ऑडिटर्स) दिन खत्म होने के बाद रसीदों की जाँच किया करते थे। वे एक साधारण चेकलिस्ट का उपयोग करके स्पष्ट गलतियों या ज्ञात धोखाधड़ियों को देखते थे। लेकिन आज, "चोरों" ने अपने औजारों को अपग्रेड कर लिया है। वे केवल नकदी नहीं चुरा रहे हैं; वे जटिल डिजिटल भेष, नकली पहचान और गति का उपयोग कर रहे हैं ताकि किसी के भी ध्यान देने से पहले ही वे दरारों से निकल सकें।

यह शोध पत्र उन नए हाई-टेक सुरक्षा गार्डों पर एक रिपोर्ट कार्ड की तरह है जिन्हें नाइजीरियाई बैंक और वित्तीय कंपनियाँ आज़मा रही हैं। यहाँ बताया गया है कि इस अध्ययन में क्या पाया गया, सरल उपमाओं का उपयोग करते हुए:

1. समस्या: पुराना टॉर्च बनाम नया तूफान

अध्ययन बताता है कि धोखाधड़ी की जाँच करने का पुराना तरीका रात में एक मंद टॉर्च का उपयोग करके घास के ढेर में सुई खोजने जैसा है। आप केवल वही देख सकते हैं जो आपके ठीक सामने है, और आपको देखने के लिए शुरू करने के लिए गड़बड़ी होने का इंतज़ार करना पड़ता है।

वास्तविकता: आधुनिक धोखाधड़ी एक तूफान की तरह है जो सेकंडों में होता है। यह पुराने "टॉर्च" (पारंपरिक ऑडिटिंग) के लिए बहुत तेज़ है जिसे इसे पकड़ने में समय लगता है।
समाधान: यह पत्र AI-सक्षम अकाउंटिंग सिस्टम की ओर देखता है। इसे एक मंद टॉर्च को एक सैटेलाइट कैमरे से बदलने के रूप में समझें जो पूरे बाज़ार को 24/7, हाई डेफिनेशन में देखता है और एक मील दूर से भी एक छोटी सी हलचल को पहचान सकता है।

2. मुख्य नायक: "स्मार्ट सैटेलाइट" (AI)

शोधकर्ताओं ने 186 वित्तीय विशेषज्ञों (बैंकरों, ऑडिटरों और तकनीकी कर्मियों) से पूछा कि क्या ये नए "स्मार्ट सैटेलाइट्स" (AI सिस्टम) वास्तव में बुरे लोगों को पकड़ने में मदद करते हैं।

उन्होंने क्या पाया: हाँ, वे काम करते हैं। अध्ययन कहता है कि जब बैंक इन AI उपकरणों का उपयोग करते हैं, तो वे इनमें बहुत बेहतर हो जाते हैं:
- रोकथाम (Prevention): अपराध होने से पहले उसे रोकना (जैसे एक स्मार्ट लॉक जो जानता है कि एक चोर ताला खोलने की कोशिश कर रहा है)।
- पता लगाना (Detection): अपराध होते समय उसे पहचानना।
- जांच (Investigation): यह पता लगाना कि यह कैसे हुआ, और वह भी तेज़ी से।
बड़ा विजेता: अध्ययन ने पाया कि रोकथाम (Prevention) सबसे शक्तिशाली हिस्सा है। पैसे चोरी होने के बाद चोर का पीछा करने वाले गार्ड से बेहतर है कि एक ऐसा गार्ड हो जो दरवाजे पर ही चोर को रोक दे।

3. गुप्त हथियार: "अनुवादक" (NLP)

यहाँ मामला दिलचस्प हो जाता है। AI "स्मार्ट सैटेलाइट" संख्याओं (जैसे यह देखना कि $100 ट्रांसफर किया गया या नहीं) को देखने में बहुत अच्छा है। लेकिन धोखेबाज शब्दों के साथ झूठ बोलने में भी माहिर होते हैं। वे अपने पदचिह्नों को छिपाने के लिए फर्जी ईमेल, फर्जी रिपोर्ट और भ्रमित करने वाले संदेश लिखते हैं।

कमी: एक कंप्यूटर आमतौर पर टेक्स्ट मैसेज में मानवीय झूठ या व्यंग्य को पढ़ने में बुरा होता है।
समाधान: यह पत्र नेचुरल लैंग्वेज प्रोसेसिंग (NLP) को पेश करता है। NLP को एक सुपर-स्मार्ट अनुवादक के रूप में समझें जो AI के बगल में बैठा है।
- जहाँ AI संख्याओं को देखता है, वहीं NLP कहानियों (ईमेल, शिकायतें, रिपोर्ट) को पढ़ता है।
- यह बता सकता है कि क्या कोई वाक्य "संदिग्ध" लग रहा है या क्या कोई रिपोर्ट सच्चाई छिपाने की कोशिश कर रही है, भले ही संख्याएँ ठीक दिख रही हों।
परिणाम: अध्ययन ने पाया कि जब आप इस "अनुवादक" (NLP) को "स्मार्ट सैटेलाइट" (AI) में जोड़ते हैं, तो पूरा सिस्टम और भी बेहतर हो जाता है। यह एक ऐसे सुरक्षा गार्ड की तरह है जो न केवल चोर को देख सकता है बल्कि चोर के गुप्त कोड को भी समझ सकता है।

4. निर्णय

पत्र इस निष्कर्ष पर पहुँचता है कि नाइजीरिया की तेज़ चलती डिजिटल दुनिया में:

AI सिस्टम धोखाधड़ी को पकड़ने के लिए आवश्यक हैं क्योंकि वे मानव-मात्र की जाँच की तुलना में तेज़ और स्मार्ट हैं।
NLP वह "सीक्रेट सॉस" है जो AI को और भी स्मार्ट बनाता है क्योंकि यह मानवीय भाषा और छिपे हुए अर्थों को समझने में मदद करता है।
साथ मिलकर, वे वित्तीय प्रणाली को सुरक्षित, अधिक पारदर्शी और अपराधियों के लिए धोखा देना कठिन बनाते हैं।

संक्षेप में: पत्र कहता है कि नाइजीरिया में आधुनिक डिजिटल चोरों को पकड़ने के लिए, आप अब केवल नियम पुस्तिका का उपयोग नहीं कर सकते। आपको एक हाई-टेक AI सिस्टम की आवश्यकता है जो संख्याओं की निगरानी करता है और एक स्मार्ट अनुवादक की भी, जो शब्दों को पढ़ता है, जो धोखाधड़ी को रोकने के लिए मिलकर काम करते हैं।

तकनीकी सारांश: नाइजीरिया के वित्तीय सेवा क्षेत्र में आर्टिफिशियल इंटेलिजेंस-सक्षम लेखा सूचना प्रणाली और धोखाधड़ी का पता लगाना

1. समस्या विवरण

उभरती अर्थव्यवस्थाओं, विशेष रूप से नाइजीरिया में वित्तीय प्रणालियों के तीव्र डिजिटलीकरण ने परिचालन दक्षता और वित्तीय समावेशन को बढ़ाया है, लेकिन साथ ही परिष्कृत साइबर-जनित धोखाधड़ी के प्रति जोखिम भी बढ़ा दिया है। समकालीन धोखाधड़ी योजनाएं—सिंथेटिक पहचान धोखाधड़ी और फिशिंग से लेकर समन्वित डिजिटल धोखे के नेटवर्क तक—अक्सर पारंपरिक ऑडिटिंग तंत्रों को दरकिनार कर देती हैं। पारंपरिक प्रणालियाँ, जो पूर्वव्यापी सत्यापन, नियम-आधारित निगरानी और आवधिक नमूनाकरण (periodic sampling) पर निर्भर करती हैं, आधुनिक वित्तीय अपराधों की गति, जटिलता और अनुकूलन क्षमता को संबोधित करने में संघर्ष करती हैं।

इसके अलावा, इन प्रौद्योगिकियों के अनुप्रयोग के संबंध में साहित्य में एक महत्वपूर्ण अंतर मौजूद है, विशेष रूप से अफ्रीकी वित्तीय पारिस्थितिकी तंत्र के भीतर। मौजूदा अनुभवजन्य साक्ष्य अत्यधिक रूप से उन्नत पश्चिमी और पूर्वी एशियाई अर्थव्यवस्थाओं में केंद्रित हैं, जिससे नाइजीरिया जैसे देशों में खंडित बुनियादी ढांचे और विकसित नियामक स्थितियों की परिचालन वास्तविकताओं का अन्वेषण कम हुआ है। विशेष रूप से, इस बात की समझ सीमित है कि नेचुरल लैंग्वेज प्रोसेसिंग (NLP) कैसे AI-सक्षम लेखा सूचना प्रणालियों (AIS) और ऑडिटिंग प्रभावशीलता के बीच के संबंध को मध्यम (moderate) करता है, विशेष रूप से असंरचित पाठ्य डेटा (unstructured textual data) की व्याख्या और AI-संचालित निर्णयों की व्याख्यात्मकता (explainability) के संबंध में।

2. कार्यप्रणाली

अनुसंधान डिजाइन और दर्शन:
यह अध्ययन एक प्रत्यक्षवादी (positivist) अनुसंधान दर्शन और एक मात्रात्मक क्रॉस-सेक्शनल सर्वेक्षण डिजाइन का उपयोग करता है। यह AI-सक्षम AIS, NLP और धोखाधड़ी का पता लगाने की प्रभावशीलता के बीच संबंधों के संबंध में सिद्धांत-आधारित परिकल्पनाओं का अनुभवजन्य परीक्षण करने के लिए एक परिकल्पना-निगमनात्मक (hypothetico-deductive) दृष्टिकोण का उपयोग करता है।

डेटा संग्रह:

जनसंख्या: नाइजीरिया के विनियमित वित्तीय क्षेत्र (वाणिज्यिक बैंक, बीमा फर्म और फिनटेक संगठन) के भीतर ऑडिटिंग, अकाउंटिंग, अनुपालन, धोखाधड़ी प्रबंधन और वित्तीय जोखिम शासन में कार्यरत पेशेवर।
नमूनाकरण (Sampling): विभिन्न क्षेत्रों में प्रतिनिधित्व सुनिश्चित करने के लिए एक स्तरीकृत उद्देश्यपूर्ण नमूनाकरण (stratified purposive sampling) तकनीक का उपयोग किया गया था। 310 पेशेवरों के सैंपलिंग फ्रेम (ICANN और CIBN निर्देशिकाओं से प्राप्त) से, 186 वैध प्रतिक्रियाएं प्राप्त हुईं (74.8% प्रतिक्रिया दर)।
उपकरण: एक संरचित प्रश्नावली जिसमें आठ निर्माणों (constructs) को मापने वाले 47 आइटम थे: डेटा गैदरिंग, डेटा विश्लेषण, जोखिम मूल्यांकन, पहचान, रोकथाम, जांच, ऑडिटिंग और धोखाधड़ी का पता लगाने की प्रभावशीलता, और NLP क्षमता। आइटमों को पांच-बिंदु लिकर्ट स्केल पर मापा गया था।
वैधता और विश्वसनीयता: विशेषज्ञ समीक्षा के माध्यम से सामग्री वैधता स्थापित की गई थी। संरचनात्मक वैधता का आकलन एक्सप्लोरेटरी फैक्टर एनालिसिस (EFA) का उपयोग करके किया गया था, जिसमें 0.60 से कम लोडिंग वाले आइटमों को हटा दिया गया। आंतरिक निरंतरता को सभी निर्माणों के लिए 0.70 से अधिक के क्रोनबैक अल्फा मानों के साथ पुष्ट किया गया। कॉमन मेथड बायस का आकलन हार्मोन के सिंगल-फैक्टर टेस्ट (34.6% वेरिएंस) के माध्यम से किया गया।

विश्लेषणात्मक रणनीति:
डेटा का विश्लेषण IBM SPSS Statistics 27 और AMOS 27 का उपयोग करके किया गया। विश्लेषण चार चरणों में हुआ:

उत्तरदाताओं के प्रोफाइल और चर वितरण को सारांशित करने के लिए वर्णनात्मक सांख्यिकी।
सामान्यता (normality), बहुसंलक्षणता (multicollinearity - VIF < 10), और अवशेष धारणाओं (residual assumptions) के लिए नैदानिक परीक्षण।
ऑडिटिंग प्रभावशीलता पर AI-सक्षम AIS आयामों के प्रभाव की जांच के लिए मल्टीपल लीनियर रिग्रेशन।
NLP की मध्यम भूमिका का परीक्षण करने के लिए, बैरन और केनी तथा कोहेन आदि की प्रक्रियाओं के साथ पदानुक्रमित मॉडरेटेड रिग्रेशन (hierarchical moderated regression), जिसमें मल्टीकोलिनैरिटी को कम करने के लिए मीन-सेंटर्ड चरों का उपयोग किया गया।

3. प्रमुख योगदान

संदर्भगत अनुभवजन्य साक्ष्य (Contextual Empiricism): यह अध्ययन नाइजीरिया से अनुभवजन्य साक्ष्य प्रदान करता है, जो एक तेजी से डिजिटल होते और बुनियादी ढांचे के बिखराव वाली उभरती अर्थव्यवस्था है, जिससे विकसित पश्चिमी और पूर्वी एशियाई संदर्भों से परे बुद्धिमान ऑडिटिंग अनुसंधान की प्रयोज्यता का विस्तार होता है।
सैद्धांतिक एकीकरण: यह जांच को फ्रॉड डायमंड थ्योरी (धोखाधड़ी के चौथे आयाम के रूप में क्षमता को शामिल करते हुए) और टेक्नोलॉजी एक्सेप्टेंस मॉडल (TAM) (उपयोगिता और उपयोग में आसानी पर ध्यान केंद्रित करते हुए) में स्थापित करता है। यह दोहरा ढांचा धोखाधड़ी को सुगम बनाने वाली संरचनात्मक स्थितियों और प्रौद्योगिकी अपनाने को चलाने वाले संस्थागत गतिशीलता दोनों की व्याख्या करता है।
NLP की मध्यम भूमिका: शोध विशेष रूप से NLP के मध्यम प्रभाव को अलग करता है और परीक्षण करता है, जो साहित्य के उस अंतराल को संबोधित करता है कि कैसे असंरचित पाठ्य वातावरण (जैसे ऑडिट रिपोर्ट, अनुपालन विवरण) में जहाँ अर्थ संबंधी व्याख्या महत्वपूर्ण है, NLP अर्थ संबंधी व्याख्या क्षमताओं के माध्यम से AI-सहायता प्राप्त धोखाधड़ी का पता लगाने की प्रभावशीलता को बढ़ाता है।

4. परिणाम

वर्णनात्मक निष्कर्ष:
उत्तरदाताओं ने आम तौर पर AI-सक्षम AIS और NLP क्षमताओं के बारे में सकारात्मक धारणा रखी। "डेटा विश्लेषण" (माध्य = 3.96) और "पहचान" (माध्य = 3.93) को उच्चतम रेटिंग दी गई, जबकि "डेटा गैदरिंग" और "जांच" का स्कोर कम रहा, जो संभावित बुनियादी ढांचे और एकीकरण चुनौतियों को दर्शाता है।

परिकल्पना परीक्षण (H1):
मल्टीपल रिग्रेशन विश्लेषण से पता चला कि AI-सक्षम AIS आयाम सामूहिक रूप से ऑडिटिंग और धोखाधड़ी का पता लगाने की प्रभावशीलता में लगभग 62.6% भिन्नता की व्याख्या करते हैं ( $R^2 = 0.626, p < 0.001$ )।

रोकथाम (Prevention) सबसे मजबूत भविष्यवक्ता के रूप में उभरा ( $\beta = 0.384, p < 0.001$ ), जो यह संकेत देता है कि सक्रिय, भविष्य कहनेवाला (predictive) निगरानी प्रभावी धोखाधड़ी शासन का सबसे महत्वपूर्ण घटक है।
पहचान ( $\beta = 0.173, p < 0.001$ ), डेटा गैदरिंग ( $\beta = 0.149, p = 0.001$ ), और डेटा विश्लेषण ( $\beta = 0.117, p = 0.015$ ) ने भी सांख्यिकीय रूप से महत्वपूर्ण सकारात्मक प्रभाव दिखाए।
जोखिम मूल्यांकन ने एक सकारात्मक लेकिन मामूली रूप से महत्वहीन संबंध दिखाया ( $p = 0.058$ ), जो बताता है कि इसकी प्रभावशीलता पूरक संस्थागत स्थितियों पर निर्भर हो सकती है।

मॉडरेशन विश्लेषण (H2):
पदानुक्रमित मॉडरेटेड रिग्रेशन ने पुष्टि की कि NLP, AI-सक्षम AIS और ऑडिटिंग प्रभावशीलता के बीच के संबंध को महत्वपूर्ण रूप से मध्यम करता है।

NLP के समावेश ने मॉडल की व्याख्यात्मक शक्ति में सुधार किया ( $\Delta R^2 = 0.035, p = 0.002$ )।
इंटरेक्शन टर्म (AI $\times$ NLP) सांख्यिकीय रूप से महत्वपूर्ण था ( $\Delta R^2 = 0.013, p = 0.041$ )।
परिणाम दर्शाते हैं कि NLP एक पूरक क्षमता के रूप में कार्य करता है, जो संरचित संख्यात्मक डेटा से असंरचित पाठ्य वातावरण (जैसे ऑडिट नैरेटिव, प्रकटीकरण विवरण) तक विश्लेषण का विस्तार करके AI प्रणालियों की प्रभावशीलता को बढ़ाता है, जिससे अर्थ संबंधी व्याख्या और जांच की सटीकता में सुधार होता है।

5. महत्व और दावे

यह पत्र दावा करता है कि उभरते डिजिटल वित्तीय वातावरण के भीतर धोखाधड़ी शासन, नियामक जवाबदेही और संस्थागत विश्वास को मजबूत करने के लिए AI-सक्षम AIS और NLP तेजी से महत्वपूर्ण होते जा रहे हैं।

व्यावहारिक महत्व: अध्ययन तर्क देता है कि वित्तीय संस्थानों को पूर्वव्यापी, नियम-आधारित ऑडिटिंग से निरंतर, इंटेलिजेंस-संचालित निगरानी की ओर संक्रमण करना चाहिए। यह रेखांकित करता है कि निवारक क्षमताएं धोखाधड़ी के नुकसान को कम करने के लिए सबसे प्रभावी तंत्र हैं। इसके अलावा, यह तर्क देता है कि AI के "ब्लैक-बॉक्स" स्वभाव को संबोधित करने के लिए NLP आवश्यक है, जो एल्गोरिथम आउटपुट को बोधगम्य ऑडिट नैरेटिव में बदलकर व्याख्यात्मकता और नियामक रक्षात्मकता को बढ़ाता है।
सैद्धांतिक महत्व: निष्कर्ष फ्रॉड डायमंड थ्योरी का विस्तार करते हैं, यह प्रदर्शित करते हुए कि कैसे AI निरंतर निगरानी और स्वचालित अनुपालन के माध्यम से धोखाधड़ी के "अवसर" आयाम को कम करता है। साथ ही, परिणाम TAM को पुष्ट करते हैं, यह सुझाव देते हुए कि संस्थान इन प्रौद्योगिकियों को मुख्य रूप से शासन प्रदर्शन और परिचालन दक्षता में सुधार करने में उनकी कथित उपयोगिता के कारण अपनाते हैं।
सीमाएं: लेखक विनम्रतापूर्वक स्वीकार करते हैं कि क्रॉस-सेक्शनल डिजाइन कारण अनुमान (causal inference) को सीमित करता है और धारणात्मक सर्वेक्षण डेटा पर निर्भरता से पूर्वाग्रह आ सकता है। वे सुझाव देते हैं कि भविष्य के शोध को दीर्घकालिक संगठनात्मक प्रभावों की जांच करने के लिए अनुदैर्ध्य (longitudinal) या मिश्रित-विधि दृष्टिकोणों का उपयोग करना चाहिए।

निष्कर्षतः, अध्ययन यह दावा करता है कि जबकि AI-सक्षम AIS आधुनिक धोखाधड़ी का पता लगाने के लिए आधारभूत वास्तुकला प्रदान करता है, NLP का एकीकरण एक महत्वपूर्ण मध्यम कारक है जो जटिल, डेटा-गहन वित्तीय पारिस्थितिकी तंत्र जैसे नाइजीरिया में विश्लेषणात्मक दायरे, व्याख्यात्मकता और समग्र शासन प्रभावशीलता को बढ़ाता है।