<?xml version="1.0" encoding="UTF-8"?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName></PublisherName>
      <JournalTitle>مجله حکمرانی و شهر هوشمند</JournalTitle>
      <Issn>3115-8633</Issn>
      <Volume></Volume>
      <Issue>در دست انتشار</Issue>
      <PubDate PubStatus="epublish">
        <Year>2026</Year>
        <Month>11</Month>
        <Day>02</Day>
      </PubDate>
    </Journal>
    <ArticleTitle>Fuzzy Network Analysis of Auditors’ Professional Learning Components for Optimizing Human Capital Governance Policies</ArticleTitle>
    <VernacularTitle>تحلیل شبکه‌ای فازی مؤلفه‌های یادگیری حرفه‌ای حسابرسان به‌منظور بهینه‌سازی سیاست‌های حکمرانی سرمایه انسانی</VernacularTitle>
    <FirstPage></FirstPage>
    <LastPage></LastPage>
    <Language>FA</Language>
    <AuthorList>
      <Author>
        <FirstName>فرزانه </FirstName>
        <LastName>فتحعلی‌پور</LastName>
        <Affiliation>گروه حسابداری، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران</Affiliation>
      </Author>
      <Author>
        <FirstName>حسین</FirstName>
        <LastName>شفیعی</LastName>
        <Affiliation>گروه حسابداری، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران</Affiliation>
      </Author>
      <Author>
        <FirstName>عباس </FirstName>
        <LastName>شیبانی</LastName>
        <Affiliation>گروه حسابداری، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران</Affiliation>
      </Author>
    </AuthorList>
    <PublicationType>Journal Article</PublicationType>
    <Abstract>&lt;p&gt;&lt;strong&gt;Purpose: &lt;/strong&gt;This study aims to analyze the network structure of auditors’ professional learning components using the Fuzzy Analytic Network Process (FANP) to optimize and prioritize human capital governance policies within audit firms.&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;Methods:&lt;/strong&gt; In this applied research, the feedback and interactive relationships among 12 key learning components (derived from interpretive structural modeling) were analyzed using 180 pairwise comparison matrices structured with triangular fuzzy numbers. An expert panel comprising 15 senior audit practitioners, certified public accountants (IACPA), and academic scholars evaluated the network. After confirming matrix consistency (mean CR = 0.044), final global priority weights were extracted through limit supermatrix convergence after 101 iterations.&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;Findings: &lt;/strong&gt;The results revealed that “supervision, feedback, and professional coaching” (F&lt;sub&gt;5&lt;/sub&gt;, weight: 0.1410) and “experiential learning and reflective practice” (F&lt;sub&gt;3&lt;/sub&gt;, weight: 0.1304) represent the highest strategic priorities, accounting for over 27% of the total network weight. Professional competencies (F&lt;sub&gt;2&lt;/sub&gt;), organizational learning culture (F&lt;sub&gt;6&lt;/sub&gt;), and continuous professional development (F&lt;sub&gt;7&lt;/sub&gt;) occupied subsequent tiers. Furthermore, organizational maturity and data governance (F&lt;sub&gt;10&lt;/sub&gt;) surpassed individual artificial intelligence capabilities (F&lt;sub&gt;9&lt;/sub&gt;).&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;Conclusion:&lt;/strong&gt; Professional learning in auditing is predominantly experiential, interactive, and feedback-driven, relying heavily on tacit knowledge transfer via on-the-job coaching. Audit firm leaders and policymakers should shift resource allocation from passive training programs toward institutionalizing real-time coaching, cultivating psychologically safe learning cultures, and deploying centralized data governance infrastructures before adopting advanced artificial intelligence tools.&lt;/p&gt;</Abstract>
    <OtherAbstract Language="FA">&lt;p&gt;&lt;strong&gt;هدف:&lt;/strong&gt; هدف این پژوهش، تحلیل شبکه‌ای مؤلفه‌های یادگیری حرفه‌ای حسابرسان با بهره‌گیری از فرایند تحلیل شبکه‌ای فازی (FANP) جهت بهینه‌سازی و اولویت‌بندی سیاست‌های حکمرانی سرمایه انسانی در مؤسسات حسابرسی است.&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;روش تحقیق: &lt;/strong&gt;در این مطالعه کاربردی، شبکه روابط تعاملی و اثرات بازخوردی میان ۱۲ مؤلفه کلیدی یادگیری حسابرسان (برگرفته از مدل‌سازی ساختاری تفسیری) با تشکیل ۱۸۰ ماتریس مقایسه زوجی در قالب اعداد فازی مثلثی بررسی شد. پنل خبرگان متشکل از ۱۵ نفر از متخصصان ارشد، حسابداران رسمی و صاحب‌نظران دانشگاهی قضاوت‌ها را انجام دادند. پس از تأیید سازگاری ماتریس‌ها (044/0=CR)، بردار اوزان نهایی از طریق همگرایی سوپرماتریس حدی در ۱۰۱ تکرار استخراج شد.&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;یافته‌ها:&lt;/strong&gt; نتایج نشان داد که مؤلفه‌های «نظارت، بازخورد و مربیگری حرفه‌ای» (F&lt;sub&gt;5&lt;/sub&gt;) با وزن 1410/0 و «یادگیری تجربی و بازاندیشی در عمل» (F&lt;sub&gt;3&lt;/sub&gt;) با وزن 1304/0 در بالاترین اولویت راهبردی قرار دارند. شایستگی‌های مهارتی (F&lt;sub&gt;2&lt;/sub&gt;)، فرهنگ یادگیری سازمانی (F&lt;sub&gt;6&lt;/sub&gt;) و توسعه حرفه‌ای مستمر (F&lt;sub&gt;7&lt;/sub&gt;) رتبه‌های بعدی را به خود اختصاص دادند. همچنین بلوغ سازمانی و حکمرانی داده (F&lt;sub&gt;10&lt;/sub&gt;) وزنی فراتر از قابلیت‌های فردی هوش مصنوعی (F&lt;sub&gt;9&lt;/sub&gt;) کسب کرد.&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;نتیجه‌گیری:&lt;/strong&gt; یادگیری در حرفه حسابرسی ماهیتی تعاملی و بازاندیشانه دارد و انتقال دانش ضمنی از مسیر مربیگری میدانی تحقق می‌یابد. سیاست‌گذاران و شرکای مؤسسات باید تخصیص منابع انسانی را از آموزش‌های صوری به سوی بازمهندسی نظارت مستمر، تقویت فرهنگ یادگیرنده حامی خطا و استقرار زیرساخت‌های حکمرانی داده پیش از پیاده‌سازی فناوری‌های هوشمند سوق دهند.&lt;/p&gt;</OtherAbstract>
    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">Auditor professional learning, Human capital governance, Fuzzy Analytic Network Process (FANP), Supervisory coaching, Data governance.</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">یادگیری حرفه‌ای حسابرسان، حکمرانی سرمایه انسانی، فرایند تحلیل شبکه‌ای فازی (FANP)، مربیگری، حکمرانی داده.</Param>
      </Object>
    </ObjectList>
    <ArchiveCopySource DocType="pdf"></ArchiveCopySource>
  </Article>
</ArticleSet>
