دانلود رایگان مقاله یک پرس و جوی مثبت اندیشانه برای تحقیقات حسابداری

مقدمه

          برگرفته از کتاب  Jan Reed (2007)، پرس و جوی مثبت اندیشانه: تحقیق برای تغییر، این فصل شرح مفصلی از پرس و جوی مثبت اندیشانه (که از این به بعد AI نامیده می شود) و مفید بودن بالقوه آن برای تحقیقات حسابداری ارائه شده است. AI به عنوان یک روش شناسی تحقیقاتی برای بررسی تغییرات سازمانی در نزد محققان و دست اندرکاران توسعه سازمانی (OD) شناخته شده است. یک رویکرد AI دارای پتانسیل ایجاد دانش مفید می باشد که معمولاً با تمرکز صرفاً بر جنبه های "منفی" فرآیندهای حسابداری و سازمانی قابل حصول نیست. پیام ضروری روش شناسی AI این است که توجه به موارد دارای کارکرد مناسب در یک محیط خاص, امری مفید است. این حالت متفاوت مشارکت می تواند به ایجاد تفاسیر جایگزین (مثبت) از یک پدیده سازمانی کمک کند. در سراسر یک مطالعه AI (از مرحله بررسی تا مرحله انتشار)، یک محقق می تواند با مخاطبان مختلف (دست اندرکاران، سیاست گذاران و محققین) برای ساخت یک داستان یا طیف وسیعی از داستان های افراد مفید در «بهتر نمودن کارها» مشارکت داشته باشد (Reed، 2007، ص 176). این فصل، یک مرور بر موارد و مقالات از OD  و نوشته های مرتبط با تغییر ارائه می دهد. به طور خاص، ایده هایی از Reed (2007) و دیگران (مثلا Cooperrider  و  Avital، 2004؛  Cooperrider  و  McQuaid، 2012؛ Cooperrider ، Whitney  و  Stavros، 2003؛ و  Drew  و  Wallis، 2014) را می گیرد تا کاوش نماید که چگونه AI می تواند از یک دیدگاه متفاوت در تحقیقات حسابداری برای درک شیوه های های حسابداری و کنترل مورد استفاده قرار گیرد.

           به طور کلی، در هنگام تهیه یک دستور کار تحقیقاتی، محققان سازمانی, مشکلات و مسائل را در نظر می گیرند. این یک ادراک رایج در جامعه دانشگاهی است که یک پروژه تحقیقاتی باید به دنبال حل بحران های سازمانی، تنش ها و معضلات ناشی از مسائل مختلف در سطح خرد و کلان باشد. بنابراین، از ابتدا، پژوهشگران به دنبال بررسی آن چه که در یک سازمان بد پیش می رفته است, بوده اند. Bergvall-Kareborn (2006) بر علیه این رویکرد مسئله-محور هشدار می دهد:

خطر تمرکز شدید بر مسائل اینست که خطر حذف یک وضعیت ناخواسته بدون دستیابی الزامی به یک وضعیت مطلوب را در بر دارد. همچنین ریسک حفظ شرکا و مشارکت کنندگان در یک تفکر ثابت را در بردارد و به آنها کمک نمی کند تا ایده های و طرز تفکرات جدید و نوآورانه را توسعه دهند.

بیان شده در Bergvall-Kareborn, Holst  و  Stahlbrost, 2007,  صفحه 76,

            هدف اصلی این فصل این است که کشف کنیم که چگونه / آیا AI می تواند به محققان در درک اثربخشی شیوه های حسابداری و کنترل کمک کند. این برجسته می نماید که چگونه AI نه تنها به یک ابزار تکمیلی برای مشاوران OD بلکه به یک چارچوب تحقیق متمایز تبدیل شده است. این فصل با مقدمه ای بر اصول پایه پرس و جوی مثبت اندیشانه آغاز می شود و پس از آن بررسی یافته های مطالعات با استفاده از یک رویکرد پرس و جوی مثبت اندیشانه دنبال می شود. این کار با نشان دادن این مورد ادامه می یابد که چگونه AI می تواند بینش های مفیدی را در مورد نوشته های تحقیق حسابداری ارائه دهد.

یک رویکرد پرس و جوی مثبت اندیشانه چیست؟

            مبنای نظری AI بر تئوری پیچیدگی و تاکید آن بر اصول خود-سازماندهی، ظهور و بازخورد مثبت است که باعث تغییر و سازگاری در درون یک سیستم (Mason، 2007). و در تحقیقات سازمانی مثبت که بر فهم شرایط شکوفایی متمرکز است: بودن در محدوده بهینه عملکرد انسان (Dutton  و  Sonenshein، 2011) استوار است.

           AI, سازمان ها را به عنوان سیستم های زنده، یادگیرنده، در حال تغییر و در حال رشد با پاسخ به محیط هایی که سازمان ها در آن ساکن هستند، درک می کند. AI, اصول جمع گرایی را ترویج می دهد و بررسی و تغییر را به عنوان یک فرآیند همزمان ادغام می کند. تعیین این که چه چیزی در حال حاضر به خوبی در درون یک سیستم کار می کند می تواند درکی از شرایطی برای موفقیت آینده که مخصوص آن سیستم هستند، فراهم کند. این نقاط قوت به تمرکز برنامه ریزی آینده و تغییر مثبت تبدیل شده است. برگرفته از اصول تئوری پیچیدگی که بیان می کنند که پذیرش تغییر, یک شرط برای پایداری زندگی درون هر سیستم است، AI بر نقش بازخورد مثبت در بزرگنمایی تغییرات کوچک برای ایجاد تغییر موثر درون یک سیستم متمرکز است (Grandy and Holton، 2010 )

            روش شناسی AI, یک رویکرد مشارکتی را برای به دست آوردن اطلاعات در مورد آن چه که به خوبی کار می کند، تشویق می کند (Grandy and Holton، 2010). باید بهترین کارها را انجام داد، زیرا در حال حاضر به خوبی کار می کند. این نه تنها به نفع سازمان بلکه به نفع اعضای آن نیز است: AI مشخص می کند که اضطراب اغلب همراه با تغییر سازمانی است و نشان می دهد که این کار از طریق شناسایی و تبدیل به بهترین ها از گذشته (Grandy and Holton، 2010) قابل تسهیل است.

           برای چندین دهه، تمرکز توسعه سازمانی بر "تعمیر شکسته ها" بوده است. این امر منجر به نادیده گرفتن قابل توجه قدرت تلاش انسانی اعلام شده در درون سازمان ها برای "درست کردن کارها" شده است. AI یک میدانی بررسی سازنده است که ابتدا توسط David Cooperrider  و  Suresh Srivastva از مدرسه مدیریت آب و هواشناسی دانشگاه University of West Virginia توسعه یافته است. آنها انگیزه ای برای نگاه به موارد مثبت در دینامیک سازمانی و توسعه این موارد برای دستیابی به پتانسیل واقعی OD فراهم کردند. به جای تصحیح اشتباهات، AI به دنبال اذعان بر چیزی است که به سازمان ها قدرت می بخشد (Cooperrider and Avital، 2004).

اصول پرس و جوی مثبت اندیشانه

          Cooperrider و Avital  (2004، ص. xii) بیان می کنند که "پرس و جوی مثبت اندیشانه يک فرآيند بررسی سازنده است که در جستجوي هر چيزي که به سازمان ها، جوامع و سيستم هاي انساني بزرگتر " زندگي "می بخشد، هنگامي که آنها در محیط زیست در هم تنیده روابط" زنده ترین، موثرترین، خلاق ترین و سالم ترین هستند. نوشته های AI, پنج اصل ذاتی روش AI را مشخص می کند.

اصل ساختارگرایی

             AI با تفسیر تجربیات مرتبط است, نه با مطالعه عینی پدیده ها. مردم تجربیات زندگی مختلفی در تلاش برای انجام تعهدات خود در یک سازمان دارند. AI به داستان های خود درباره گذشته، حال و آینده و قدرت این داستان ها برای شکل دادن و منعکس کردن روش تفکر و عمل افراد توجه می کند (Reed، 2007).

اصل هماهنگی

           پرس و جو (بررسی) و تغییر, فرایندهای جداگانه یا ترتیبی نیستند، بلکه به طور همزمان رخ می دهند. خود پرس و جو, انعکاسی را تحریک می کند که منجر به روش های مختلف تفکر می شود: خود فرایند AI, تغییر را جرقه می زند (Reed، 2007).

Introduction

          Drawing on Jan Reed’s (2007) book, Appreciative Inquiry: Research for Change, this chapter provides a detailed description of appreciative inquiry (hereafter AI) and its potential usefulness to accounting research. AI is well known to organisational development (OD) researchers and practitioners as a research methodology to investigate organisational change. An AI approach has the potential to construct useful knowledge that may not normally be gained through focusing only on ‘negative’ aspects of accounting and organisational processes. The essential message of AI methodology is that it is useful to attend to what works well in a particular setting. This different mode of engagement can help to produce alternative (positive) interpretations of an organisational phenomenon. Throughout an AI study (from investigation to dissemination phases), a researcher can engage with different audiences (practitioners, policymakers and researchers) to construct a story or a range of stories of people helping to make ‘things work better’ (Reed, 2007, p. 176). This chapter presents a review of cases and articles from OD and change literature. More specifically, it borrows ideas from Reed (2007) and others (for example, Cooperrider and Avital, 2004; Cooperrider and McQuaid, 2012; Cooperrider, Whitney and Stavros, 2003; and Drew and Wallis, 2014) to explore how AI can be used in accounting research to understand accounting and control practices from a different perspective.

            Generally, organisational researchers consider problems and issues when setting out a research agenda. It is a common perception in the academic community that a research project should seek to address organisational crises, tensions and dilemmas arising from various micro- and macro-level issues. Therefore, from the outset, researchers seek to investigate what went wrong in an organisation. Bergvall-Kåreborn (2006) cautions against this problem-centred approach:

The danger of focusing heavily on problems is that it risks eliminating an unwanted situation without necessarily attaining a desired situation. It also runs the risk of keeping the stakeholders and participants in the prevailing mode of thinking, rather than helping them develop new and innovative ideas and mindsets

cited in Bergvall-Kåreborn, Holst and Ståhlbröst, 2007, p.76

            The principal aim of this chapter is to explore whether/how AI can help researchers understand the effectiveness of accounting and control practices. It highlights how AI has become not merely an additional tool for OD consultants, but a distinct research framework. The chapter begins with an introduction to the basic principles of appreciative inquiry, followed by an examination of the findings of studies using an appreciative inquiry approach. It goes on to demonstrate how AI can offer useful insights into accounting research literature.

What is an appreciative inquiry approach?

         The theoretical foundation of AI is in complexity theory, with its emphasis on principles of self-organisation, emergence and positive feedback, which stimulate change and adaption within a system (Mason, 2007); and in positive organisational scholarship, which is focused on understanding the conditions of flourishing: being in an optimal range of human functioning (Dutton and Sonenshein, 2011).

           AI perceives organisations as living systems, learning, changing and growing by responding to the environments they inhabit. AI promotes principles of collectivism and merges inquiry and change as a simultaneous process. Determining what currently works well within a system can provide an understanding of conditions for future success that are specific to that system. These strengths become the focus for future planning and positive change. Drawing on the principles of complexity theory, which state that the acceptance of change is a condition for sustaining life within any system, AI focuses on the role of positive feedback in magnifying small changes to produce effective change within a system (Grandy and Holton, 2010).

           AI methodology encourages a participatory approach to eliciting information on what is working well (Grandy and Holton, 2010). What is best should be carried forward because it already works well. This benefits not only the organisation but its members: AI recognises that anxiety often accompanies organisational change, and suggests that this can be eased by identifying and holding onto the best from the past (Grandy and Holton, 2010).

             For decades the focus of organisational development has been one of ‘fixing the broken’. This has led to significant contributions to the literature at the cost of overlooking the strength of human endeavour exerted within organisations to ‘get things right’. AI is a field of constructive inquiry first developed by David Cooperrider and Suresh Srivastva from Weatherhead School of Management at Case Western Reserve University. They provided the impetus to look for the positives in organisational dynamics, and to develop these further to reach the true potential of OD. Rather than fixing what went wrong, AI seeks to appreciate what gives strength to organisations (Cooperrider and Avital, 2004).

Principles of appreciative inquiry

            Cooperrider and Avital (2004, p. xii) state that ‘Appreciative Inquiry is a constructive inquiry process that searches for everything that “gives life” to organisations, communities and larger human systems when they are most alive, effective, creative and healthy in their interconnected ecology of relationships’. The AI literature identifies the following five principles of the AI method.

The constructivist principle

          AI is concerned with the interpretation of experiences rather than the objective study of phenomena. People have different lived experiences of attempting to fulfil their obligations in an organisation. AI pays attention to their stories about the past, present and future and the power these stories have to shape and reflect the ways people think and act (Reed, 2007).

The simultaneity principle

             Inquiry and change are not separate or sequential processes, but occur simultaneously. The inquiry itself stimulates reflection that leads to different ways of thinking: the process of AI itself ignites change (Reed, 2007).

مقدمه

یک رویکرد پرس و جوی مثبت اندیشانه چیست؟

اصول پرس و جوی مثبت اندیشانه

اصل ساختارگرایی

اصل هماهنگی

اصل شاعرانه

اصل پیشگویی

اصل مثبت

فرضیه های پایه فرایند AI

در هر جامعه، سازمان یا گروه, چیزی کار می کند

آن چه که مورد تمرکز ماست، به واقعیت ما تبدیل می شود

واقعیت در لحظه ایجاد می شود و واقعیت های چندگانه وجود دارد

اقدام به پرسیدن سوالات از یک سازمان یا گروه, به طریقی بر روی گروه تاثیر می گذارد

زمانی که افراد, بخش هایی از گذشته را پیش می برند که شناخته شده است, اعتماد به نفس بیشتری پیدا می کنند و سفر راحت تر به آینده دارند، که ناشناخته است

اگر ما بخش هایی از گذشته را با خود ببریم، این بخش ها باید بهترین سوابق از گذشته باشند

ارزش گذاری بر تفاوت ها مهم است 

زبان مورد استفاده ما, واقعیت ما را خلق می کند

پیاده سازی روش پرس و جوی مثبت اندیشانه

چرخه 4-D

کشف - اذعان بر آن چه که زندگی بخش است

رویاپردازی – رویابافی در مورد آن چه که ممکن است پیش آید

طراحی - تعیین آن چه که خواهد بود

تحویل - برنامه ریزی آن چه خواهد بود

چرخه 4-I

آغاز کردن

پرس و جو کردن

تصور کردن

نوآوری کردن

هشدارها و عوامل موفقیت برای پرس و جوی مثبت اندیشانه

نمونه های توضیحی از مطالعات AI

پرس و جوی مثبت اندیشانه برای تحقیقات حسابداری

نتیجه گیری

منابع

Introduction

What is an appreciative inquiry approach?

Principles of appreciative inquiry

The constructivist principle

The simultaneity principle

The poetic principle

The anticipatory principle

The positive principle

Underlying assumptions of AI process

In every society, organisation or group something works

What we focus on becomes our reality

Reality is created in the moment and there are multiple realities

The act of asking questions of an organisation or group influences the group in some way

The act of asking questions of an organisation or group influences the group in some way

If we carry parts of the past forward, they should be what is best about the past

It is important to value differences

The language we use creates our reality

Implementing appreciative inquiry method

The 4-D Cycle

Discovery – appreciating what gives life

Dreaming – envisioning what might be

Designing – determining what will be

Delivery – planning what will be

The 4-I Cycle

Initiate

Inquire

Imagine

Innovate

Cautions and success factors for appreciative inquiry

Illustrative examples of AI studies

Appreciative inquiry for accounting research

Conclusions

References