การวิจัยนี้ใช้ข้อมูลจากงบการเงินของบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทยย้อนหลัง 6 รอบระยะเวลาบัญชีเพื่อสร้างแบบจำลองโครงข่ายประสาทเทียม (Artificial NeuralNetwork: ANNs) ที่มีความแม่นยำโดยรวมสำหรับการคาดคะเนการทุจริตเพื่อใช้เป็นเครื่องมือของผู้สอบบัญชีรับอนุญาตในการปฏิบัติงานตรวจสอบ โดยอาศัยข้อมูลอิเล็กทรอนิกส์มาประมวลผลผ่าน M-Score เพื่อตรวจจับการตกแต่งงบการเงินและเป็นคำตอบเพื่อใช้ในการฝึกฝนโครงข่ายประสาทเทียมให้เรียนรู้และสามารถคาดคะเนการทุจริตจากข้อมูลใหม่ที่ไม่เคยเห็นได้อย่างแม่นยำโครงสร้างของโครงข่ายประสาทเทียมเป็นแบบการเรียนรู้เชิงลึก (Deep Learning) ที่มีผู้สอน (Supervise) ใช้ขั้นตอนวิธี (Algorithm) ตามแนวคิดแบบป้อนไปข้างหน้า (Feedforward) และแพร่ย้อนกลับ (Backpropagation) ฟังชันกระตุ้น (Activated Function) กำหนดเป็นซิกมอยด์ (Sigmoid) และมีการปรับเทียบ (Calibration) เพื่อเพิ่มความน่าเชื่อเชื่อของโครงข่ายประสาทเทียมผลการวิจัยพบว่า โครงข่ายประสาทเทียมมีความแม่นยำ ร้อยละ 94.02 และมีความน่าเชื่อถือหลังปรับเทียบที่ร้อยละ 80.41 ถือได้ว่าโครงข่ายประสาทเทียมมีประสิทธิภาพอยู่ในระดับดีและน่าเชื่อถือโดยโครงข่ายประสาทเทียมได้ส่งคุณลักษณะที่สำคัญ (Feature Importance) ที่ใช้ในการเรียนรู้ของโครงข่ายประสาทเทียมออกมาและทำการสกัดองค์ประกอบรายการบัญชีที่เป็นองค์ประกอบของแต่ละคุณลักษณะ (ตัวแปร) แล้วพบว่า บัญชีรายได้ (ขาย) บัญชีลูกหนี้การค้า บัญชีสินค้าคงเหลือ บัญชีซื้อสินค้า และบัญชีเจ้าหนี้การค้า เป็นรายการทางบัญชีที่ผู้สอบบัญชีรับอนุญาตนำไปใช้กับเทคนิคการตรวจสอบบัญชีโดยใช้คอมพิวเตอร์ช่วย (Computer assisted audittechniques (CAATs) ในขั้นตอนการตรวจสอบบัญชี และในอนาคตอาจพัฒนาใช้งานร่วมกับอินเทอร์เน็ตของสรรสิ่ง (Internet of Thing: IoT) ในแบบทันที (Real-time) ได้