الملخص:
     استهدف البحث عرض التقديرات المحاسبية في ضوء المعايير ذات صلة، وممارسات تمهيد الدخل من منظور محاسبي، لمعرفة أثر استخدام خوارزميات تعلم الآلة في التنبؤ بالتقديرات المحاسبية علي ممارسات تمهيد الدخل، واعتمد البحث علي المنهجية المطبقة علي كافة الشركات المقيدة في سوق الأوراق المالية المصري، وخاصةً بالتركيز على الشركات الصناعية في الفترة من 2019 إلى 2022 أي أن المدة المتاحة للسلسلة الزمنية مدتها 4 سنوات، وبلغت عينة الدراسة 125 مشاهدة.
     وتمثلت أهم النتائج التي توصلت إليها الدراسة في وجود فروق جوهرية ذات دلالة إحصائية بين تمهيد الدخل عن طريق التقديرات المحاسبية باستخدام خوارزميات تعلم الآلة والتقديرات المحاسبية المتنبأ بها باستخدام الأساليب التقليدية، وجود فروق جوهرية ومعنوية بين الأساليب التقليدية المتمثلة في أسلوب Probit وبين خوارزميات تعلم الآلة للتنبؤ بالتقديرات المحاسبية ، بالإضافة إلي وجود فروق جوهرية ذات دلالة إحصائية بين  تمهيد الدخل عن طريق التقديرات المحاسبية باستخدام خوارزميات تعلم الآلة والتقديرات المحاسبية الفعلية لعينة الدراسة.
Abstract:
The research aimed to present accounting estimates in light of relevant standards and income smoothing practices from an accounting perspective, to determine the impact of using machine learning algorithms in predicting accounting estimates on income smoothing practices. The research relied on the applied methodology on all companies registered in the Egyptian stock market, especially by focusing On industrial companies in the period from 2019 to 2022, meaning that the period available for the time series is 4 years, and the study sample amounted to 125 observations.
The most important findings of the study were that there were significant differences with statistical significance between smoothing income through accounting estimates using machine learning algorithms and accounting estimates predicted using traditional methods. There were also significant and significant differences between traditional methods represented by the Probit method and machine learning algorithms for predicting estimates. Accounting, in addition to the presence of significant, statistically significant differences between income smoothing through accounting estimates using machine learning algorithms and the actual accounting estimates for the study sample.