有效绩效测量：从财报会提取关键绩效指标的挑战与机遇
计算与语言
2026-05-06 v1
摘要
财报会是公众公司财务信息的关键来源。然而，从这些会议中提取信息具有挑战性。不同于美国证券交易委员会（SEC）要求公司报告财务状况的结构化文件，财报会没有内置标签，属于非结构化文本，包含对话语言。我们通过评估在 SEC 文件上训练的模型捕获的信息，以及基于情境学习的方法来探索这一困难领域。为建立基准，我们首先评估 SEC 训练模型在既定 SEC 数据集上的泛化能力。为支持我们的研究，我们引入了三个新基准：（1）SEC 文件基准（SECB），（2）财报会基准（ECB），以及 ECB-A，这是一个包含 2,460 组专家标注的子集，用于支持我们的定性分析。我们发现，基于编码的模型在领域迁移方面困难。最后，我们提出了一个系统，利用大语言模型（LLM）从非结构化会议记录中进行开放式提取，通过人类评估（79.7% 的精确率）进行验证，为该有价值领域提供基准，通过持续跟踪新兴关键绩效指标（KPI）实现一致性。
引用
@article{arxiv.2605.03147,
title = {Effective Performance Measurement: Challenges and Opportunities in KPI Extraction from Earnings Calls},
author = {Rasmus T. Aavang and Rasmus Tjalk-Bøggild and Alexandre Iolov and Giovanni Rizzi and Mike Zhang and Johannes Bjerva},
journal= {arXiv preprint arXiv:2605.03147},
year = {2026}
}
备注
Accepted to ACL Industry Track