Op-Fed：基于主动学习的美联储公开市场委员会讲话中的意见、立场与货币政策标注
计算与语言
2025-09-18 v1
摘要
美国联邦储备委员会（FOMC）定期讨论并制定货币政策，影响数百万人的借贷与支出决策。本文我们发布 Op-Fed 数据集，包含 1044 条人工标注的句子及其上下文。我们在数据集创建过程中面临两个主要技术挑战：类别不平衡——我们估计不足 8% 的句子表达对货币政策的非中性立场；以及跨句依赖——65% 的实例需要超出句子层面的上下文。为解决这些挑战，我们开发了五阶段的层次化模式，以区分意见、货币政策及对货币政策立场的层次，以及所需上下文的层次。其次，我们采用主动学习选择待标注实例，几乎翻倍了所有模式方面的正实例数量。使用 Op-Fed，我们发现顶尖闭源大语言模型在意见分类中实现 0.80 的零样本准确率，但在对货币政策立场分类中仅为 0.61——低于我们的人类基准 0.89。我们期望 Op-Fed 对未来模型训练、置信度校准以及作为未来标注工作的种子数据集有所帮助。
引用
@article{arxiv.2509.13539,
title = {Op-Fed: Opinion, Stance, and Monetary Policy Annotations on FOMC Transcripts Using Active Learning},
author = {Alisa Kanganis and Katherine A. Keith},
journal= {arXiv preprint arXiv:2509.13539},
year = {2025}
}