结构化辩论提升金融 AI 中的公司信用推理能力
人工智能
2026-01-14 v4
摘要
本研究考察了 LLM 基于自动化分析公司信用评估中非财务数据的能力。开发并比较了两个系统：单主体系统(SAS)，其中一个 LLM 代理推断有利和不利的还款信号；以及 Piopker 多主体辩论系统(PMADS)，将双视角分析结构化为卡尔·波普尔辩论协议下的对抗性论辩。评估从三个方面进行：(i) 与人类专家相比的工作生产力；(ii) 由信用风险专业人员对系统生成报告的感知质量和可用性进行评级；(iii) 通过推理树分析量化推理特征。两个系统都大幅减少了相对于人类专家的任务完成时间。专业人员将 SAS 报告评为足够，而 PMADS 报告显著超过中性基准，在解释充分性、实际适用性和可用性方面得分显著更高。推理树分析显示，PMADS 产生更深、更详尽的结构，而 SAS 产生单层树结构。这些发现表明，结构化多主体辩论增强了分析严密性和感知有用性，尽管会增加计算时间。总体而言，结果表明，基于推理的自动化代表了在决策关键金融领域开发有用 AI 系统的有前景的路径。
引用
@article{arxiv.2510.17108,
title = {Structured Debate Improves Corporate Credit Reasoning in Financial AI},
author = {Yoonjin Lee and Munhee Kim and Hanbi Choi and Juhyeon Park and Seungho Lyoo and Woojin Park},
journal= {arXiv preprint arXiv:2510.17108},
year = {2026}
}
备注
18 pages, 4 figures, 2 algorithms, 2 tables, 4 appendices