Cognitive Load and Information Processing in Financial Markets: Theory and Evidence from Disclosure Complexity
تتحدى هذه الورقة الرؤية التقليدية لتعقيد الإفصاح باعتباره خاصية ثابتة للوثيقة من خلال اقتراح إطار عمل (القارئ-المهمة-الواجهة)، مبرهنةً من خلال البيانات التاريخية والتجارب واسعة النطاق أن العبء المعرفي في الأسواق المالية يتحدد ديناميكياً عبر التفاعل بين المحتوى، وتمثيل الوصول، وتقنيات التحول المدعومة بالذكاء الاصطناعي، بدلاً من اعتماده على الوثيقة وحدها.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التمويل، تُطالب الشركات بنشر تقارير مفصلة عن أموالها وديونها وخططها المستقبلية. ولعقود من الزمن، كان الافتراض السائد هو أن صعوبة فهم هذه التقارات تعتمد كلياً على الوثيقة نفسها. فإذا كان التقرير طويلاً، أو مليئاً بالجمل المعقدة، أو محشواً بالجداول الكثيفة، فقد كان يُعت-بر "صعب القراءة"، وكان يُنظر إلى هذه الصعوبة على أنها صفة ثابتة في الورقة. وقد شكلت هذه الفكرة طريقة دراسة الباحثين لسلوك المستثمرين، بافتراض أن التقرير المعقد سيربك الجميع بالتساوي، بغض النظر عن القارئ أو الأدوات التي يستخدمها. ومع ذلك، فإن طريقة تقديم المعلومات قد تغيرت؛ إذ أصبحت الشركات الآن تقدم تقاريرها في شكلين في آن واحد: وثيقة تقليدية مخصصة للعين البشرية، وملف رقمي مهيكل مصمم لتقرأه الحواسيب فوراً. وهذا التحول يثير سؤالاً جديداً: هل تظل صعوبة التقرير كما هي عندما يقرأه إنسان مقابل عندما تعالجه آلة؟
لقد سعى فريق من الباحثين للإجابة على هذا السؤال من خلال عدم معاملة صعوبة التقرير المالي كرقَم واحد، بل كنتيجة لثلاثة أشياء تعمل معاً: القارئ، والمهمة، والواجهة. أرادوا معرفة ما إذا كانت القواعد القديمة لا تزال تنطبق في عصر أصبح فيه الذكاء الاصطنات والبرمجيات المؤتمتة هم من يقرؤون هذه الوثائق بشكل متزايد. وللقيام بذلك، نظروا في البيانات التاريخية من هيئة الأوراق المالية والبورصات الأمريكية، وحللوا الآلاف من الإفصاحات الحديثة، وأجروا تجربة ضخمة حيث طلبوا من نماذج حاسوبية الإجابة على أسئلة حول تقارير الشركات باستخدام طرق مختلفة. وتكشف أعمالهم أن تعقيد التقرير المالي ليس سمة مستقرة للوثيقة، بل يتغير بناءً على من يطرح السؤال وكيفية طرحه.
بدأ الباحثون بالنظر إلى الوراء في لحظة محددة من التاريخ عندما تغيرت قواعد الإفصاح. ففي عام 2009 تقريباً، طُلِب من الشركات الكبرى البدء في تقديم بياناتها المالية بتنسيق خاص قابل للقراءة آلياً يسمى (XBRL)، إلى جانب تقاريرها القياسية. أعاد الفريق بناء سجلات حركة المرور من الموقع الحكومي ليرى كيف تفاعل الناس والحواسيب مع هذا التغيير. ووجدوا أن القاعدة لم تعمل كمجرد مفتاح تشغيل وإيقاف بسيط؛ فبينما أدى المتطلب إلى زيادة استخدام الملفات القابلة للقراءة آلياً، إلا أنه لم يتسبب في انخفاض هائل في قراءة الناس للوثائق القياسية. والأهم من ذلك، أن البيانات أشارت إلى أن التنسيقين يخدمان أغراضاً مختلفة؛ فقد تم الوصول إلى الملفات القابلة للقراءة آلياً بشكل أكبر من قبل الأنظمة المؤتمتة، بينما ظلت الوثائق القابلة للقراءة من قبل البشر هي المصدر الأساسي للقراءة المباشرة. وهذا يشير إلى أن "عبء" قراءة التقرير كان يتغير؛ فبالنسبة للإنسان، كان العبء لا يزال يتعلق بقراءة صفحات طويلة من النصوص، أما بالنسبة للآلة، فكان العبء يتعلق بإيجاد الأرقام الصحيحة داخل ملف مهيكل.
ولفهم كيفية تفاعل هذين العالمين اليوم، فحص الباحثون أكثر من 200,000 إفصاح حديث. واكتشفوا نمطاً مفاجئاً: الشركات التي أنتجت أطول التقارير وأكثرها تعقيداً للبشر، كانت غالباً هي نفسها الشركات التي قدمت بيانات أغنى وأكثر تفصيلاً للآلات. في الماضي، ربما كان الباحثون سيفترضون أن التقرير الطويل هو ببساطة "صعب" للجميع، لكن البيانات الجديدة أظهرت أن التقرير يمكن أن يكون صعباً جداً للقراءة من قبل إنسان بسبب طوله ومفرداته، ومع ذلك يكون سهلاً للغاية للحاسوب لاستخراج حقائق محددة منه. وهذا يعني أن الطريقة القديمة لقياس التعقيد —أي عدّ الكلمات أو طول الجمل— لم تعد تروي القصة كاملة؛ إذ يمكن للتقرير أن يكون "صعباً" للإنسان و"سهلاً" للآلة في الوقت نفسه. ووجد الباحثون أيضاً أن الشركات الأكبر حجماً، التي تمتلك أعمالاً أكثر تعقيداً، تميل إلى امتلاك أعباء قراءة بشرية أعلى وقابلية وصول آلية أعلى. وهذا يشير إلى أن الفجوة بين ما هو سهل للإنسان وما هو سهل للحاسوب ليست عشوائية، بل هي سمة هيكلية في النظام المالي الحديث.
كان الجزء الأكثر كشفاً في الدراسة هو التجربة المنضبطة حيث اختبر الباحثون مدى قدرة الذكاء الاصطناعي على الإجابة على أسئلة حول هذه التقارير. لقد أخذوا 432 سؤالاً محدداً حول مالية الشركات، مثل "ما هو صافي الدخل؟" أو "ما هي النسبة الجارية؟" وسألوا ستة نماذج مختلفة من الذكاء الاصطناعي للإجابة عليها. واختبروا هذه الأسئلة تحت اثني عشر ظرفاً مختلفاً. في بعض الحالات، أُعطي الذكاء الاصطناعي الوثيقة البشرية الكاملة والفوضوية، وفي حالات أخرى، أُعطي قائمة منظمة تماماً تضم فقط الحقائق التي يحتاجها. وفي بعض الحالات، كان على الذكاء الاصطناعي أن يجد الحقائق بنفسه، بينما في حالات أخرى، كانت الحقائق تُقدم إليه مباشرة.
كانت النتائج واضحة ومحددة. فعندما أُعطي الذكاء الاصطناعي الوثيقة البشرية الكاملة وكان عليه إيجاد الأرقام بنفسه، أجاب بشكل صحيح في حوالي 47 بالمائة من المرات فقط. ومع ذلك، عندما قدم الباحثون للذكاء الاصطناعي نفس النص بالضبط ولكن بعد تنظيمه بحيث تكون الحقائق ذات الصلة سهلة العثور عليها، قفزت الدقة إلى ما يقرب من 100 بالمائة. أثبت هذا أن المشكلة الرئيسية للذكاء الاصطناعي لم تكن في عدم قدرته على فهم اللغة أو الرياضيات، بل كانت المشكلة هي عدم قدرته على إيجاد الأرقام الصحيحة وسط آلاف الكلمات. كما اختبر الباحثون ما إذا كان التنسيق الخاص القابل للقراءة آلياً (XBRL) أفضل بطبيعته من النص العادي، ووجدوا أنه بمجرد إعطاء الذكاء الاصطناعي نفس الحقائق بالضبط في كلا التنسيقين، كان الفرق في الدقة شبه معدوم. إن ميزة التنسيق القابل للقراءة آلياً لم تأتِ من التنسيق نفسه، بل من حقيقة أنه جعل من السهل تحديد المواقع الدقيقة للأرقام المطلوبة.
تتحدى هذه النتيجة الفكرة القائلة بأن مجرد الانتقال إلى تنسيق قابل للقراءة آلياً يحل جميع المشكلات. فقد أظهر الباحثون أن العقبة الحقيقية هي "تحديد موقع الدليل" (evidence localization) — أي القدرة على إيجاد المعلومة الصحيحة في وثيقة كبيرة. فإذا استطاع الحاسوب إيجاد الرقم، فإنه يستطيع حساب الإجابة بشكل صحيح، سواء جاء الرقم من ملف مهيكل أو من وثيقة نصية عادية. كما اختبرت الدراسة ما إذا كان الذكاء الاصطناعي يقوم فقط بحفظ الإجابات من بيانات تدريبه؛ حيث قاموا بتغيير الأرقام في التقار تقارير إلى قيم جديدة ومختلقة وسألوا الذكاء الاصطناعي مرة أخرى، فظل الذكاء الاصطناعي يجيب بشكل صحيح، مما أثبت أنه كان يقرأ الوثيقة ويقوم بالعمل بالفعل، بدلاً من مجرد استرجاع حقائق قديمة.
تخلص الدراسة إلى أننا لم نعد نستطيع معاملة تعقيد التقرير المالي كدرجة واحدة ثابتة. فصعوبة التقرير تعتمد على القارئ، والمهمة، والأدوات المستخدمة للوصول إليه. بالنسبة للمستثمر البشري، فإن التقرير الطويل ذو اللغة المعقدة يمثل عبئاً ثقيلاً، أما بالنسبة للآلة، فالعبء هو إيجاد نقطة البيانات الصحيحة في بحر من النصوص. وجد الباحثون أن الفجوة بين الصعوبة البشرية والسهولة الآلية تتسع، وأن الأدوات التي نستخدمها للوصول إلى المعلومات تهم أكثر من الوثيقة نفسها. وهذا يعني أننا بينما ننتقل أكثر فأكثر إلى عصر يساعد فيه الذكاء الاصطناعي في اتخاذ القرارات المالية، نحتاج إلى التوقف عن التفكير في التقارير كأشياء ثابتة والبدء في التفكير فيها كمدخلات ديناميكية تتغير بناءً على كيفية معالجتها. الصعوبة ليست في الورقة، بل في المسار بين الورقة والشخص أو الآلة التي تحاول الفهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.