Cognitive Load and Information Processing in Financial Markets: Theory and Evidence from Disclosure Complexity
Questo articolo sfida la visione tradizionale della complessità della divulgazione come proprietà statica del documento proponendo un framework lettore-compito-interfaccia, dimostrando attraverso dati storici ed esperimenti su larga scala che il carico cognitivo nei mercati finanziari è determinato dinamicamente dall'interazione tra contenuto, rappresentazione dell'accesso e tecnologie di trasformazione guidate dall'IA piuttosto che dal solo documento.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo della finanza, le aziende sono tenute a pubblicare rapporti dettagliati sui loro soldi, i loro debiti e i loro piani futuri. Per decenni, l'assunto era che la difficoltà di comprendere questi rapporti dipendesse interamente dal documento stesso. Se un rapporto era lungo, pieno di frasi complesse o carico di tabelle dense, era considerato "difficile da leggere", e quella difficoltà era considerata una proprietà fissa del documento. Questa idea ha plasmato il modo in cui i ricercatori studiavano il comportamento degli investitori, assumendo che un rapporto complicato avrebbe confuso tutti allo stesso modo, indipendentemente da chi lo stesse leggendo o dagli strumenti utilizzati. Tuttavia, il modo in cui l'informazione viene veicolata è cambiato. Le aziende ora presentano questi rapporti in due forme contemporaneamente: un documento tradizionale destinato agli occhi umani e un file digitale strutturato progettato per essere letto istantaneamente dai computer. Questo cambiamento solleva una nuova domanda: la difficoltà di un rapporto rimane la stessa quando un essere umano lo legge rispetto a quando un computer lo elabora?
Un team di ricercatori si è messo in viaggio per rispondere a questa domanda, trattando la difficoltà di un rapporto finanziario non come un singolo numero, ma come il risultato di tre elementi che lavorano insieme: il lettore, il compito e l'interfaccia. Volevano vedere se le vecchie regole si applicassero ancora in un'epoca in cui l'intelligenza artificiale e i software automatizzati sono sempre più spesso coloro che leggono questi documenti. Per farlo, hanno esaminato dati storici della Securities and Exchange Commission degli Stati Uniti, analizzato migliaia di moderni documenti di comunicazione e condotto un enorme esperimento chiedendo a modelli informatici di rispondere a domande sui rapporti aziendali utilizzando metodi diversi. Il loro lavoro rivela che la complessità di un rapporto finanziario non è un tratto stabile del documento. Al contrario, cambia a seconda di chi pone la domanda e di come la pone.
I ricercatori hanno iniziato guardando indietro a un momento specifico della storia in cui le regole per la presentazione dei documenti sono cambiate. Intorno al 2009, le grandi aziende sono state obbligate a iniziare a presentare i propri dati finanziari in un formato speciale, leggibile dalle macchine, chiamato XBRL, insieme ai loro rapporti standard. Il team ha ricostruito i log di traffico del sito web governativo per vedere come le persone e i computer abbiano reaguto a questo cambiamento. Hanno scoperto che la regola non ha agito come un semplice interruttore on-off. Sebbene il requisito abbia aumentato l'uso dei file leggibili dalle macchine, non ha causato un calo massiccio nella lettura dei documenti standard da parte delle persone. Più importante ancora, i dati suggerivano che i due formati servissero scopi diversi. I file leggibili dalle macchine venivano consultati più spesso da sistemi automatizzati, mentre i documenti leggibili dagli umani rimanevano la fonte primaria per la lettura diretta. Ciò indicava che l' "onere" di leggere un rapporto stava cambiando. Per un essere umano, l'onere riguardava ancora la lettura di lunghe pagine di testo. Per una macchina, l'onere riguardava il trovare i numeri corretti all'interno di un file strutturato.
Per capire come questi due mondi interagiscono oggi, i ricercatori hanno esaminato oltre 200.000 moderni documenti di comunicazione. Hanno scoperto un modello sorprendente: le aziende che producevano i rapporti più lunghi e complessi per gli umani erano spesso le stesse che fornivano i dati più ricchi e dettagliati per le macchine. In passato, i ricercatori avrebbero potuto presumere che un rapporto lungo fosse semplicemente "difficile" per tutti. I nuovi dati hanno mostato che un rapporto può essere molto difficile da leggere per una persona a causa della sua lunghezza e del suo vocabolario, ma estremamente facile per un computer estrarre fatti specifici da esso. Ciò significa che il vecchio modo di misurare la complessità — contare le parole o la lunghezza delle frasi — non racconta più tutta la storia. Un rapporto può essere "difficile" per un umano e "facile" per una macchina contemporaneamente. I ricercatori hanno anche scoperto che le aziende più grandi, che hanno attività più complesse, tendevano ad avere sia carichi di lettura umana più elevati che un'accessibilità per le macchine più alta. Ciò suggerisce che il divario tra ciò che è facile per una persona e ciò che è facile per un computer non è casuale; è una caratteristica strutturale del moderno sistema finanziario.
La parte più rivelatrice dello studio è stata un esperimento controllato in cui i ricercatori hanno testato quanto bene l'intelligenza artificiale potesse rispondere a domande su questi rapporti. Hanno preso 432 domande specifiche sulla finanza aziendale, come "Qual è stato il reddito netto?" o "Qual è il rapporto di liquidità?", e hanno chiesto a sei diversi modelli di IA di rispondere. Hanno testato queste domande sotto dodici diverse condizioni. In alcuni casi, all'IA veniva dato il documento umano completo e disordinato. In altri, veniva fornito un elenco perfettamente organizzato di soli i fatti necessari. In alcuni casi, l'IA doveva trovare i fatti da sola, mentre in altri, i fatti le venivano consegnati direttamente.
I risultati sono stati chiari e specifici. Quando l'IA riceveva il documento umano completo e doveva trovare i numeri da sola, rispondeva correttamente solo circa il 47 percento delle volte. Tuttavia, quando i ricercamenti davano all'IA lo stesso identico testo ma lo organizzavano in modo che i fatti rilevanti fossero facili da trovare, l'accuratezza balzava a quasi il 100 percento. Ciò ha dimostato che il problema principale per l'IA non era che non riuscisse a comprendere il linguaggio o la matematica. Il problema era che non riusciva a trovare i numeri corretti in mezzo a migliaia di parole. I ricercatori hanno anche testato se il formato speciale leggibile dalle macchine (XBRL) fosse intrinsecamente migliore del testo semplice. Hanno scoperto che, una volta che l'IA riceveva gli stessi identici fatti in entrambi i formati, la differenza di accuratezza era quasi nulla. Il vantaggio del formato leggibile dalle macchine non derivava dal formato in sé, ma dal fatto che rendeva più facile localizzare i numeri specifici necessari.
Questa scoperta mette in discussione l'idea che passare semplicemente a un formato leggibile dalle macchine risolva tutti i problemi. I ricercatori hanno dimostato che il vero collo di bottiglia è la "localizzazione dell'evidenza" — la capacità di trovare l'informazione corretta in un grande documento. Se un computer può trovare il numero, può calcolare la risposta correttamente, sia che il numero provenga da un file strutturato che da un documento di testo semplice. Lo studio ha anche testato se l'IA stesse semplicemente memorizzando le risposte dai suoi dati di addestramento. Hanno cambiato i numeri nei rapporti con nuovi valori inventati e hanno chiesto all'IA di rispondere di nuovo. L'IA ha comunque dato le risposte corrette, provando che stava effettivamente leggendo il documento e facendo il lavoro, piuttosto che limitarsi a richiamare vecchi fatti.
Lo studio conclude che non possiamo più trattare la complessità di un rapporto finanziario come un punteggio singolo e fisso. La difficoltà di un rapporto dipende dal lettore, dal compito e dagli strumenti usati per accedere alle informazioni. Per un investitore umano, un rapporto lungo con un linguaggio complesso è un onere pesante. Per una macchina, l'onere è trovare il dato specifico in un mare di testo. I ricercatori hanno scoperto che il divario tra la difficoltà umana e la facilità per le macchine si sta allargando, e che gli strumenti che usiamo per accedere alle informazioni contano più del documento stesso. Ciò significa che, mentre ci spostiamo ulteriormente in un'era in cui l'intelligenza artificiale ci aiuta a prendere decisioni finanziarie, dobbiamo smettere di pensare ai rapporti come oggetti statici e iniziare a pensarli come input dinamici che cambiano in base a come vengono elaborati. La difficoltà non è nella carta; è nel percorso tra la carta e la persona o la macchina che cerca di comprenderla.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.