Cognitive Load and Information Processing in Financial Markets: Theory and Evidence from Disclosure Complexity

金融の世界において、企業は自分たちの資金、負債、そして将来の計画に関する詳細な報告書を公開することが義務付けられています。数十年にわたり、「これらの報告書の理解の難しさは、文書そのものに依存する」という仮定がありました。もし報告書が長かったり、複雑な文章で構成されていたり、密度の高い表が詰め込まれていたりする場合、それは「読みにくい」と見なされ、その困難さは紙（書類）自体の固定された特性であると考えられてきました。この考え方は研究者の投資家行動の研究手法を形作り、複雑な報告書は、誰が読むかやどのようなツールを使うかにかかわらず、全員を一様に混乱させると想定させていました。しかし、情報の伝達方法は変化しました。現在、企業はこれらの報告書を二つの形式で同時に提出しています。一つは人間の目向けの伝統的な文書であり、もう一つはコンピュータが即座に読み取れるように設計された構造化デジタルファイルです。この変化は新たな問いを投げかけています。すなわち、人間が報告書を読む場合と機械がプロセスを行う場合では、報告書の難易度は変わらないのだろうか？ ということです。

ある研究チームは、報告書の難易度を単一の数値としてではなく、「読み手」「タスク」「インターフェース」という三つの要素が相互に作用した結果として捉えることで、この問いに答えようと試みました。彼らは、人工知能や自動ソフトウェアによる文書解読が進む現代においても、古いルールが依然として適用されるのかどうかを確認したいと考えました。これを行うために、彼らは米国証券取引委員会の歴史的データに着目し、数千件の最新の提出書類を分析し、さらに大規模な実験を行い、異なる方法を用いて企業の報告書に関する質問に答えるよう計算モデルに求めました。彼らの研究は、財務報告書の複雑さは、文書の安定した性質ではないことを明らかにしました。そうではなく、それが「誰が」「どのように」質問するかによって変化するというのです。

研究者たちはまず、規則が変わった特定の歴史的瞬間を振り返ることから始めました。2009年頃、大企業に対して、標準的な報告書とともに、XBRLと呼ばれるマシンリーダブル（機械判別可能）な特殊フォーマットで財務データを提出することが義務付けられました。チームは政府のウェブサイトのトラフィックログを再構築し、人々やコンピュータがこの変化にどう反応したかを調査しました。その結果、この規制は単純なオン・オフのスイッチのようなものではないことが分かりました。要件化によりマシンリーダブルなファイルの利用は増加しましたが、人間が標準的な文書を読む機会が激減することはありませんでした。より重要なことに、データはこれら二つのフォーマットが異なる目的を果たしていることを示唆していました。マシンリーダブルなファイルは主に自動システムによってアクセスされており、一方で人間が読める文書は直接的な通読のための主要なソースであり続けました。これは、報告書を「読む負担」が移行していたことを示しています。人間にとっての負担は相変わらず長いテキストの読解でしたが、機械にとっての負担は、構造化されたファイルの中から正しい数字を見つけ出すことだったのです。

今日におけるこれら二つの世界の相互作用を理解するために、研究者たちは20万件を超える現代の提出書類を精査しました。そこで驚くべきパターンを発見しました。人間にとって最も長く複雑な報告書を作成している企業は、多くの場合、機械向けに最も豊かで詳細なデータを提供している企業でもあるということでした。かつてなら、研究者は「長い報告書はすべての人にとって難しい」と考えていたかもしれません。しかし新しいデータによれば、一つの報告書は、語彙や長さゆえに人間には非常に「難しく」、それでいてコンピュータにとっては特定事実を抽出するのが極めて「簡単」である可能性があることが示されました。つまり、従来の複雑さの測定法――単語数や文の長さを数えること――ではもはや全体像を説明できないということです。報告書はあるとき人間にとって「難しく」、同時に機械にとっても「簡単」であり得るのです。また、ビジネスが複雑な大企業ほど、人間による読解負担が高く、かつマシンのアクセスの容易性も高くなる傾向があることも判明しました。これは、人とコンピュータの間にある差異がランダムなものではなく、現代の金融システムの構造的な特徴であることを示唆しています。

本研究の中で最も啓示的な部分は、AIがいかにしてこれらの報告書に関する質問に回答できるかを検証した制御実験でした。彼らは、企業の財務に関する具体的な432個の質問（例：「純利益はいくらか？」「流動比率は？」など）を用意し、6種類の異なるAIモデルに対し、それらに回答するよう求めました。テストは12の異なる条件下で行われました。ケースによっては、AIには不完全で乱雑な人間用の全文を与えました。別のケースでは、関連する事実だけを整理した完璧に組織化されたリストを与えました。また、AI自身に事実を探させるケースもあれば、事実は直接提示されるケースもありました。

結果は明確かつ具体的でした。AIにフルセットの人間用文書を与えて自分で数字を探させた場合、正解率は約47パーセントに過ぎませんでした。しかし、全く同じテキストを用いながら、関連する事実が見つけやすいように整理して与えたところ、精度はほぼ100パーセントへと跳ね上がりました。これにより、AIの問題の本質は言語能力や数学的能力にあるのではなく、何千もの言葉の中に適切な数字を見つけることができなかった点にあることが証明されました。研究者たちはまた、特別なマシンリーダブル形式（XBRL）が本質的にプレーンテキストよりも優れているかどうかについてもテストを行いました。すると、一度正確な事実さえ提供されてしまえば、両方のフォーマット間で精度の差はほとんどなくなることがわかりました。マシンリーダブルな形式の利点は、形式自体にあるのではなく、必要な数字を特定することを容易にする点にあったのです。

この発見は、単にマシンリーダブルな形式へ切り替えるだけで問題が解決するという考えに異議を唱えています。研究者たちは、真のボトルネックは「エビデンス・ロカリゼーション（根拠となる箇所への定位）」、すなわち膨大な文書の中から適切な情報を見つけ出す能力であると示しました。コンピュータが必要な数字を見つけることができれば、その数字が構造化されたファイルからであれプレーンテキストの文書からであれ、正しく計算を実行できます。また、AIが学習データの内容をただ暗記しているだけなのかどうかについてもテストが行われました。彼らは報告書内の数字を架空の値に変更した後、再度AIに回答させましたが、AIは依然として正解を出しました。これは、AIが過去の事実を想起しているのではなく、実際に文書を読んで作業を行ったことを裏付けています。

結論として、私たちは財務報告書の複雑さを、単一の固定されたスコアとして扱うことはもはやできません。報告書の難易度は、読み手、タスク、およびそれにアクセスするための道具に依存します。人間の投資家にとって、長く複雑な言語を用いた報告書は重い負担となります。一方、機械にとっての負担とは、大量のテキストの中から正しいデータポイントを見つけ出すことです。研究者が示したのは、人間にとっての困難さと機械にとっての容易さの間の溝は広がっており、情報を取得するための道具こそが、文書そのもの以上に重要であるということです。これは、私たちがAIを活用して財務上の意思決定を下す時代へと進む中で、報告書を静止した物体として考えるのを止め、どのように処理されるかによって変化するダイナミックな入力値として考え始める必要があることを意味しています。難しさの本質は紙の中にあるのではなく、紙とそれを理解しようとする人間あるいは機械との間にある経路の中に存在するのです。