Cognitive Load and Information Processing in Financial Markets: Theory and Evidence from Disclosure Complexity
本文通过提出一个“读者-任务-界面”框架，挑战了将披露复杂性视为静态文档属性的传统观点，并通过历史数据和大规模实验证明，金融市场中的认知负荷是由内容、接入呈现方式以及人工智能驱动的转换技术之间的相互作用动态决定的，而非仅由文档本身决定。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在金融领域，公司被要求发布关于其资金、债务和未来计划的详细报告。几十年来，人们一直认为理解这些报告的难度完全取决于文档本身。如果一份报告篇幅冗长、句子复杂或充满了密集的表格，它就会被认为是“难以阅读”的，而这种难度被认为是一个文件的固定属性。这一观点塑造了研究人员对投资者行为的研究方式，即假设一份复杂的报告会对所有人造成同样的困扰，而不论读者是谁或使用了什么工具。然而，信息的传递方式已经发生了变化。现在，公司同时以两种形式提交这些报告：一种是面向人类眼睛的传统文档，另一种是为计算机快速读取而设计的结构化数字文件。这种转变提出了一个新的问题：当人类阅读一份报告与机器处理一份报告时，报告的难度是否保持不变？
一个研究小组致力于通过将财务报告的难度视为三个要素共同作用的结果，而非一个单一的数字，来回答这个问题：读者、任务和界面。他们想要观察在人工智能和自动化软件越来越多地承担阅读这些文档任务的时代，旧有的规则是否仍然适用。为此，他们研究了来自美国证券交易委员会的历史数据，分析了数千份现代申报文件，并进行了一项大规模实验，要求计算机模型使用不同的方法回答有关公司报告的问题。他们的工作揭示了，一份财务报告的复杂性并不是一个稳定的特征。相反，它取决于谁在提问以及如何提问。
研究人员首先回顾了规则发生变化的特定历史时刻。大约在2009年，大型公司被要求在提交标准报告的同时，也开始以一种名为XBRL的特殊机器可读格式提交其财务数据。该团队重建了政府网站的流量日志，以观察人类和计算机对这一变化的反应。他们发现，这项规定并不像一个简单的开关。虽然该要求增加了机器可读文件的使用量，但并未导致人们阅读标准文档的情况大幅下降。更重要的是，数据表明这两种格式承担着不同的用途。机器可读文件更多地被自动化系统访问，而人类可读文档仍是直接阅读的主要来源。这表明，阅读报告的“负担”正在发生转移。对于人类来说，负担仍然在于阅读长篇文字；对于机器来说，负担在于从结构化文件中找到正确的数字。
为了了解这两个世界在今天是如何互动的，研究人员检查了超过20万份现代申报文件。他们发现了一个令人惊讶的模式：那些为人类制作最长、最复杂报告的公司，往往也是为机器提供最丰富、最详细数据的公司。在过去，研究人员可能会假设一份长篇报告对所有人来说都很“难”。而新数据表明，一份报告可能因为长度和词汇量而对人类而言非常难以阅读，但对计算机提取特定事实而言却极其容易。这意味着，旧的衡量复杂度的方法——计算单词数量或句子长度——已不再能说明问题的全貌。一份报告可以同时对人类而言是“难”的，而对机器而言是“易”的。研究人员还发现，业务更复杂的规模较大的公司，往往既具有较高的阅读负担（针对人类），也具有较高的可访问性（针对机器）。这表明，人类易读性与机器易读性之间的差距并非随机产生的，而是现代金融系统中一个结构性的特征。
这项研究中最具启发性的部分是一个受控实验，研究人员在该实验中测试了人工智能回答这些报告问题的能力。他们选取了432个关于公司财务的具体问题，例如“净利润是多少？”或“流动比率是多少？”，并要求六种不同的AI模型回答这些问题。他们在十二种不同的条件下测试了这些问题。在某些情况下，AI被给予了完整的、混乱的人类文档；在其他情况下，它被给予了一份组织完美的、仅包含所需事实的列表；在某些情况下，AI必须自己寻找事实，而在另一些情况下，事实被直接递交给它。
结果清晰且具体。当AI被给予完整的、人类文档并必须自行寻找数字时，它的正确率仅为47%左右。然而，当研究人员将完全相同的文本进行整理，使其相关事实易于查找时，准确率跃升至接近100%。这证明了AI的主要问题不在于它无法理解语言或数学，而在于它无法在数千个单词中找到正确的数字。研究人员还测试了特殊的机器可读格式（XBRL）是否本质上优于纯文本。他们发现，一旦AI获得了两种格式中完全相同的精确事实，准确率的差异几乎为零。机器可读格式的优势并不在于格式本身，而在于它使得定位所需的特定数字变得更加容易。
这一发现挑战了“仅仅转向机器可读格式就能解决所有问题”的观点。研究人员表明，真正的瓶颈是“证据定位”——即在大型文档中找到正确信息片段的能力。如果计算机能找到那个数字，它就能正确计算出答案，无论这个数字来自结构化文件还是纯文本文档。研究人员还测试了AI是否只是在记忆其训练数据中的答案。他们将报告中的数字更改为新的、虚构的数值，并再次要求AI进行回答。AI仍然能够答对，这证明它确实在阅读文档并进行计算，而不是仅仅在回忆旧的事实。
研究结论指出，我们不能再将财务报告的复杂性视为一个单一的、固定的分数。一份报告的难度取决于读者、任务以及用于获取信息的工具。对于人类投资者来说，篇幅冗长且语言复杂的报告是一种沉重的负担；对于机器来说，负担在于从大量文本中找到特定的数据点。研究人员发现，人类难度与机器易度之间的差距正在扩大，而且我们获取信息的工具比文档本身更为重要。这意味着，随着我们进入一个由人工智能辅助做出财务决策的时代，我们需要停止将报告视为静态的对象，而应将其视为根据处理方式而变化的动态输入。难度不在于纸张本身，而在于纸张与试图理解它的个人或机器之间的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。