CarbonCrediBERT: Expert-Guided Few-Shot and Selective Classification of Carbon Credit Disclosures
该论文提出了 CarbonCrediBERT，这是一个专家引导的自然语言处理框架，它结合了专门的分类体系、硬负例（hard-negative examples）以及针对特定任务的少样本或微调模型，旨在准确分类企业披露中碳信用的相关性、情绪和用法，同时有选择性地将不确定案例标记出来以供人工审查。
原始论文采用 CC BY 4.0 许可（https://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
企业报告正日益充斥着关于气候的承诺。随着政府和投资者要求更高的透明度，公司正在大量撰写关于实现“净零”排放目标以及摆脱化石燃料转型计划的内容。在这些冗长的文件中，一种特定的金融工具正频繁出现：碳信用（carbon credit）。这些是可交易的证书，代表从大气中移除或防止进入大气的每一吨二氧化碳。公司购买并注销这些信用，以抵消自身的污染，声称每排放一吨，他们就支付了另一处清理一吨的费用。然而，描述这些信用的语言非常微妙。那些标志着购买碳信用的词汇——如“credit”（信用/抵免）、“offset”（抵消）或“net”（净/净额）——也出现在完全不同的语境中，例如银行、会计或一般的气候战略。提到“credit risk”（信用风险）的句子与环境毫无关系，正如提到“net interest”（净利息）纯粹是金融术向一样。这种歧义性使得投资者或监管机构几乎不可能通过快速扫描数千份报告，来准确了解一家公司究竟在碳信用方面做了什么，或者他们是否真的在使用碳信用。
新南威尔士大学和 Vercentra 的研究人员开发了一种新工具来消除这种困惑，旨在教计算机像人类专家一样用审慎的眼光阅读企业报告。他们将该系统称为 CarbonCrediBERT。它不仅仅是搜索关键词（这往往会导致误报），而是旨在理解段落的完整语境。它会对阅读到的任何文本提出三个具体问题：这段文字真的在讨论碳信用吗？如果是，其语调是积极、消极还是中性的？最后，公司是说它正在使用这些信用，还是仅仅在谈论它们？为了回答这些问题，团队并没有依赖大量的现有数据（这类数据在如此特定的领域通常难以获取），而是使用了一种称为“专家引导学习”（expert-guided learning）的方法，即由人类专家对一小部分示例进行标注，以教导计算机寻找什么。他们还加入了“硬负例”（hard negatives）——即那些看起来像是在讨论碳信用、但实际上是关于税收或一般气候目标的例子——以训练系统识别差异。
研究人员在澳大利亚证券交易所上市的前 100 家公司的报告上测试了他们的系统，涵盖了 2024 年和 2025 年发布的年度报告、气候报告和可持续发展报告。他们首先提取了包含相关关键词的数千个句子，然后将其缩小到一个包含超过 15,000 个段落的平衡池中。从这个池中，人类专家仔细标注了用于执行三项任务的各 100 个段落，作为训练集。随后，团队对比了不同的计算机模型，以观察哪一个能从如此少量的专家指导中学习得最好。他们发现，没有一个单一的模型能完美胜任所有工作。对于第一项任务——判断段落是否与碳信用相关——一个已经在大量气候相关文本上进行过训练的模型表现最好，能够高精度地识别相关篇章。然而，对于判断语调（情感）和确定公司是否实际使用信用的更细微的任务，另一种方法效果更好。这种被称为“少样本学习”（few-shot learning）的方法让模型通过比较示例对而非记忆海量文本来进行学习，它在理解公司描述其行为时的微妙差异方面证明了其有效性。
尽管取得了这些成功，研究也揭示了计算机自身能力的显著局限。当研究人员尝试让系统决定在无需人类帮助的情况下何时可以自信地给出答案时，结果褒贬不一。对于识别相关段落的任务，系统可以自动接受大多数答案且错误率较低，但在处理最困难的案例时仍会出错。对于判断情感和信用使用的任务，系统无法找到一个安全的阈值来实现自动化过程。它经常混淆公司“计划使用”信用与“已经使用”信用的陈述，或者难以区分一份中性报告与一份负面报告。事实上，系统漏掉了测试组中唯一的负面情感案例，将其标记为正面。这表明，虽然这项技术可以帮助过滤噪音，但它尚不能取代人类的判断，尤其是在文本具有歧义或公司对其实际行动描述模糊的情况下。
研究人员还观察了这些报告在 2024 年至 2025 年间语言的变化。他们发现，虽然“净零”和“碳信用”等通用术语仍然是最常见的，但提及特定碳移除方法（如森林再生、土壤管理和垃圾填埋气捕集）的情况明显上升。然而，研究强调，提到这些方法并不自动意味着公司正在使用碳信用；它可能只是在描述一个项目，而没有涉及任何财务交易。这种区别至关重要，因为监管正在收紧，要求公司必须更加明确地说明如何利用信用来实现其气候目标。研究结论认为，虽然像 CarbonCrediBERT 这样的工具可以整理并突出显示这些庞大文件中的证据，但解释这些主张并确保其完整性的最终责任仍在于人类专家。该系统是一个强大的透镜，可以将注意力聚焦在正确的段落上，但它尚不能取代对这些段落实际含义进行仔细人工审查的需求。
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。