論文の概要: Can LLMs Learn Macroeconomic Narratives from Social Media?

• arxiv url: http://arxiv.org/abs/2406.12109v1
• Date: Mon, 17 Jun 2024 21:37:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 23:37:50.987533
• Title: Can LLMs Learn Macroeconomic Narratives from Social Media?
• Title（参考訳）: LLMはソーシャルメディアからマクロ経済学的ナラティブを学べるか?
• Authors: Almog Gueta, Amir Feder, Zorik Gekhman, Ariel Goldstein, Roi Reichart,
• Abstract要約: X(旧Twitter)からの投稿を含む2つのキュレートされたデータセットを導入し、経済に関する物語を捉えた。 自然言語処理(NLP)手法を用いて,ツイートから物語を抽出し,要約する。 我々は、下流の財務予測タスクにツイートを組み込んだ$textitmacroeconomic$予測や、抽出したナラティブの表現を組み込むことで、彼らの予測能力をテストする。
• 参考スコア（独自算出の注目度）: 20.11321226491191
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study empirically tests the $\textit{Narrative Economics}$ hypothesis, which posits that narratives (ideas that are spread virally and affect public beliefs) can influence economic fluctuations. We introduce two curated datasets containing posts from X (formerly Twitter) which capture economy-related narratives (Data will be shared upon paper acceptance). Employing Natural Language Processing (NLP) methods, we extract and summarize narratives from the tweets. We test their predictive power for $\textit{macroeconomic}$ forecasting by incorporating the tweets' or the extracted narratives' representations in downstream financial prediction tasks. Our work highlights the challenges in improving macroeconomic models with narrative data, paving the way for the research community to realistically address this important challenge. From a scientific perspective, our investigation offers valuable insights and NLP tools for narrative extraction and summarization using Large Language Models (LLMs), contributing to future research on the role of narratives in economics.
• Abstract（参考訳）: この研究は実証的に$\textit{Narrative Economics}$仮説を検証し、物語(広く広まり、大衆の信念に影響を及ぼすイデア)が経済変動に影響を与えることを示唆している。 我々は,X(旧Twitter)からの投稿を含む2つのキュレートされたデータセットを紹介した。 自然言語処理(NLP)手法を用いて,ツイートからナラティブを抽出し,要約する。 我々は、これらの予測力を、ツイートを組み込んだ$\textit{macroeconomic}$予測や、抽出したナラティブの表現を下流の財務予測タスクに組み込むことでテストする。 我々の研究は、物語データを用いてマクロ経済モデルを改善する上での課題を強調し、研究コミュニティがこの重要な課題に現実的に対処する道を開く。 学術的な観点から,我々は,Large Language Models (LLMs) を用いた物語抽出と要約のための貴重な洞察とNLPツールを提供し,今後の経済学における物語の役割に関する研究に寄与する。

関連論文リスト

• EconNLI: Evaluating Large Language Models on Economics Reasoning [22.754757518792395]
  LLM(Large Language Models)は、経済分析レポートの作成や、財政的なアドバイスを提供するために広く使われている。 経済分野におけるLLMの知識と推論能力を評価するために,新たなデータセット,経済事象に関する自然言語推論(EconNLI)を提案する。 実験の結果, LLMは経済的な推論では洗練されておらず, 誤りや幻覚を生じさせる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-01T11:58:24Z)
• Effect of Leaders Voice on Financial Market: An Empirical Deep Learning Expedition on NASDAQ, NSE, and Beyond [1.6622844933418388]
  異なる分野のリーダーのTwitterハンドルのNLP分析に基づいて、ディープラーニングに基づくモデルを提案し、金融市場のトレンドを予測する。 インドとアメリカの金融市場は、将来他の市場が取られるように、現在の作業で探索されている。
  論文  参考訳（メタデータ） (2024-03-18T18:19:08Z)
• Fair Abstractive Summarization of Diverse Perspectives [103.08300574459783]
  公平な要約は、特定のグループを過小評価することなく、多様な視点を包括的にカバーしなければなりません。 はじめに、抽象的な要約における公正性は、いかなる集団の視点にも過小評価されないものとして、正式に定義する。 本研究では,対象視点と対象視点の差を測定することで,基準のない4つの自動計測手法を提案する。
  論文  参考訳（メタデータ） (2023-11-14T03:38:55Z)
• Mastering the Task of Open Information Extraction with Large Language Models and Consistent Reasoning Environment [52.592199835286394]
  オープン情報抽出(OIE)は、自然文から客観的な構造化された知識を抽出することを目的としている。 大規模言語モデル(LLM)は、テキスト内学習能力に優れています。
  論文  参考訳（メタデータ） (2023-10-16T17:11:42Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
  ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。 この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。 我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-05-23T16:40:07Z)
• Context-faithful Prompting for Large Language Models [51.194410884263135]
  大言語モデル(LLM)は世界事実に関するパラメトリック知識を符号化する。 パラメトリック知識への依存は、文脈的手がかりを見落とし、文脈に敏感なNLPタスクにおいて誤った予測をもたらす可能性がある。 我々は, LLMの文脈的忠実度を, 知識の衝突と, 棄権による予測の2つの側面で評価し, 向上する。
  論文  参考訳（メタデータ） (2023-03-20T17:54:58Z)
• A Survey on Event-based News Narrative Extraction [10.193264105560862]
  本調査は,イベントベースニュースナラティブ抽出分野の研究を幅広く行ったものである。 我々は、54の関連記事を得た900以上の記事をスクリーニングした。 レビューされた研究に基づいて、最近のトレンド、オープンチャレンジ、潜在的研究線を特定する。
  論文  参考訳（メタデータ） (2023-02-16T15:11:53Z)
• Template-based Abstractive Microblog Opinion Summarisation [26.777997436856076]
  我々は,マイクロブログ意見要約(MOS)の課題を紹介し,ゴールド標準意見要約3100のデータセットを共有する。 このデータセットには、2年間にわたるつぶやきの要約が含まれており、他のパブリックなTwitter要約データセットよりも多くのトピックをカバーしている。
  論文  参考訳（メタデータ） (2022-08-08T12:16:01Z)
• Revisiting Rashomon: A Comment on "The Two Cultures" [95.81740983484471]
  Breiman氏は「Rashomon Effect」と呼び、予測精度基準を等しく満たす多くのモデルが存在するが、情報を実質的に異なる方法で処理する状況について説明した。 この現象は、データに適合するモデルに基づいて結論を導き出すか、意思決定を自動化することを困難にします。 私は、この問題の意義を探求する機械学習文学における最近の研究と関係しています。
  論文  参考訳（メタデータ） (2021-04-05T20:51:58Z)
• Macroeconomic forecasting through news, emotions and narrative [12.762298148425796]
  本研究は、世界中の新聞からの幅広い感情をマクロ経済予測に組み込むことにより、既存の研究分野を拡大する。 我々は、自動回帰フレームワークを使用して、さまざまな経済分野の工業生産と消費者価格をモデル化する。 幸福と怒りに関連する感情は、予測する変数に対して最も強い予測力を持つ。
  論文  参考訳（メタデータ） (2020-09-23T10:10:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。