論文の概要: A methodology for analyzing financial needs hierarchy from social discussions using LLM
- arxiv url: http://arxiv.org/abs/2602.06431v1
- Date: Fri, 06 Feb 2026 06:58:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-09 22:18:26.268867
- Title: A methodology for analyzing financial needs hierarchy from social discussions using LLM
- Title（参考訳）: LLMを用いた社会的議論からの財務ニーズ階層の分析手法
- Authors: Abhishek Jangra, Sachin Thukral, Arnab Chatterjee, Jayasree Raveendran,
- Abstract要約: 本研究では,ソーシャルメディアにおける金融ニーズの階層構造について考察する。
我々は、大規模なテキストデータを分析するために、生成的AI技術を採用している。
- 参考スコア（独自算出の注目度）: 0.44331691650281385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study examines the hierarchical structure of financial needs as articulated in social media discourse, employing generative AI techniques to analyze large-scale textual data. While human needs encompass a broad spectrum from fundamental survival to psychological fulfillment financial needs are particularly critical, influencing both individual well-being and day-to-day decision-making. Our research advances the understanding of financial behavior by utilizing large language models (LLMs) to extract and analyze expressions of financial needs from social media posts. We hypothesize that financial needs are organized hierarchically, progressing from short-term essentials to long-term aspirations, consistent with theoretical frameworks established in the behavioral sciences. Through computational analysis, we demonstrate the feasibility of identifying these needs and validate the presence of a hierarchical structure within them. In addition to confirming this structure, our findings provide novel insights into the content and themes of financial discussions online. By inferring underlying needs from naturally occurring language, this approach offers a scalable and data-driven alternative to conventional survey methodologies, enabling a more dynamic and nuanced understanding of financial behavior in real-world contexts.
- Abstract（参考訳）: 本研究では,大規模テキストデータ分析のための生成AI技術を用いて,ソーシャルメディアの談話における財務ニーズの階層構造について検討する。
人間のニーズは、基本的な生存から心理的充足までの幅広い範囲を包含するが、経済的ニーズは特に重要であり、個人の幸福と日々の意思決定の両方に影響を与える。
本研究は、大規模言語モデル(LLM)を用いて、ソーシャルメディア投稿から財務ニーズの表現を抽出・分析することで、財務行動の理解を深めるものである。
我々は、金融ニーズが階層的に組織化され、短期的な本質から長期的な願望へと発展し、行動科学で確立された理論的枠組みと一致すると仮定する。
計算分析により,これらのニーズを同定し,その内部に階層構造が存在することを検証する。
本研究は,この構造を確認することに加えて,オンライン上での金融議論の内容とテーマに関する新たな知見を提供する。
自然発生の言語から根底にあるニーズを推測することで、このアプローチは従来の調査手法に代わるスケーラブルでデータ駆動的な代替手段を提供し、現実の文脈における金融行動をよりダイナミックでニュアンスな理解を可能にします。
関連論文リスト
- Analogy-Driven Financial Chain-of-Thought (AD-FCoT): A Prompting Approach for Financial Sentiment Analysis [0.0]
本稿では,歴史的金融ニュースに対する感情予測のためのAnalogy-Driven Financial Chain-of-Thought (AD-FCoT)を提案する。
私たちの知る限り、これは金融における類似例とCoT推論を明示的に組み合わせる最初のアプローチの1つです。
実験により、AD-FCoTは感情分類精度において強いベースラインを上回り、市場リターンとかなり高い相関性が得られることが示された。
論文 参考訳（メタデータ） (2025-09-16T03:19:26Z) - Language Modeling for the Future of Finance: A Survey into Metrics, Tasks, and Data Opportunities [6.024100148954438]
近年の言語モデリングの進歩により、上位階層の自然言語処理施設の財務に関する論文が増えている。
我々は、2017年から2024年にかけて38のカンファレンスやワークショップで発行された374のNLP研究論文をレビューし、金融関連タスクに直接対処する221の論文の焦点を絞った分析を行った。
論文 参考訳（メタデータ） (2025-04-09T21:02:12Z) - Why Reasoning Matters? A Survey of Advancements in Multimodal Reasoning (v1) [66.51642638034822]
推論は人間の知性の中心であり、多様なタスクにまたがる構造化された問題解決を可能にする。
大規模言語モデル(LLM)の最近の進歩は、算術、常識、記号領域における推論能力を大幅に向上させてきた。
本稿では,テキストおよびマルチモーダルLLMにおける推論手法の簡潔かつ洞察に富んだ概要について述べる。
論文 参考訳（メタデータ） (2025-04-04T04:04:56Z) - A Survey on Post-training of Large Language Models [185.51013463503946]
大規模言語モデル(LLM)は、自然言語処理を根本的に変革し、会話システムから科学的探索まで、さまざまな領域で欠かせないものにしている。
これらの課題は、制限された推論能力、倫理的不確実性、最適なドメイン固有のパフォーマンスといった欠点に対処するために、先進的な訓練後言語モデル(PoLM)を必要とする。
本稿では,タスク固有の精度を向上するファインチューニング,倫理的コヒーレンスと人間の嗜好との整合性を保証するアライメント,報酬設計の課題によらず多段階の推論を進める推論,統合と適応の5つのパラダイムを体系的に追跡したPoLMの総合的な調査について述べる。
論文 参考訳（メタデータ） (2025-03-08T05:41:42Z) - Explaining the Unexplainable: A Systematic Review of Explainable AI in Finance [0.0]
本稿では、金融におけるXAI応用の変遷状況について概観する。
トピック・クラスタ、重要な研究、そして金融業界でよく使われる説明可能性戦略を見つける。
論文 参考訳（メタデータ） (2025-03-07T22:36:44Z) - LogiDynamics: Unraveling the Dynamics of Inductive, Abductive and Deductive Logical Inferences in LLM Reasoning [74.0242521818214]
本稿では,大言語モデル(LLM)におけるインダクティブ(システム1)と帰納的/帰納的(システム2)の推論の比較力学を体系的に検討する。
我々は、制御されたアナログ推論環境、多様度(テキスト、視覚、記号)、難易度、タスク形式(MCQ/フリーテキスト)を利用する。
我々の分析によると、System 2のパイプラインは一般的に、特に視覚的/象徴的なモダリティや難しいタスクにおいて優れており、System 1はテキストやより簡単な問題に対して競争力がある。
論文 参考訳（メタデータ） (2025-02-16T15:54:53Z) - A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges [60.546677053091685]
大規模言語モデル(LLM)は金融分野における機械学習アプリケーションに新たな機会を開放した。
我々は、従来のプラクティスを変革し、イノベーションを促進する可能性に焦点を当て、様々な金融業務におけるLLMの適用について検討する。
本稿では,既存の文献を言語タスク,感情分析,財務時系列,財務推論,エージェントベースモデリング,その他の応用分野に分類するための調査を紹介する。
論文 参考訳（メタデータ） (2024-06-15T16:11:35Z) - Instruct-FinGPT: Financial Sentiment Analysis by Instruction Tuning of
General-Purpose Large Language Models [18.212210748797332]
本稿では,これらの問題に対処する簡易かつ効果的な命令チューニング手法を提案する。
実験では, 最先端の教師付き感情分析モデルより優れていた。
論文 参考訳（メタデータ） (2023-06-22T03:56:38Z) - Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。
我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。
本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文 参考訳（メタデータ） (2022-07-23T01:06:34Z) - FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。
我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。
その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
論文 参考訳（メタデータ） (2021-09-01T00:08:14Z)
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。