Durch den Einsatz verschiedener Mehrtask-Lernmethoden können wertvolle Erkenntnisse aus den qualitativen Textinformationen in Jahresberichten gewonnen werden, insbesondere in Bezug auf finanzielle Stimmung, Objektivität, zukunftsgerichtete Sätze und ESG-Inhalte.
Große Sprachmodelle können als effiziente Annotationstools für die Extraktion von Beziehungen in Finanzdokumenten dienen und stellen eine kostengünstige Alternative zu menschlichen Crowdworkern dar.
Bestehende vortrainierte Sprachmodelle sind unzureichend, um subtile semantische Verschiebungen in Finanzberichten zu erkennen. Durch den Einsatz von Large Language Models zur Datengenerierung und ein darauf basierendes Triplet-Netzwerk kann die Leistung bei dieser Aufgabe deutlich verbessert werden.
Bestehende vortrainierte Embedding-Modelle und LLM-Embeddings sind unzureichend, um subtile semantische Verschiebungen in Finanzberichten zu erkennen. Um diese Lücke zu schließen, schlagen wir eine LLM-gestützte Pipeline speziell für die Financial-STS-Aufgabe vor.