Automating Document Classification in the Financial Markets: A Comparative Study of Simple Models Versus Complex Models
Notice bibliographique
Résumé
As the volume of textual data continues to surge, the demand for automated techniques to classify and analyze large text datasets intensifies. This article addresses the critical task of text classification, particularly in the context of financial market regulation, where efficient document analysis is paramount. Our study conducts a comparative analysis employing both simple learning models and complex language models to automate and enhance document classification. By leveraging a diverse dataset from a prominent online platform, meticulous preprocessing techniques, and rigorous Out of Sample testing, we aim to evaluate the generalizability of our models across various contexts and datasets, including the complexities and biases inherent in real so-cial media data. Results indicate that the Random Forest emerges as a standout performer among simple models, achieving a low error rate of 3.755% and a notable False Negative Rate (PI0) of 3.154 %. Conversely, among complex models, the Bidirectional Encoder Representations from Transformers (BERT) is identified as the preferred choice, displaying a superior balance of a low error rate of 2.843% and a minimal PI0 of 2% at a threshold of 0.9. This research not only provides insights into effective resource prioritization for businesses but also acknowledges the challenges of working with real social media data, emphasizing the importance of capturing and addressing the intricacies and biases present in such datasets. Future avenues of exploration may include advanced data balancing methods, sophisticated preprocessing techniques, and alternative classification models to further enrich document classification research in dynamic social media contexts and beyond.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».