AI-Enhanced Web Crawler for Real-Time Discovery of Emerging Trends in Sustainable Finance
Notice bibliographique
Résumé
The evolving field of sustainable finance, which encompassing ESG (Environmental, Social, Governance) investing, green bonds, and climate-related financial disclosures—demands timely, data-driven insights from vast web-based sources such as policy updates, corporate filings, news outlets, and research publications. Manual tracking is no longer feasible due to the volume and velocity of data. Traditional web crawlers are rule-based and lack contextual understanding, leading to poor relevance detection, high false positives, and missed emerging topics. This paper shows how to create an AI-powered web crawler using techniques including Natural Language Processing (NLP), subject modeling, and spotting trends. We use a mix of keyword-driven crawling and BERT/FinBERT transformer-based language models to figure out what is semantically relevant. Emerging keyword recognition takes advantage of the fact that term frequency-inverse document frequency (TF-IDF) changes over time. Temporal trend analysis over time-sliced document sets, on the other hand, uses Latent Dirichlet Allocation (LDA). We put the suggested crawler through its paces on 50,000 URLs. These included blogs established by regulatory entities, sites that simply report on financial news, and blogs run by schools and other organizations. When compared to baseline crawling, it was 87.5% accurate and 82.3% recall. This means it could find new problems with acquiring money in a way that lasts.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».