ARTICLE · 1161292
AI智能体彻底颠覆经管文本分析!
AI智能体彻底颠覆经管文本分析!经管实证研究的数据边界正在快速扩张。除了传统的财务数据、宏观统计数据和调查数据，越来越多研究开始从企业年报、专利文本、新闻报道、管理层讨论与分析（MD&A）、CEO图片、电话会议语音中寻找新的测量方式，并进一步构建传统数据库中根本不存在的实证变量。 真正的问题也随之而来：一篇年报怎么批量提取指定章节？CEO的乐观倾向怎么从文本中量化？研究主题如何从海量文本中自动发现？企业之间的语义距离怎么算？图片中的CEO情绪、电话会议中的语音信息，又怎么最终变成一列可以用于回归的数据？ 这正是 《AI Agent大模型文本分析与多模态实证变量构建训练营》重点解决的问题。课程从LLM文本分类与情感标注，到LDA/BERTopic主题建模、Sentence-BERT语义相似度，再进一步扩展到PDF、图片和语音多模态数据提取，完整覆盖当前经管研究中越来越常见的非结构化数据变量构建方法。同时设置包括《中国工业经济》、Review of Finance、Strategic Management Journal、Management Science、Journal of Accounting Research 等 8个顶刊方法复现实操 + 1套Agent多模态变量构建工作流，帮助学员实现指挥智能体完成文本分析与多模态数据提取全流程。 课程不强调复杂的编程语法和算法推导，而是围绕方法选择、模型调用、Prompt设计、数据处理、变量构建和质量验证展开，并进一步将成熟流程封装为Agent Skill，真正形成一套可复用的文本分析与多模态实证变量构建工具箱。 
01 课程概览 课程名称：大模型智能体文本分析与多模态数据变量提取特训营 课程时间：2026年10月24、25日，上午9:00-12:00，下午14:00-17:00 授课形式：线上直播＋课后回放＋课程资料+答疑 报名方式： 
课程优势： （1）10+文本与多模态分析Skill：每个模块配套完整代码和Agent Skill。 （2）8篇顶刊复现材料：包括完整代码与数据（Python + Stata），覆盖《中国工业经济》、《会计研究》、Review of Finance、Management Science、Strategic Management Journal、Journal of Accounting Research等8篇。 （3）多模态数据融合：文本+ PDF表格 + 图片 + 语音。 （4）AI Agent全流程驱动：从“手动编码”到“Agent自动提取”。 02 授课团队 Austin ，211高校商学院副教授，香港经济学博士，主要从事科研智能体搭建与应用、评价理论与方法、应用计量分析等方向，发表包括UTD24顶刊（2篇）、ABS4期刊（2篇）、Energy Economics、《计量经济学报》等论文10余篇，Nature、Energy Economics等匿名审稿人、国际SCI期刊客座编辑，国家自然科学基金项目主持人，自科基金评审专家，教育部学位中心评审专家。 03 课程大纲 第一部分：文本分析基础与LLM分析趋势（6课时） 专题一：文本分析基础与LLM分析趋势 1.文本分析在实证研究中的价值与典型应用 2. 文本分析技术演进：四代范式 3. AI Agent与LLM在文本分析中的角色定位 4. 预训练模型对比与适用场景速查：BERT、RoBERTa、DistilBERT、FinBERT、SciBERT、PatentSBERTa 专题二：LLM文本分析Prompt工程与质量控制 2. Prompt工程核心框架：RTCE 3. 其他常用提示技术 ·Zero-shot：直接提问，适用于通用任务 ·Few-shot：提供示例，提高准确率，示例选择策略（随机/多样性/KNN） ·Chain-of-Thought（CoT）：引导模型逐步推理，适用于复杂判断（如服务化得分评定） ·自我一致性（Self-Consistency）：多次采样取多数答案 4. 文本预处理——让LLM“读懂”你的文本 ·文本清洗：去除HTML标签、特殊字符、多余空格，统一编码（UTF-8） ·段落分割与章节识别：对年报MD&A定位子结构（如“业务概述”“风险因素”“展望”）提取特定章节 ·长度控制与分块策略（处理超长文本） 5. 质量控制与稳健性考量 ·Prompt敏感性测试：设计多个语义等价的Prompt版本，对比输出差异 ·模型交叉验证：同一任务用GPT-4、Claude、Qwen分别运行，计算一致性 ·人工抽样验证：随机抽取5%-10%结果，人工判断正确率，边界案例讨论 ·置信度评分机制：让LLM输出置信度，设定阈值过滤低信度样本 ·对抗性测试：输入乱序、同义词替换等，检查模型鲁棒性 专题三：LLM实证指标构建之文本分类与情感标注 ·传统分类器：朴素贝叶斯、SVM、逻辑回归（scikit-learn实现） ·基于Transformer的分类微调：Auto Model For Sequence Classification ·评估指标：精确率、召回率、F1-Score、混淆矩阵 2. LLM驱动的零样本/少样本分类 ·零样本分类原理：将标签映射为自然语言描述，LLM判断与文本的蕴含关系 ·少样本示例选择：基于向量相似度选取代表性样本 ·输出格式约束：强制输出标签名称或编码，便于后续整合 3. LLM赋能文本标注：替代人工编码 ·LLM vs 人工标注一致性验证：Kappa系数计算，可行性判断 ·批量标注Pipeline：多线程/异步请求，自动保存中间结果 ·标注指南嵌入系统提示词：统一标注规则，处理边界案例 ·主动学习：LLM标注不确定样本 → 人工复核 → 更新Prompt 【顶刊案例复现1】LLM识别数字技术专利 从专利摘要中识别是否属于“数字技术专利”。准备专利摘要数据集-设计二分类Prompt-调用Qwen/DeepSeek批量分类-与人工标注结果对比，计算F1-输出分类标签作为后续实证变量。 参考文献：马述忠, 张道涵, 胡增玺. 数字知识流动如何促进区域协调发展[J]. 中国工业经济, 2025, (02): 80-98. 【顶刊案例复现2】LLM量化CEO乐观倾向 从CEO发言文本中提取短期乐观与长期乐观得分。文本预处理-设计多维情感评分Prompt-多模型投票（GPT-4 + Claude）提高一致性-输出情感得分数据集。 参考文献：Jiayin Hu et al. CEO turnover, sequential disclosure, and stock returns[J]. Review of Finance, 2025. 专题四：LLM实证指标构建之文本主题建模 ·LDA模型原理：文档-主题-词的三层贝叶斯生成过程 ·gensim实现LDA：语料库构建、词典、模型训练 ·主题数选择：困惑度（Perplexity）与主题一致性（Coherence，C_v）评估 2. 基于BERTopic的现代主题建模 ·BERTopic架构：嵌入（Embedding）→ 降维（UMAP）→ 聚类（HDBSCAN）→ 主题表征（c-TF-IDF） ·替换嵌入模型：使用text2vec-large-chinese增强中文语义 ·聚类参数调优：min_cluster_size控制主题粒度 ·主题数量自动确定与层次化主题树 ·可视化：主题分布图、主题词云、层次聚类树 3. LLM增强主题命名与解释 ·传统方法：根据Top关键词人工命名 ·LLM方法：将每个主题的代表性文档输入LLM，自动生成简洁主题标签和描述 ·应用：将主题归属作为企业战略倾向的代理变量 【顶刊案例复现3】BERTopic社会科学主题发现 加载文献摘要数据（可替换为中文经管摘要）；使用BERTopic（嵌入=text2vec）进行主题建模；评估主题一致性，选择最佳主题数；LLM自动命名主题；输出文档-主题归属矩阵，供回归分析使用。 参考文献：Gupta P, Ding B, Guan C, Ding D. Generative AI: A systematic review using topic modelling techniques[J]. Data and Information Management, 2024, 8(1): 100066. 专题五：LLM实证指标构建之文本语义相似度 ·传统方法：Jaccard相似度、TF-IDF余弦相似度（基于词袋，无法理解同义） ·基于嵌入的方法： ·Sentence-BERT：孪生网络，输出固定维度句向量 ·相似度度量：余弦相似度（最常用）、欧氏距离、曼哈顿距离、点积 2. LLM增强的语义匹配与记录链接 ·零样本语义相关性判定：二分类Prompt（相关/不相关）+ 相似度评分（0-10） ·记录链接（Record Linkage）：在不同数据集间匹配实体（企业、个人、产品） ·例：招聘数据中的岗位描述与中国职业分类大典匹配（《数量经济技术经济研究》，2025） ·流程：文本标准化 →嵌入向量 → 相似度计算 → 阈值判定 → 人工复核 【顶刊案例复现4】Sentence-BERT计算余弦距离 准备企业描述文本-加载Sentence-BER-将所有文本转为向量-计算两两余弦相似度矩阵-构建企业关系网络-输出相似度指标用于实证。 参考文献：Bao, Jiayi. “Do makerspaces affect entrepreneurship? If so, who, how, and when?” Strategic Management Journal, 2025, 46(2): 502-533. 第二部分：多模态数据提取与顶刊复现（6课时） 专题六：LLM实证指标构建之PDF数据解析与结构化信息提取 ·挑战：PDF是“显示格式”非“数据格式”，表格结构复杂，扫描版需OCR 方案一：OCR + 版面分析+ LLM理解（pdfplumber、Camelot、PyMuPDF） 方案二：多模态大模型直接理解（GPT-4V、Qwen-VL） 2. 年报PDF的典型提取任务 ·“核心竞争力分析”章节全文提取 ·“主营业务分析”表格提取（主要产品名称、收入占比） ·“管理层讨论与分析”（MD&A）全文提取 3. PDF解析工具对比与选型 ·pdfplumber：文本+简单表格，精确度高 ·Camelot：复杂表格，支持格子合并，但速度较慢 ·PyMuPDF：大规模纯文本提取，速度最快 ·MinerU：PDF转Markdown，保留结构（标题、列表、表格） ·选型建议：混合使用，先尝试文本型提取，失败则回退OCR 【顶刊案例复现5】Agent从年报PDF提取核心竞争力 使用pdfplumber定位章节-提取章节全文文本-设计RTCE提示词-批量处理多家公司年报-输出结构化CSV（公司代码、年份、描述、关键词、类型、置信度）。 参考文献：戚聿东, 孙昌玲, 王化成. 企业核心竞争力能够降低权益资本成本吗——基于文本分析的经验证据[J]. 会计研究, 2021. 【顶刊案例复现6】Agent从MD&A构建服务化变量 从10-K报告MD&A章节提取制造业服务化得分（0-10分） 参考文献：Ni, Wu, Jiang, Jiang（2024）. The Bullwhip Effect in Servitized Manufacturers[J]. Management Science. 专题七：LLM实证指标构建之Agent图片数据结构化信息提取 ·多模态模型架构：视觉编码器（ViT）+ 语言模型（LLM）对齐 ·主流多模态模型：GPT-4V / GPT-4o、Qwen-VL / Qwen-VL-Plus、Claude 3.5 Sonnet 2. 面部表情识别技术与Ekman六种基本情绪 ·Ekman六种基本情绪：喜悦、惊讶、愤怒、悲伤、恐惧、厌恶 ·情绪强度量化（0-10分） ·传统方法：OpenCV + 深度学习分类器（如FER） ·LLM方法：直接输入图片，Prompt询问情绪类型和强度，并描述关键面部特征（眉毛、眼睛、嘴巴） 3. 图片数据预处理与质量控制 【顶刊案例复现7】CEO图片情绪识别 准备CEO图片数据集-使用OpenCV检测人脸-调用多模态API（GPT-4V或Qwen-VL）-批量处理多张照片-输出变量。 参考文献：Momtaz（2021）. CEO Emotions and Firm Valuation in Initial Coin Offerings[J]. Strategic Management Journal. 专题八：LLM实证指标构建之Agent语音数据结构化信息提取 ·电话会议录音（Earnings Conference Calls）：管理层语调、情绪、不确定性 ·分析师会议、投资者日演讲 ·电视访谈、公开演讲 ·典型研究：语音情绪与股价反应、CEO语音特征与公司治理 2. 语音处理基础与ASR 3. 语音转文本后的LLM分析 ·转写文本后，使用专题二-五的方法进行文本分析（情感、主题、分类） ·语调分析（Prosody）：音高（Pitch）、能量（Energy）、语速（Speaking Rate）可作为情绪代理 【顶刊案例复现8】电话会议语音分析全流程 管理者公开音频数据，提取声学特征，构建CEO抑郁倾向测量指标 参考文献： Cheng, S.-Y., & Golshan, N. M. (2025). Silent Suffering: Using Machine Learning to Measure CEO Depression. Journal of Accounting Research, 63: 689-767. 专题九：LLM与Agent多模态数据构建实证变量工作流 1 多模态变量构建的整体框架：原始数据（PDF/文本/图片/语音）→ 数据获取与预处理 → AI Agent信息提取 → 变量设计与计算 → 质量验证 → 数据集输出→ 实证分析 2 Agent Skill封装与复用 ·将每个提取流程封装为可复用的Agent Skill（Python函数/类） ·Skill模板：输入（文件路径/文本）→ 调用LLM/多模态API → 输出结构化数据 ·批量处理脚本：遍历文件夹，调用Skill，输出统一CSV 3 用Agent工作流完整复现一篇顶刊 4 课程总结与后续学习建议 ·两天核心要点回顾 ·Q&A自由提问 ·配套资源发布：完整代码、Agent Skill宝典（10+）、顶刊复现材料包 ·进阶方向：强化学习与Agent自主决策、多模态大模型微调 04 课程报名 课程价格 *若招生人数不及预期，可能无法开班将原价退款 可按照实际支付金额开具电子发票 价格包含：直播课程+录播回放+课程资料+课程答疑（仅开课前支付能进答疑群） 如有以下优惠，购买前找客服领取优惠券。 （1）优惠一普通用户转发本推文到朋友圈/皮皮侠数据会员，私聊客服可获八折优惠券。 （2）优惠二 尊享版超级课程会员可在直播结束后免费学习此录播课程；如需直播+答疑＋录播，超级课程会员可折扣购买该课程； 
为什么文本数据是实证研究的新“石油”？ 常用技术及学术应用场景：预处理与特征工程、分类与标注、聚类与主题建模、情感/观点分析、语义相似度与匹配、语义网络分析、推理与知识图谱、摘要与信息提取 UTD24/FT50顶刊大语言模型文本分析应用总结
第一代词典法：LIWC、Hownet、SnowNLP——预设词典统计词频，局限：无法识别新词、语境缺失 第二代机器学习法：SVM、随机森林、朴素贝叶斯——人工标注+训练分类器，局限：依赖标注数据 第三代词嵌入：Word2Vec、GloVe、BERT——理解语义相似性，可实现语义扩展 第四代LLM增强：GPT、Claude、Qwen、DeepSeek——理解语境、推理隐含信息、零样本分类
顶刊中大厂主流大模型特点及Python调用：ChatGPT、通义千问Qwen3、DeepSeek、百度ERNIE、LLaMA
R（Role）角色设定：LLM扮演领域专家身份设定 T（Task）任务明确：清晰定义提取目标、输出格式（JSON/CSV/评分） C（Constraint）约束条件：证据要求、置信度评分、输出长度限制、格式强制（如正则约束） E（Example）示例：顶刊论文典型输入-输出样例，对齐任务标准
文本分类技术基础
传统主题建模方法
语义相似度计算技术
PDF解析的技术挑战与解决方案
多模态大模型与图片理解基础
语音数据在经管研究中的应用场景
原价：1999元/人
3人团购价格：1299元/人