簡易檢索 / 詳目顯示
| 研究生： |
林家誠 Lin, Chia-Cheng |
|---|---|
| 論文名稱： |
基於財務驗證規則之大型語言模型財報資訊層級式提取框架 |
| 指導教授： |
陳恭
Chen, Kung |
| 口試委員: |
蘇威傑
Su, Wei-Chieh 劉子源 Liu, Zi-Yuan |
| 學位類別： |
碩士
Master |
| 系所名稱： |
商學院 - 資訊管理學系 Department of Management Information System |
| 論文出版年： | 2026 |
| 畢業學年度： | 115 |
| 語文別： | 中文 |
| 論文頁數： | 57 |
| 中文關鍵詞： | 大型語言模型 、會計恆等式 、分段式層級提取 、多階段修正 、財務報表解析 、來源追蹤 、標準化映射 、部門分配介面 |
| 相關次數： | 點閱：22 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
本研究針對台灣政府機關編製「國富統計」與「資金流量統計」時，處理上市櫃公司財務報表所面臨的非結構化資料提取困境進行探討。現行流程高度仰賴人工判讀，存在分類一致性難以維持、專業人員交替導致的知識斷層，以及檢誤成本高昂等問題。為提升統計編製效率與資料品質，本研究開發一套結合大型語言模型（LLM）與會計邏輯限制的財報資訊自動化提取框架。
本研究提出以會計總額與主科目為基礎的分段式提取及多階段修正架構。系統先從主表候選頁提取資產、負債、權益總額與主科目並驗證會計恆等式，再以科目名稱與金額反查 PDF 文字層，只將找到的附註頁交由 Google Gemini補充細項。後續依序執行局部加總修正、空明細補充、「帳列」辨識，以及資金貸與、權益法投資、透過損益按公允價值衡量之金融資產（FVTPL）、薪資、金融資產國內外分類與關係人名冊等專項處理；來源頁次則在所有提取完成後由原始 PDF 補回。標準化映射採「先指派、後填值」（assignment-first）設計：LLM 只判斷每筆來源資料應放入哪個 Pydantic 欄位，名稱、金額與頁次再由 Python 從原資料填入，驗證失敗才改用完整映射。Phase A是全自動流程，系統從財報提取、映射並保存包含部門分類與 MOPS 資料的快照；Phase B則需要填報人員人工輸入三組部門比例與借款利息參數（借款利率），系統再以既有快照產生 Excel，不會重新呼叫 LLM、讀取 PDF 或連線外部服務。Excel 公式與來源註解會保留可供查核的處理紀錄。
經 30 家跨產業上市櫃公司財報評估，以系統自動產出的標準化報表與央行人工填製的報表進行比對， Phase A標準化報表的 Accuracy 達 97.34%、F1-Score 為 93.31%，資金誤差率為 0.703%，較基準配置相對下降 32.0%。以 ±2 千元容許值檢查會計恆等式時，完整配置下的 30 份評估檔案全數通過。本次財報曾參與系統開發，因此這些數值屬於現行設計在既有需求資料上的評估，不代表未見資料的泛化表現；系統同時保留來源資料與可供查核的處理紀錄。
致謝 i
摘要 ii
目錄 iii
圖目錄 v
表目錄 vi
Chapter 1 緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目標 3
1.4 研究貢獻 4
Chapter 2 文獻探討 5
2.1 研究動機：官方統計場景中的人工智慧應用缺口 5
2.2 財務文件資訊提取技術之演進 6
2.3 大型語言模型在非結構化資料提取之應用 6
2.4 結構化輸出生成與程式化約束 7
2.5 序列式搜尋與層級式結構提取之比較 8
2.6 綱要導向的標準化映射 9
2.7 小結：研究缺口與本研究定位 10
Chapter 3 方法論 11
3.1 任務定義與輸入輸出 11
3.2 系統架構概覽 12
3.3 資料模型設計 16
3.4 核心技術流程 20
3.5 填報人員輸入分配參數與Excel 報表輸出 29
Chapter 4 實驗與評估 32
4.1 評估指標與自動化比對定義 35
4.2 實驗結果 38
4.3 基準配置與完整配置比較 41
4.4 結果分析 45
Chapter 5 結論 47
5.1 研究成果總結 47
5.2 設計原則 47
5.3 研究限制與未來方向 48
參考文獻 50
Appendix A 前端處理與部門分配介面實作 53
A.1 整體架構與分頁設計 53
A.2 雙階段分工：Phase A全自動處理，Phase B人工填寫分配參數 54
A.3 檔案上傳與前端驗證 54
A.4 狀態管理與非同步進度回報 55
A.5 分類比例輸入與前端約束 56
A.6 結語 57
[ABC+26] D. Araujo, G. Bruno, A. Cap, et al., “Generative artificial intelligence in central banking,” Bank for International Settlements, IFC Bulletin 67, 2026 (cit. p.5).
[AKM+25] V. Aggarwal, J. Kulkarni, A. Mascarenhas, et al., Information extraction from fiscal documents using LLMs, 2025. arXiv:2511.10659 (cit. p.8).
[DKV11] G. De Franco, S. P. Kothari, and R. S. Verdi, “The benefits of financial statement comparability,” Journal of Accounting Research, vol. 49, no. 4, pp. 895–931, 2011 (cit. p.9).
[DLM+15] S. Dhole, G. J. Lobo, S. Mishra, and A. M. Pal, “Effects of the SEC’s XBRL mandate on financial reporting comparability,” International Journal of Accounting Information Systems, vol. 19, pp. 29–44, 2015 (cit. p.2).
[GCM+25] S. Geng, H. Cooper, M. Moskal, et al., JSONSchemaBench: A rigorous benchmark of structured outputs for language models, 2025. arXiv:2501.10868 (cit. p.7).
[HCB+25] A. Hemmer, M. Coustaty, N. Bartolo, and J.-M. Ogier, “Neurosymbolic information extraction from transactional documents,” International Journal on Document Analysis and Recognition, vol. 28, no. 3, pp. 475–485, 2025 (cit. pp.8, 10).
[HHM21] R. Hoitash, U. Hoitash, and L. Morris, “Extensible business reporting language (XBRL): A review and implications for future research,”Auditing: A Journal of Practice & Theory, vol. 40, no. 2, pp. 107–132, 2021 (cit. p.2).
[HLG23] HLG-MOS, “Large language models for official statistics,” United Nations Economic Commission for Europe, Tech. Rep., 2023 (cit. p.5).
[JPW+23] Y. Jiang, P. C.-I. Pang, D. Wong, and H. Y. Kan, “Natural language processing adoption in governments and future research directions: A systematic review,” Applied Sciences, vol. 13, no. 22, p. 12 346, 2023 (cit. p.5).
[LGW+25] H. Li, H. Gao, C. Wu, and M. A. Vasarhelyi, “Extracting financial data from unstructured sources: Leveraging large language models,” Journal of Information Systems, vol. 39, no. 1, pp. 135–156, 2025 (cit. pp.6, 46).
[LPP+20] P. Lewis, E. Perez, A. Piktus, et al., “Retrieval-augmented generation for knowledge-intensive NLP tasks,” in Advances in Neural Information Processing Systems, vol. 33, 2020, pp. 9459–9474. arXiv:2005.11401 (cit. p. 8).
[TWT+24] Z. R. Tam, C.-K. Wu, Y.-L. Tsai, et al., “Let me speak freely? A study on the impact of format restrictions on large language model performance,” in Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing: Industry Track, Association for Computational Linguistics, 2024, pp. 1218–1236 (cit. pp.7, 8).
[WL23] B. T. Willard and R. Louf, Efficient guided generation for large language models, 2023. arXiv:2307.09702 (cit. p.7).
[WLZ+25] R. Wang, J. Liu, W. Zhao, S. Li, and D. Zhang, “AuditBench: A benchmark for large language models in financial statement auditing,” inAI for Research and Scalable, Efficient Systems, ser. Communications in Computer and Information Science, vol. 2533, Springer Nature Singapore, 2025, pp. 59–81 (cit. p.6).
[XLC+20] Y. Xu, M. Li, L. Cui, et al., “LayoutLM: Pre-training of text and layout for document image understanding,” in Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2020 (cit. p.6).
[中央銀25] 中央銀行, 資金流量統計編製說明, https://www.cbc.gov.tw/tw/np- 540-1.html, Retrieved March 2025, 2025 (cit. p.1).
[經濟部24] 經濟部中小及新創企業署 , “2024年中小企業白皮書，” 經濟部, Tech. Rep., 2024 (cit. p.1).
[行政院25] 行政院主計總處, 國富統計, https://www.stat.gov.tw/Statistics. aspx?n=3008&CaN=422, Retrieved March 2025, 2025 (cit. p.1).
