1. 研究結論

本研究以自然語言處理（NLP）與層面式情感分析（ABSA）為核心方法，針對台灣上市公司之財報文本進行情緒結構化標註與模型建置。研究的主要結論如下：

（1）財報文本確實包含可挖掘之情緒資訊。

透過人工標註可以觀察到，企業在報告書中常出現與營運成果、成本結構、需求變化等相關的語意訊號。這些語意內容具有一定情緒傾向，顯示財報文字除了傳達資訊之外，也反映管理階層對經營狀況的態度。

（2）人工標註結構有助於後續模型的訓練。

本研究以 (Aspect, Opinion, Category) 的三元素方式標註資料，再搭配後續情緒極性的推斷與模型預測，證明細粒度的 ABSA 架構能讓模型學習到企業文本中的語義關係。然而，由於財報語句專業性高，標註仍需人工審查，顯示 AI 與人工合作是必要流程。

（3）完整研究流程具可行性，並可擴展至不同產業文本。

雖然模型表現有限，但研究證實本研究建立的流程（標註 → 訓練 → 預測 → 評估）可正常運作，且財報文本的語意結構具一定共通性，因此未來具有擴展至製造業、金融業甚至 ESG 報告之潛力。

2. 研究限制

本研究雖成功建立財報情緒分析的基本流程，但在資料、方法與模型面仍存在若干限制，需要於未來研究中進一步改善。以下整理本研究的主要限制：

（1）資料量有限，無法充分支援深度學習模型。

本研究的人工標註資料僅約316筆，而 ABSA 層面的任務屬於細粒度抽取式問題，需要大量多樣化語句才能讓模型有效學習。資料量不足也導致模型的召回率偏低，影響整體 F1-score。

（2）人工標註未包含情緒極性，需仰賴後續規則式推斷。

由於情緒極性（Sentiment）較難統一判斷，本研究未在人工標註階段直接標示情緒，而是依靠生成器與模型自行判定。此作法容易使模型受到錯誤情緒標籤影響，降低訓練品質。

（3）資料增強方法偏向模板化，語意多樣性不足。

雖然生成器成功產生大量合成資料，但模板句型重複度高，語意自然度有限，使模型容易學到模板特徵，而非真正的語意關係，此為模型「學壞」（data drift）的主要原因之一。

3. 實務建議

本研究主要從財報文本中萃取情緒資訊，雖然模型效能仍有限，但仍能提出以下實務層面的應用建議，供企業與投資決策者參考。

（1）企業應善用財報語氣作為對外溝通策略的一部分。

財報中的語氣與用詞不僅反映經營者的態度，也會被外部分析師或投資人解讀成市場信心指標。企業可定期檢視自身語句使用是否過度保守或不一致，以提升對外溝通的透明度與一致性。

（2）投資決策可將「財報情緒」納入輔助分析工具。

雖然模型精準度仍有待提升，但財報文字中的情緒變化確實能反映管理階層的預期，例如市場需求、營運風險等方向。投資人可將情緒指標視為輔助訊號，搭配基本面資料進行綜合評估。

（3）企業資訊部門可逐步導入 NLP 工具，提升報告分析效率。

大量財報、法說會內容若完全依靠人力閱讀，耗時且不易維持一致性。導入 NLP 模型可協助初步分類、摘要與情緒分析，減少人工負擔，並提升財務分析流程的標準化程度。

4. 未來研究建議

根據本研究的實作過程與模型結果，未來研究可從以下方向持續改進，以提升財報情緒分析的準確度與應用價值：

（1）擴大人工標註語料規模，提升語意多樣性。
本研究僅標註約 440 筆財報句子，資料量偏小，且多集中於特定公司或章節。若能蒐集更多年度、更多產業、更多公司之財報文本，並建立更大規模的人工標註語料庫，將能有效提升模型的泛化能力。

（2）在標註階段加入情緒極性，提高四元組品質。
目前的人工資料僅包含三元素（Aspect、Opinion、Category），情緒極性由模型或規則式方法補齊，容易造成誤差。未來可於人工標註階段直接加入 Positive／Negative／Neutral，以提升訓練資料的完整性與一致性。

（3）改善資料增強策略，引入語意改寫模型（Semantic Augmentation）。
本研究的生成器雖能快速擴充語料，但模板化程度高。未來可透過 T5、Llama 3、ChatGPT 等生成式模型進行語意改寫、句型轉換與語氣替換，讓語料更接近真實財報語句，以避免模型「學壞」。

（4）導入更大型或財務專屬的語言模型進行訓練。
MT5-small 參數量較低，無法完全捕捉財報語意。未來可考慮使用：

以提高語意理解能力與情緒預測正確率。

（5）引入句法結構（Syntax）或上下文資訊（Context），提升抽取式能力。
財報語句多為複句或隱含情緒的敘述，僅依靠單句預測容易誤判。未來可嘗試：

以更貼近財報中「漸進式情緒」的特性。