第一天：文本数据采集与LLM增强分析（6小时）

课时一：文本分析在经管研究中的崛起（1.5小时）

1. 为什么文本数据是实证研究的新“石油”

· 传统财务数据已“开采殆尽”，文本数据蕴含丰富的“软信息”

· 文本分析在经管研究中的典型应用矩阵：企业竞争力、制造业服务化、管理层情绪、企业战略、风险信息披露

2. 文本分析的技术演进：从词袋到LLM

· 第一代：词典法（LIWC、Hownet）——预设词典统计词频

· 第二代：机器学习法（SVM、随机森林）——人工标注+训练分类器

· 第三代：词嵌入（Word2Vec、BERT）——理解语义相似性

· 第四代：LLM增强（GPT、Claude）——理解语境、推理隐含信息、零样本分类

3. AI Agent在文本分析中的角色定位

· 传统模式：研究者设计词典 → 人工/半自动编码 → 手动整理

· Agent模式：研究者设计Prompt → Agent自动提取 → 结构化输出

· 从“统计词频”到“理解语义”，从“人工设计词典”到“模型自动推理”

课时二：LLM文本分析的Prompt工程与质量控制（1.5小时）

1. RTCE框架在文本分析中的应用

· R（角色）：领域专家身份设定

· T（任务）：明确的提取目标和输出格式

· C（约束）：证据要求、置信度、质量门槛

· E（示例）：顶刊论文的编码标准参考

2. 文本预处理——让LLM“读懂”你的文本

· 文本清洗：去除噪音、统一编码

· 段落分割与章节识别（MD&A子结构定位）

· 长度控制与分块策略（处理超长文本）

3. 质量控制与稳健性考量

· Prompt敏感性测试：同一文本多个Prompt版本对比

· 模型交叉验证：GPT-4 vs Claude vs Qwen结果一致性

· 人工抽样验证：边界案例的准确率评估

· 置信度评分机制：让Agent“知道自己的不确定”

课时三：实操1——Agent自动提取核心竞争力（1.5小时）

1. 案例论文精读

· 戚聿东、孙昌玲、王化成（2021）：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

· 核心方法：从年报“核心竞争力分析”章节通过文本分析法构建度量指标

2. Agent任务设计

· 自动定位“核心竞争力分析”章节

· 提取核心竞争力完整描述

· 提取3-5个核心关键词

· 识别优势类型：技术/品牌/人才/成本/规模/渠道

3. RTCE提示词设计与执行

· 完整Prompt设计与迭代优化

· Agent自动运行与结果输出

· 多公司批量处理与数据集构建

课时四：实操2——Agent从MD&A构建服务化变量（1.5小时）

1. 案例论文精读

· Ni, Wu, Jiang, Jiang（2024）：The Bullwhip Effect in Servitized Manufacturers

· 核心创新：用GPT识别10-K报告中企业服务化信息，提供可操作的LLM变量构造方案

2. 制造业服务化的识别标准

· 信号一：产品+服务组合（解决方案、系统集成、全生命周期服务）

· 信号二：服务收入占比

· 信号三：客户关系深化（增值服务、定制化）

· 信号四：组织架构调整（服务部门、服务事业部）

· 信号五：战略陈述（服务化转型、从制造到服务）

3. 服务化得分构建

· 0-10分制评分标准设计

· 关键证据提取与置信度标注

· 批量处理与数据集输出

第二天：PDF解析、多模态数据与顶刊复现（6小时）

课时五：PDF数据解析——从年报中提取结构化信息（1.5小时）

1. PDF解析的技术挑战与技术方案

· 挑战：PDF是“显示格式”非“数据格式”、表格结构复杂、多模态内容混合、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”章节提取

· “主营业务分析”表格提取（主要产品名称）

· “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：精确提取文本和表格

· Camelot：专门提取复杂表格

· PyMuPDF：大规模文本提取

· MinerU：PDF转Markdown

课时六：实操3——Agent从年报PDF提取产品与核心竞争力（1.5小时）

1. Agent任务设计

· 从PDF自动定位“核心竞争力分析”和“主营业务分析”章节

· 提取核心竞争力完整描述、关键词、优势类型

· 提取主要产品名称列表（处理表格和文本两种格式）

2. 多模态PDF解析实战

· 文本型PDF：pdfplumber直接提取

· 扫描型PDF：OCR预处理

· 表格提取：Camelot处理合并单元格和跨页表格

3. 结构化输出与数据质量控制

· JSON/CSV格式输出

· 来源页码标注（可追溯性）

· 置信度评分与异常标记

课时七：实操4——Agent图片数据提取与CEO表情识别（1.5小时）

1. 案例论文精读

· Momtaz（2021）：CEO Emotions and Firm Valuation in Initial Coin Offerings

· 核心方法：人工智能情感智能（Artificial Emotional Intelligence）识别CEO面部表情

2. 多模态大模型的面部表情识别能力

· 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）

· 置信度评估与低质量图片处理

3. Agent任务设计

· CEO图片加载与质量检查

· 多模态大模型情绪识别

· 情绪类型 + 强度 + 关键面部特征描述

· 批量处理与数据集构建

课时八：顶刊复现——多模态数据变量构建全流程（1.5小时）

1. 三种非结构化数据 → 三种变量构建方法的对比与整合

案例一：PDF文本提取（戚聿东等，2021，《会计研究》）

· 数据来源：年报PDF“核心竞争力分析”章节

· 核心技术：PDF解析 + LLM语义理解

· 输出变量：核心竞争力描述、关键词、优势类型

案例二：MD&A文本分析（Ni等，2024，Management Science）

· 数据来源：10-K报告MD&A章节

· 核心技术：LLM文本理解 + 零样本分类

· 输出变量：制造业服务化得分（0-10分）

案例三：CEO图片分析（Momtaz，2021，SMJ）

· 数据来源：CEO公开图片

· 核心技术：多模态大模型情绪识别

· 输出变量：情绪类型、情绪强度

2. 从非结构化数据到实证变量的完整价值链

· 原始数据（PDF/文本/图片）→ 信息提取（AI Agent）→ 变量构建（研究者设计）→ 实证分析（DID/DDML等）

3. Agent Skill封装与复用

· 将每个提取流程封装为可复用的Agent Skill

· 批量处理与数据集自动化构建

3.课程总结与答疑（30分钟）

· 两天课程核心要点回顾

· Q&A自由提问

· 配套Skill宝典发布（10+文本与多模态分析Skill）

· 后续学习路径建议