





一段时间没读这方面文献,学者对AI的利用已经next level了[呃R]文章最大的创新就是使用生成式人工智能辅助研究,相比于词典法、机器学习,GAI自身强大的推理能力和适应能力不仅能提高识别准确率还能提高研究效率。图2展示了GAI参与研究的全流程。
(感觉这篇文章一半的工作量都投入在AI上读这篇文章能感受到经费在燃烧[呃R])
主要工作:利用生成式人工智能和社交媒体数据构建中国大陆房地产市场情绪指数。
数据来源:2013 年 1 月 - 2024 年 12 月微博数据,含 45 万条房地产相关文本和 4.4 万条短视频(通过语音转文字处理),覆盖政策、房价、购房等主题。
指数构建三步法:
1.过滤:GenAI 剔除无关内容(非大陆房地产、广告、纯数据报道)及机器人 / 网络水军发帖,最终保留 14.5 万条有效数据。
2.评分:GenAI 对每条内容进行 0-10 分情绪打分(10 分为极度乐观),标准化为 - 1(极度悲观)至 1(极度乐观)的区间。
(其实读到这我是有疑问的,打分标准是什么,这个过程全交给AI就很“黑箱”。但转念一想,人工评分也会有类似问题)
3.合成:按点赞、评论、转发权重计算日度平均情绪指数。
(近期读到的利用社交媒体文本数据的文章大家都有考虑帖子影响力也算是通用做法了)
核心实证发现
1.全国层面:情绪指数能有效捕捉重大事件与政策的市场反应。
2.城市层面:城市级情绪指数对本地商品房销售有显著预测力。
(这一部分非常能体现GAI的优秀性能,传统方法很难精确到城市层面。比如说帖子里说“魔都”,就很难匹配,但AI知道其实说的是上海;再比如“丰台”,其实是北京的区,AI也能类似匹配到北京层面)
3.不同能级城市情绪存在差异:一线 / 新一线城市对政策反应更敏感,三四线城市受库存压力、城镇化进程影响,情绪波动滞后于核心城市。
4.情绪溢出效应:一线、新一线城市是情绪净输出者,三四线城市是净接收者。例如,北京情绪改善会对周边河北城市产生 “虹吸效应”,而上海周边省份情绪更均衡。
#大模型 #AI工具 #经管 #房地产 #ssci #SCI #GAI
(感觉这篇文章一半的工作量都投入在AI上读这篇文章能感受到经费在燃烧[呃R])
主要工作:利用生成式人工智能和社交媒体数据构建中国大陆房地产市场情绪指数。
数据来源:2013 年 1 月 - 2024 年 12 月微博数据,含 45 万条房地产相关文本和 4.4 万条短视频(通过语音转文字处理),覆盖政策、房价、购房等主题。
指数构建三步法:
1.过滤:GenAI 剔除无关内容(非大陆房地产、广告、纯数据报道)及机器人 / 网络水军发帖,最终保留 14.5 万条有效数据。
2.评分:GenAI 对每条内容进行 0-10 分情绪打分(10 分为极度乐观),标准化为 - 1(极度悲观)至 1(极度乐观)的区间。
(其实读到这我是有疑问的,打分标准是什么,这个过程全交给AI就很“黑箱”。但转念一想,人工评分也会有类似问题)
3.合成:按点赞、评论、转发权重计算日度平均情绪指数。
(近期读到的利用社交媒体文本数据的文章大家都有考虑帖子影响力也算是通用做法了)
核心实证发现
1.全国层面:情绪指数能有效捕捉重大事件与政策的市场反应。
2.城市层面:城市级情绪指数对本地商品房销售有显著预测力。
(这一部分非常能体现GAI的优秀性能,传统方法很难精确到城市层面。比如说帖子里说“魔都”,就很难匹配,但AI知道其实说的是上海;再比如“丰台”,其实是北京的区,AI也能类似匹配到北京层面)
3.不同能级城市情绪存在差异:一线 / 新一线城市对政策反应更敏感,三四线城市受库存压力、城镇化进程影响,情绪波动滞后于核心城市。
4.情绪溢出效应:一线、新一线城市是情绪净输出者,三四线城市是净接收者。例如,北京情绪改善会对周边河北城市产生 “虹吸效应”,而上海周边省份情绪更均衡。
#大模型 #AI工具 #经管 #房地产 #ssci #SCI #GAI


