We investigate the feasibility of machine learning methods for attributional content and framing analysis in corporate reporting. We test the performance of five widely-used supervised machine learning classifiers (naïve Bayes, logistic regression, support vector machines, random forests, decision trees) in a top-down three-level hierarchical setting to (1) identify performance-related statements; (2) detect attributions in these; and (3) classify the content of the attributional statements. The training set comprises manually coded statements from a corpus of management commentary reports of listed companies. The attributions include both intra- and inter-sentential attributional statements. The results show that for both intra- and inter-sentential attributions, F1-scores of our most accurate classifier (i.e., support vector machines) vary in the range of 76% up to 94%, depending on the identification, detection and classification levels and the content characteristics of attributions. Additionally, we assess the hierarchical performance of classifiers, providing insights into a more holistic classification process for attributional statements. Overall, our results show how machine learning methods may facilitate narrative disclosure analysis by providing a more efficient way to detect and classify performance-related attributional statements. Our findings contribute to the accounting and management literature by providing a basis for implementing machine learning methodologies for research investigating attributional behavior and related impression management.

我们调查了机器学习方法在企业报告中用于归因内容和框架分析的可行性。我们在自上而下的三级分层设置中测试了五个广泛使用的监督机器学习分类器（朴素贝叶斯、逻辑回归、支持向量机、随机森林、决策树）的性能，以（1）识别与性能相关的语句；(2) 检测其中的属性；(3) 对归属陈述的内容进行分类。训练集包括来自上市公司管理评论报告语料库的手动编码语句。归因包括句子内和句子间的归因陈述。结果表明，对于句内和句间归因，我们最准确的分类器的 F1 分数（即，支持向量机）在 76% 到 94% 的范围内变化，具体取决于识别、检测和分类级别以及属性的内容特征。此外，我们评估分类器的层次性能，为归因陈述的更全面的分类过程提供见解。总的来说，我们的结果表明机器学习方法如何通过提供一种更有效的方法来检测和分类与绩效相关的归因陈述，从而促进叙述性披露分析。我们的研究结果为会计和管理文献做出了贡献，为实施机器学习方法研究调查归因行为和相关印象管理提供了基础。检测和分类级别以及属性的内容特征。此外，我们评估分类器的层次性能，为归因陈述的更全面的分类过程提供见解。总的来说，我们的结果表明机器学习方法如何通过提供一种更有效的方法来检测和分类与绩效相关的归因陈述，从而促进叙述性披露分析。我们的研究结果为会计和管理文献做出了贡献，为实施机器学习方法研究调查归因行为和相关印象管理提供了基础。检测和分类级别以及属性的内容特征。此外，我们评估分类器的层次性能，为归因陈述的更全面的分类过程提供见解。总的来说，我们的结果表明机器学习方法如何通过提供一种更有效的方法来检测和分类与绩效相关的归因陈述，从而促进叙述性披露分析。我们的研究结果为会计和管理文献做出了贡献，为实施机器学习方法研究调查归因行为和相关印象管理提供了基础。为归因陈述提供更全面的分类过程的见解。总的来说，我们的结果表明机器学习方法如何通过提供一种更有效的方法来检测和分类与绩效相关的归因陈述，从而促进叙述性披露分析。我们的研究结果为会计和管理文献做出了贡献，为实施机器学习方法研究调查归因行为和相关印象管理提供了基础。为归因陈述提供更全面的分类过程的见解。总的来说，我们的结果表明机器学习方法如何通过提供一种更有效的方法来检测和分类与绩效相关的归因陈述，从而促进叙述性披露分析。我们的研究结果为会计和管理文献做出了贡献，为实施机器学习方法研究调查归因行为和相关印象管理提供了基础。