导读

在金融信息传递领域，贷款申请的写作质量长期被视为影响信贷决策的关键软信息载体。然而，生成式人工智能技术，尤其是大语言模型的突破性应用，正颠覆传统文本信息的生产与甄别逻辑。为了深入探究生成式人工智能对金融文本写作质量的影响、分析借款人对大语言模型的采用及贷款人的响应情况，进而揭示人工智能对信贷资源配置的重塑机制，“IMI财经观察”公众号特推出此文，以飨读者。

生成式人工智能时代的写作质量与软信息：来自在线信贷市场的证据

摘要：我们系统性地记录了在主流在线信贷平台上，不同借款人群体写作质量的各个维度如何影响信贷结果，以及大语言模型（LLMs）将如何重塑这种影响。通过使用能有效预测在线信贷结果的写作质量指数（WQI），我们发现大语言模型（如ChatGPT）显著提升了贷款申请的写作质量和感知质量——尤其是对高信用借款人而言，这些群体历来将良好信用与优质写作视为申请材料的互补要素，如今却将二者视为替代要素。我们进一步构建了基于BERT的专有多模态模型来模拟贷款人决策过程，并引入深度Heckman校正模型来解决样本选择偏差问题。研究表明：ChatGPT的采用会减少软信息传递并加剧信贷错配，这很可能源于写作风格的趋同；当贷款人针对借款人的大语言模型使用行为作出响应时，他们会更依赖硬信息，从而缓解错配问题。我们运用生成式建模技术，刻画了借款人内生性采用大语言模型与贷款人响应所形成的反事实均衡。这些发现为理解软信息角色的演变以及生成式人工智能在信贷领域的潜在影响提供了重要洞见。

01

研究背景与问题提出

在企业披露、贷款申请等金融场景中，优质的写作（如更强的可读性、说服力和清晰度）至关重要。然而，学界对优质写作的多维度定义及其与软信息传递的关联缺乏系统性认识。生成式人工智能的突破，尤其是大语言模型，不仅为解答这些问题提供了契机，还可能从根本上改变金融领域的写作实践。本研究借助美国Prosper在线借贷平台的历史数据、ChatGPT辅助的贷款申请以及proprietary多模态贷款人决策AI模型，首次在金融领域引入类似Heckman校正的深度学习模型，并实证实现了分析反事实均衡的新程序，具有重要的方法论创新。

02

数据来源与研究方法

（一）数据来源

（二）特征构建

1. 结构性特征：包括贷款申请信息（如申请金额、利率）、借款人信用概况（如负债收入比、违约次数）、人口统计信息（如就业状态、住房情况）等，这些硬信息可验证且常用于传统风险模型。

2. 文本特征：

• 文本长度：以贷款描述的单词数衡量，反映信息详略。

• 拼写与语法错误：以错误数占单词数的百分比表示，影响文本可读性。

• 正式程度：通过六字母及以上单词的百分比衡量，体现语言复杂程度。

• 可读性：采用SMOG指数，评估读者理解文本所需的教育年限。

• 语气：借助预训练的情感BERT模型获取情感分数，反映文本情感倾向。

• 语义相似度：运用Siamese-BERT模型将文本转为嵌入向量，通过余弦相似度计算文本间的语义相似性，构建写作质量指数（WQI），即原文本与ChatGPT改写文本嵌入向量的余弦相似度，衡量原文本接近理想文本的程度。

（三）GPT Prompt设计

为模拟借款人使用大语言模型辅助申请的场景，设计包含角色设定、任务设定和规则设定的提示词（Prompt）。角色设定为“有多年借贷业务经验的从业者”，任务为“重写贷款申请叙述”，规则设定包括提升文本清晰度、强调对贷款人决策有用的信息、增强说服力和可信度等。通过Open AI API调用GPT4o-mini模型生成改写文本，设置温度参数为1以平衡随机性与一致性，并通过随机生成规则设定的变体确保结果稳健。

03

核心研究发现

ChatGPT改写后的文本在多项指标上显著提升，包括文本长度增加38.8%，拼写错误减少74.3%，语法错误减少56.3%，正式程度提高53.6%，可读性提升50.7%，语气更积极等。

低信用借款人的写作质量指数高于中高信用借款人，体现其更依赖文本传递软信息以弥补硬信用不足。高信用借款人中，写作质量指数与获贷概率正相关，而中低信用借款人中则负相关，表明高信用者可借优质写作进一步提升获贷率，中低信用者过度优化写作可能适得其反。

文章将软信息定义为文本数据相对于结构性数据对贷款质量预测的额外贡献，并构建了一个采用多模态Transformer框架、结合Heckman校正的贷款人模型，研究由大型语言模型生成的贷款描述而导致的资金可获得性变化和软信息损失。设置三种情景，分别为无GenAI、小规模采用（一些借款人采用ChatGPT来帮助生成贷款描述，但贷款人认为这种采用太不常见、不会对业务产生实质性影响，因而没有作出反应）、大规模采用（贷款人认为借款人会大规模或全面采用大型语言模型，因此通过使用反事实训练集来调整贷款模式）。小规模采用大语言模型时，AUC明显下降，而ROI几乎没有变化，说明效用下降，即软信息减少；大规模采用大语言模型时，软信息含量有所回升，但贷款人更多依赖硬信息，软信息仍低于传统水平。这些变化主要源于大语言模型导致的写作趋同，使借款人间的文本相似度增加，削弱了贷款人通过文本信息区分贷款质量的能力。

在分析生成式人工智能的采用对贷款人资金错配的影响时，研究发现，小规模采用大语言模型时，FPR（False Positive Rate）和FNR（False Negative Rate）均显著上升，说明如果借款人利用生成式人工智能来提高写作质量，而贷款人未更新其决策模型，将导致信贷资源错配显著增加。大规模采用大语言模型时，FPR有所下降，但仍高于无生成式人工智能情景，FNR则接近传统水平，表明贷款人调整模型后，信贷资源错配能被部分缓解。

在借款人会主动采用大语言模型，而贷款人则根据生成的反事实数据来训练模型的一般均衡状态下，所有借款人的融资能力都有显著提升，但高信用者的提升最为明显。可以发现，如果借款人是理性的，并且使用生成式人工智能的成本很低，所有借款人都会有动力采用生成式人工智能。与部分均衡的结果相比，软信息的损失有所减轻，但相较于没有使用生成式人工智能的情况，贷款人仍然更多地依赖于硬信息

04

结论与启示

大语言模型显著提升贷款申请的写作质量与获贷率，尤其对高信用借款人效果显著，但其导致的写作趋同减少了软信息，加剧信贷错配。贷款人通过调整模型增加硬信息依赖可缓解错配，但难以完全恢复传统软信息的价值。

文章的研究结果有以下几点意义：首先，对于在线借贷市场的参与者，尤其是那些信用评分较高的借款人，提高贷款申请的写作质量至关重要。其次，贷款机构和监管机构应预期到基于文本的贷款描述中写作质量的提升和信息价值的下降。如果借款人生成的文本无法再可靠地反映其行为特征，贷款机构需要重新评估对文本信息的重视程度，更多地关注硬性信息，或依赖其他形式的软信息，如数字足迹或社交网络数据。此外，平台可以要求披露大语言模型的使用情况，帮助贷款机构重新评估对文本叙述的信任度。

选文的公式模型、回归结果与参考文献皆从略，读者亦可论文原文：

来源

来源：

原文于2024年12月发布于SSRN。

作者信息：

Lin William Cong（Cornell University SC Johnson College of Business and NBER）

Yanhong Guo（Dalian University of Technology School of Economics and Management）

Xin Zhao（Dalian University of Technology School of Economics and Management）

Wenjun Zhou（Haslam College of Business, The University of Tennessee, Knoxville）

选文整理：纪如昱

本文监制：魏唯、曹世祥

版面编辑｜彭丹凌

责任编辑｜李锦璇、阎奕舟

主编｜安然、李婧怡