因果関係の抽出：金融QAにおける多言語ファインチューニングの活用 @FinCausal 2026

金融の世界では、ニュース記事や決算報告書など、たくさんの文章（テキスト）から「なぜそうなったのか？」という原因と結果の関係、つまり「因果関係」を見つけ出すことがとても大切です。例えば、「株価が上がったのは、新製品の発表があったからだ」といった関係性ですね。この論文では、そんな因果関係をAIに自動で見つけ出してもらうための新しい方法を提案しています。特に、英語だけでなくスペイン語も扱えるように工夫されているのがポイントです。

AIのモデルには、いくつか種類があります。まず、文章を理解するのが得意な「エンコーダー」という部分だけを使う方法。これは、文章の中の単語に「これは原因」「これは結果」といったラベルを付けていくイメージです。次に、文章を理解して新しい文章を作り出すのが得意な「エンコーダー・デコーダー」という仕組みを使う方法。これは、原因となる文章を入力したら、結果となる文章をAIが生成してくれるようなイメージです。そして最近注目されている「大規模言語モデル（LLM）」という、とても賢いAIを使う方法もあります。このLLMには、指示を出すだけで答えてくれるもの（デコーダーオンリー）と、少しだけ例を見せてから学習させる方法（プロンプト洗練、少数のデモンストレーション、教師ありファインチューニング）があります。

今回の研究では、これらの異なるAIのモデルを、金融に関する文章で試しました。その結果、AIに「こういう関係性を見つけてね」と例をいくつか見せるだけでも、ある程度うまく因果関係を見つけられることがわかりました。しかし、一番効果が高かったのは、「教師ありファインチューニング」という方法だったそうです。これは、AIにあらかじめたくさんの「原因と結果」のペアを教え込んで、学習させる方法です。まるで、たくさんの練習問題を解かせることで、AIの成績がぐんと上がった、というイメージですね。この研究は、金融分野でのAI活用をさらに進める上で、とても興味深い成果と言えそうです。