摘要
本研究提出了一种探索性的方法论框架，用于利用句子嵌入、多变量异常检测和可解释的人工智能来分析监管风险披露的结构变化。以往的研究通常依赖基于词典的词频、语气指标或主题比例来量化风险披露。尽管这些方法能够捕捉到披露的强度，但它们并不能直接评估风险叙述的内部语义组织是否相对于历史模式发生了变化。我们提出了一种结构语义偏差框架，该框架通过主题份额和基于嵌入的离散统计量来表示每家公司每年的披露情况，并通过无监督异常检测来评估与历史基线的偏差。以2016年监管冲击期间富国银行（Wells Fargo）和摩根大通（JPMorgan Chase）的1A类风险因素为例，我们发现传统的词汇指标无法清晰地识别出结构上的断裂，而基于嵌入的语义轨迹则揭示了叙述的重大重构。基于隔离的建模在这种情境下提供了稳定且具有区分性的异常评分，SHAP分解突出了语义距离、诉讼重点以及披露内容的缩减作为2025年样本外披露偏差的重要驱动因素。这些发现应被视为方法论上的证据，而非针对整个群体的普遍结论。本研究展示了如何在监管披露分析中应用结构语义建模，并提供了一个透明的框架，该框架可以在未来的研究中扩展到更大的样本组和跨行业场景。
