分部层面的财务披露是理解企业内部组织结构以及经济活动如何在不同运营单元间分配的核心窗口。然而，这类信息在Form 10-K文件中往往同时以定性描述和定量表格的形式散布于报表附注与管理层讨论中，给依赖结构化数据库的实证研究带来了双重挑战：一方面，部分公司-年度观测可能缺失，嵌套分部披露难以被现有数据库捕获；另一方面，支持纵向与跨公司比较的能力有限。
针对上述问题，来自Yue Liu等研究者的论文《Improving the Completeness and Comparability of Segment Disclosures: A Large Language Model Approach》提出了一种基于大语言模型（LLM）的自动化框架，旨在直接从Form 10-K原始文件中提取分部披露信息，并同时保留可报告分部与嵌套分部的完整结构。该框架不依赖预先构建的数据库字段，而是利用LLM对文本和表格的联合理解能力，还原企业报告中的分部层级关系。
为了提升跨期与跨公司的可比性，研究团队进一步设计了一个检索增强（Retrieval-Augmented）系统。该系统在提取单个文件信息的基础上，主动检索并整合同一公司不同年份的申报文件，以及不同公司之间的相关披露，从而为需要跨期知识的问题提供上下文支持。这一设计使得模型不仅能够回答“某公司今年报告了哪些分部”，还能追溯分部划分的历史变化，或在不同报告结构的企业间对齐地理分部。
论文通过两个代表性场景展示了框架的应用价值。第一个场景是公司内部的纵向分析，用于解读分部划分随时间的变化，例如企业是否因业务重组而调整了可报告分部的构成。第二个场景是跨公司的地理分部对齐，即使不同企业采用不同的地域分组方式，系统也能辅助识别可比的地理单元。实验结果表明，该框架能够准确提取分部级信息，并有效回答需要跨期知识的问题，展现了LLM方法在提升分部披露计量与解释方面的潜力。
该研究已被提交至《Accounting Horizons》期刊，全文共39页，包含4幅图表。论文同时归类于计算与语言（cs.CL）、信息检索（cs.IR）以及一般金融（q-fin.GN）等学科方向，体现了会计信息披露与人工智能技术的交叉融合。对于会计实证研究者、财务分析师以及监管机构而言，这一框架有望降低手工收集分部数据的成本，并改善基于分部信息的可比性分析质量。