经济政策不确定性（EPU）是投资者在经济政策变动中所体验到的不确定性，是经济研究中预测未来投资、失业率和衰退的重要指标。本文简要定义了 EPU 并回顾了用于测量 EPU 的方法，调查了 EPU 水平变动所影响的领域。我们将 EPU 测量方法分为三个主要组别，并列举了每个组别的方法示例，并讨论了每组方法的优缺点。在 EPU 测量方法中，基于文本挖掘的方法得到了广泛研究。这些方法通过考虑新闻和公开可获取的金融信息中所代表的不确定性来测量实现的不确定性。最后，我们调查依赖测量 EPU 指数的研究领域，并希望通过研究不确定性的影响能够引起来自各个研究领域的进一步关注。此外，我们提出了一个关于使用文本材料测量 EPU 的未来研究方法清单。

Aug, 2023

通过分析一个测量经济政策不确定性的经济学指数，探讨了文本 - 数据应用中的研究方法和应用之间的联系，并发现了对文本 - 数据方法论的研究问题。研究结果表明，(1) 作为关于经济政策不确定性的注释者的分歧可以归因于语言的模糊性，(2) 从匹配关键字的方法转向监督式机器学习分类器的方法将导致低相关性，这对指数的有效性有潜在影响。

Oct, 2020

本文研究如何将模型和数据的不确定性估计融入自然语言处理模型中，用以辨识在线谣言，我们提出了两种基于不确定性的算法，并证明可以优先处理容易出错的实例进行人工事实核查。同时，我们还展示了如何使用不确定性估计来解读谣言传播中的模型表现。

May, 2020

本文针对文本分类任务中的 OOD 检测问题，提出了基于证据不确定性的方法，该方法通过引入辅助的离群样本和伪样本来训练模型，并明确建模了类别概率的不确定性。实验证明，该方法能够轻松部署于传统 RNN 和 Fine-tuned 预训练 transformers，并在 OOD 检测上优于其他方法。

Jul, 2021

通过引入综合评估标准，研究本文对两个大型语言模型和一个预训练语言模型在三个数据集上进行的不确定性估计能力的评估表明，多个不相关的自然语言生成指标和多样化的不确定性估计方法对于可靠高效地评估 UE-TS 技术至关重要。

Jun, 2024

该研究通过对六家大型美国报纸的新闻文章进行情感分析，发现经济情绪与商业周期波动密切相关，是预测四个主要宏观经济变量的相关因素之一，并且预测准确度得到了显著提高。此外，该研究还发现情感分析在解释多个宏观经济变量概率分布的尾部时也具有重要作用。

Mar, 2022

研究在从低资源语言中采样的数据集上训练模型的情况下，通过多种方法评估和分析神经分类器的预测置信度，发现尽管使用预训练模型和集成模型可以获得最佳结果，但数据集规模增大时不确定性估计的质量可能会受到影响。对序列不确定性进行了定性分析，发现模型的总不确定性在很大程度上受到数据不确定性的影响，并提供了开源的软件包。

Oct, 2022

本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法，可以更精确地预测，提高分类器的预测准确性，尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。

Jul, 2019

通过计算框架分析编辑选择，以客观措施评估主流媒体的新闻报道对人们的了解和后续行为的实际影响。

Feb, 2024

本论文提出了新方法来研究自然语言处理（NLP）任务中表征模型和数据不确定性的好处，通过在卷积和循环神经网络模型上的实证实验，展示了明确建模不确定性不仅有利于测量输出置信水平，而且对于提升各种 NLP 任务中的模型表现也是有用的。

Nov, 2018