将理赔叙述转化为精算变量

作者：Jonas Mohamed Osman Abdelghafour

针对产险精算协会 (CAS) 于 2026 年 6 月发布的研究的评论。原论文作者为 Rob Lieberthal 和 Richard Tran，可从 CAS 获取，非常值得研读全文。

2026 年 6 月，产险精算协会 (CAS) 发布了关于将大语言模型 (LLM) 应用于非结构化理赔数据的研究。简而言之：作者构建了一个概念验证性的两阶段框架，将叙述性理赔信息转化为 36 个结构化精算变量，将文档级提取与理赔级综合分开，并采用人机协同 (human-in-the-loop) 的方法，针对独立的临床专家评审对提取结果进行了验证。该研究还附带了开源代码和合成数据集。

这个描述很简短，低估了这篇论文的有趣之处。头条新闻——“LLM 可以阅读理赔文件”——并不是其核心贡献。其贡献在于架构，特别是大多数构建类似工具的从业者都会搞错的一个设计决策。

让我解释一下那个决策是什么，以及它为什么重要。

---

还没亲历过此问题的人面临的困境

理赔文件大多是文本。理赔员笔记、医疗记录、通信信函、法律文件、警察报告、通话录音转录、带说明的照片。P&C 保险公司持有海量此类数据。

与此同时，精算模型消耗的是结构化变量：受伤类型、受伤部位、治疗类别、诉讼状态、共病指标、复工状态。目前弥补两者差距的方式有三种——理赔员在首次报案时应用的编码方案、一套关键字规则，或者干脆什么都不做。

这三种方式都会丢失信息。首次报案编码是在掌握事实之前获取的，且很少修订。关键字规则很脆弱：“无骨折证据”和“有骨折证据”只差一个词，但含义完全相反。而第三种选择，即什么都不做，意味着保险公司持有的最丰富的数据从未进入模型。

这就是为什么准备金精算师长期以来一直怀疑，他们模型中的残余方差有一部分是可读的——它们就存在于文件中，以散文的形式存在，但在进展三角形中是不可见的。

为什么要分两个阶段，这为什么是核心点

直观的构建方式是单阶段：给模型提供整个理赔文件，要求提供变量，然后得到一张表。

这种方法在生产环境中会失败，原因在看到结果之前并不明显。

上下文稀释。一个大型理赔文件可能有数百页。即使有很长的上下文窗口，模型的注意力也会在极长的输入中衰减，第 180 页中与第 12 页相矛盾的细节可能就会被遗漏。

不可追溯的输出。如果模型返回“诉讼状态：有代理”，你无法判断是哪份文件支持了这一点。当结果出错时，你无法找出原因，也无法系统地修复它。

相关错误。长提示词早期的单次误读会传导。一个识别错误的伤情会同时影响严重程度、治疗和持续时间变量，产生一条逻辑连贯但完全错误的理赔记录——这比明显损坏的记录更危险。

两阶段分离解决了这三个问题：

第一阶段——文档级提取。每份文件被独立处理。这份医疗报告对伤情类型怎么说？这份理赔员笔记对诉讼怎么说？每次提取都是简短、聚焦且可追溯到源文件的。

第二阶段——理赔级综合。将提取的事实调和成单一的理赔记录。这是解决冲突的地方：初始报告说是软组织损伤，随后的影像学检查说是骨折，后来的笔记说是手术。以哪个为准？

这种分离之所以重要，是因为这两个阶段失败的方式不同，因此需要不同的控制措施。第一阶段的错误是阅读错误——可以通过对比源文件进行测试，通过更好的提示词或提取方案进行修正。第二阶段的错误是推理错误——可以通过对比专家判断进行测试，通过更好的调和规则进行修正。

将它们合并为一个步骤，你只会得到一个不透明的错误率，无法告诉你从何处着手干预。这与智能体系统中的轨迹验证原则相同：验证序列，而不只是终点。

验证设计值得被更多关注

该研究针对独立的临床专家评审，以人机协同的方式验证了提取效果。

这句话包含了很多信息，也是大多数公司在构建自己的版本时会跳过的部分。

原因如下。要验证一个提取系统，你需要“地面真理” (ground truth)——即一组你知道正确答案的理赔案件。对于结构化数据，获取地面真理成本很低。对于叙述性提取，地面真理需要另一位专家阅读相同的文件，这很慢、很贵，而且其本身也是多变的。两位临床医生阅读同一个文件，在伤害分类上并不总是能达成一致。

这产生了一个从业者经常低估的后果：你的验证上限是人类专家的评分者间一致性 (inter-rater reliability)。如果两位临床医生在一个变量上 85% 的时间达成一致，那么一个与其中一位在 85% 的时间达成一致的提取系统就已经达到了人类水平。在没有人类基准的情况下将其报告为“85% 的准确率”会使强有力的结果显得平庸——而且更危险的是，会使一个在简单变量上表现很差的结果显得可以接受。

如果你从 CAS 的这项工作中吸取一个操作要点，请记住：在衡量模型性能之前，先衡量验证样本的评分者间一致性。没有它，你的准确率数字就没有分母。

这在哪里真正改变了精算工作

有三个应用场景，价值和难度依次递增。

准备金细分。最直接的用途。从叙述中提取的结构化变量允许更同质地对个案准备金进行分组——将那些在三角形中看起来完全相同但在诉讼状态、共病或治疗轨迹上存在差异的理赔案件分开。更好的同质性意味着更低的过程方差，这在不改变方法论的情况下意味着更窄的准备金区间。

早期识别进展驱动因素。长尾理赔案在已赔付或已发生数据中显现之前很长一段时间，其进展原因在文件中就已经清晰可见。律师介入、治疗升级、预示着残疾期延长的共病。在早期阶段系统地提取这些因素，可以将滞后指标转变为领先指标。

定价特征工程。最难也是最敏感的。从理赔叙述中提取的变量可以为定价提供信息——但一旦这样做，它们就进入了受监管的决策过程，并会受到不公平歧视审查的全面考验。一个与受保护特征相关的提取变量，无论其如何得出，都是一个费率因子问题。这一应用在查看提升图 (lift chart) 之前，需要先进行公平性评估。

部署此类系统前需要做好的四件事

固定模型版本并在变更时重新验证。提取行为是特定模型版本的属性。供应商的一次更新可能会在不改变代码的情况下改变分类边界。如果你的验证没有绑定到固定的版本，你的证据就会悄然失效。

将提取方案存入模型清单。提取方案——即 36 个变量、它们的定义和允许值——与算法一样是建模产物。“诉讼状态”等变量的定义漂移，会像改变准备金假设一样使历史对比失效。

保留来源引用。每个提取的值都应带有一个指向支持它的文件和段落的指针。这正是使系统可审计而非仅仅是准确的关键所在，在构建时实施的成本几乎为零，但事后追溯的成本巨大。

针对对抗性输入进行测试。理赔文件中包含由对结果有经济利益的相关方撰写的文本。索赔函、医疗服务提供者的陈述、受代理索赔人的呈报。一个阅读旨在具有说服力的文本的提取系统是在对抗性环境下运行的，理赔领域中通过提交的文件进行的提示词注入 (prompt injection) 是一个现实风险。

更广泛的信号

CAS 将这项工作定位为装备精算师在 AI 赋能的风险格局中发挥领导作用的一部分，专业判断和治理处于核心地位而非次要地位。这种定位是正确的，而且值得注意的是研究没有做的事情：它没有自动化决策。它将文本转化为变量，然后由精算师使用。

这正是正确的起点。提取层是 AI 在精算工作中增加价值最多、且产生的治理风险最小的地方——因为输出是输入，而针对精算师如何使用输入的现有控制措施依然适用。

2026 年能从此技术中获益的公司，将是那些妥善构建了提取层而保持决策层不动的人。

---

核心要点

• 由 CAS 资助的研究通过两阶段 LLM 框架将叙述性理赔文档转化为 36 个结构化精算变量，并提供开源代码和合成数据集。
• 将文档级提取与理赔级综合分开是关键的设计决策：这两个阶段失败的方式不同，需要不同的控制措施。
• 验证上限取决于人类专家的评分者间一致性——在报告模型准确率之前，先衡量人类基准。
• 价值最高的应用是准备金细分和早期识别进展驱动因素；用于定价则会触发不公平歧视审查。
• 固定模型版本，管理提取方案清单，保留来源引用，并针对索赔人提供的对抗性文件进行测试。

---

常见问题解答

大语言模型可以用于准备金评估吗？ 不是直接设定准备金，而是越来越多地用于从非结构化理赔文件中提取结构化变量，然后输入传统的准备金评估方法。CAS 的研究展示了一个为此设计的概念验证框架，将叙述性理赔信息转化为可用于准备金评估、定价和理赔管理的结构化精算变量。

如何验证用于精算的 LLM 提取系统？ 通过对样本进行独立的专家评审，将人类与模型的提取结果进行人机协同对比。关键是应首先衡量人类评审员的评分者间一致性，因为它设定了可达成共识的实际上限，并提供了报告模型性能的基准。

提取的理赔数据在定价中使用安全吗？ 需要额外的谨慎。一旦提取的变量影响了费率决策，无论它是如何得出的，都会成为受不公平歧视审查约束的费率因子。在任何定价用途之前都应先进行公平性评估和监管审查，相比之下，准备金细分应用的监管风险要低得多。

---

Jonas Mohamed Osman Abdelghafour 是 Quantica Risk Model 的创始人，该公司为保险公司构建并独立验证精算及 AI 模型。本文是对公开的 CAS 研究的评论；应直接参考原论文。