吴宗晓指出，非结构化文本日益成为金融决策的重要数据来源，但现有研究多聚焦单一类型文本。用于决策的文本往往出自信息与激励各异的主体：借款人掌握企业私有信息，也有动机展示良好信用，陈述中可能夹杂选择性披露；信贷员则结合实地走访与放贷经验解读同一份申请，并对银行负有职业问责。现有方法或分来源建模，难以整合多源信息；或合并为单一表示，可能掩盖来源特有信号、削弱来源层面的可解释性。

为此，吴宗晓提出保留来源信息的提示学习框架。针对掩码语言模型常规微调存在的目标与预训练脱节、样本需求较大、高维表示难以解释等问题，该框架在“预训练—提示—预测”范式下将违约预测重构为掩码语言建模任务。研究基于包含15项异质文本变量的小微企业贷款数据集，采用BERT、RoBERTa等四种预训练模型与六种分类器，以AUC、KS和H-measure衡量表现。结果显示，无论直接使用预训练模型还是进行微调，该框架均优于仅依赖结构化变量的模型及现有基准方法。来源层面分析表明，信贷员撰写的评估文本比借款人自述包含更多与贷款违约相关的预测信息；利润分析显示，预测提升可转化为具有经济意义的信贷决策收益。

吴宗晓最后总结，该方法在提取多视角异质信息的同时保留了文本的可解释性，并可拓展至大语言模型。报告丰富了金融可解释人工智能的方法工具，兼具方法创新与应用价值，为与会师生提供了有益参考。