Page 109 - 34-2

NTU Management Review Vol. 34 No. 2 Aug. 2024

TMT 同質性與共享工作經驗等變數。

3.2. 變數定義
3.2.1. CEO 人格特質之衡量
本研究以 Costa and McCrae (2000) 的五因子人格框架作為 CEO 人格特質的指

標，使用 Harrison et al. (2019) 所研發之開放式語言工具 OLCPT，其程式設計邏輯
3
說明如下 ：
1. 由律商聯訊的公平揭露資訊平台 (LexisNexis' Full Disclosure Wire) 整理標普
綜合 1500 指數 (S&P 1500) 成分股公司之 CEO，共計 3,573 位，並擷取所有 CEO 每
4
季法說會的對話紀錄文稿 。
2. 從 3,573 位 CEO 挑選 207 位，由三位心理學博士，使用國際人格特質項目庫
(International Personality Item Pool) 的 50 項問題，評比這 207 位 CEO 在法說會影片

的問答 (Goldberg, 2000; Hill, Petrenko, Ridge, and Aime, 2019)，最終以 7 分制來表達
207 位 CEO 五大人格特質的傾向，分數由 1 分至 7 分，分別代表該特質表現的弱到
強。
3. 利用 R 語言進行機器學習，把 3573 位 CEO 的法說會逐字稿，以及由三位心
理學博士評比之 207 位 CEO 五大人格特質分數作為培訓數據，以三階段發展最終
之 OLCPT 程式：(1) 第一階段使用 Word2Vec，從 3,573 位 CEO 法說會逐字稿之內
容，整理與擷取語言的特徵；Word2Vec 為一種文本向量化的演算法，演算的過程
會先將 3,573 位 CEO 之法說會逐字稿創建一大型詞彙庫，並將詞彙庫中的單字與
片語以向量形式表達，以量化不同單字或片語間的相對位置與關係；語意越相近的

詞彙，其向量的距離越短；(2) 第二階段使用大型詞彙庫所包含的單字與片語向量
作為培訓材料，建立「預測 CEO 人格特質分數」之最適迴歸模型。首先將 207 位
CEO 法說會文稿中的單字與片語向量，分成訓練樣本與驗證樣本，再將訓練樣本透
過梯度提升機 (Gradient Boosting Machine) 建立預測模型，並用該模型預測驗證樣本
的 CEO 五大人格特質分數，再與三位心理學博士評估之分數進行比較，逐漸訓練
出配適度最高的迴歸模型；(3) 第三階段則是利用第二階段所建立的最適迴歸模型，
預測 3,573 位 CEO 法說會文稿的單字與片語向量所對應的五大人格特質分數，作為

本研究中各個 CEO 的五大人格特質分數；範圍同樣為 1 分至 7 分，並允許進行連

3 本研究所採用之開放式語言經理人人格特質工具 (OLCPT)，係由 Harrison et al. (2019) 的作者
所提供之程式。本研究在此感謝 Harrison et al. (2019) 的作者。
4 此處係指 Harrison et al. (2019) 以 S&P 1500 的樣本公司研發之開放式語言工具 OLCPT。

101