Ashu Bhatnagar是Good Morning Research公司的CEO。Good Morning Research公司是一家致力于Semantic XBRL技术开发的软件公司。在网站上，您只需点击“保存为XBRL格式”就可以通过机器自动为RDF格式的EXCEL数据添加XBRL标记。Bhatnagar先生还负责协调LinkedInSemantic XBRL群。

XBRL是一种具有较高影响力的理念，即通过为财务数据添加XBRL标记给人们带来利益，这也是大部分人达成的共识。然而，对于这一理念的实施，不同用户的实施过程、方法及软件工具则有所不同……，而且没有一个用户表现得尤为突出。

实现XBRL的过程就是为源文件的财务数据添加恰当的XBRL标记，并使之成为符合分类标准的文件的过程。我们以该过程中某个主要阶段的方法选择为例。

大体上说，添加XBRL数据标记的方法有4种：

1.一键式自动添加数据标记

最理想的情况是文件编制人员可以继续使用原有的内部财务报告工具，包括Microsoft Office Excel，然后只需简单的点击一个“保存为XBRL”的按钮。这种添加XBRL标记的方法类似于我们通过点击“保存为HTML”对一个Word文档进行保存，从而以网页格式进行发布，或者通过点击“保存为PDF”进行保存，从而以打印格式进行发布。从可用性这一角度来说，通过原有软件工具中的这种按钮或菜单选项添加标记简直妙不可言。因为用户无需了解添加标记的所有复杂细节，同时，添加数据标记这一容易出错的辛苦工作也从人工操作转为机械化了。

不幸的是，这种为财务数据自动添加分类标准中规定的XBRL标记的方法要求对数据进行语义解释。也就是说，它要求电脑能够看得懂财务数据，这相当于对一名会计师进行培训，使他能够解释与分类标准规定相匹配的财务度量信息。这一方法基本上等同于使用人工智能和专家系统。

目前几乎所有的知识管理工具都未完善到可以实现这种功能的程度。希望被寄托在语义网领域的研究人员所进行的工作上。他们正在努力探索知识自动化工具和技术。少量的新专利已经出现，并且正在扩大该领域的范围。但是我们仍需要一段时间才能将这些边缘技术转换为可以直接使用的专家系统。

2.通过模板/表格添加数据标记

这种方法就是制定一套预先核准的模板，即类似于在线表格。在这些表格中，XBRL标记已经被预先附加在数据栏内，数据栏为空白，报送者可以在这些空白区域中手动输入适当的数据，也可以从其他内部报告工具中剪切复制过来。

在世界范围内，已有少数监管机构采用了这种基于表格的方法。印度证券交易委员会和孟买证券交易所就是其中之一。它们要求100家上市公司使用它们的rpFiling系统以XBRL格式进行报表报送。这一系统就是使用预先添加了标记的空白模板表格。

这一基于表格的系统的优点在于，只有少数被选来设计这些模板和表格的专家需要学习XBRL分类标准、合当标记的选择方法以及有效性规则。从理论上说，这种方法让终端用户更容易接受，因为实际上向这些表格输入数据的用户可以不必理会XBRL的复杂性，也无需进行学习。

在实际应用中，这种千遍一律的方法有以下几个缺点：

•这些基于模板的表格很少能与各企业所填写的内容实现完美匹配。为了降低这些表格的复杂性，采用了“最低限度”法，即从美国通用会计准则和国际财务报告准则所规定的上千条度量信息中选择了不到100条财务度量信息。这种设计极大的限制了分类标准的延伸，使企业的数据必须与一种通用形式相匹配。

•随着使用程度的增加，这些模板或者表格的数量也必须增加。当这些模板的数量超过了几十个，其脆弱的本质就显现出来了，并且我们需要花费大量的IT资源及成本来管理这个带有版本控制、访问权限、维护及支持功能的文件管理系统。

•由于添加标记的度量信息是有限的，进行了详细细分的数据透明性就受到了一定程度的负面影响。对于比较老练的机构投资者，或买方/卖方的分析师来说，这些数据的作用是有限的。

3.通过拖放方式添加数据标记

这是一种基于向导工具的方法，它更为实用。但是用户必须要咬咬牙下决心学习XBRL知识，并在掌握一定程度的XBRL知识后才可使用这一方法。目前有几家供应商可以提供这方面的软件工具。该软件工具可以引导用户一步一步的从一个预选分类标准列表中选择合适的度量信息。这一预选分类标准列表采用了一种可收缩的树形结构，一目了然。每次可以从这些预选的度量信息中手动选出一条，然后拖放到源文件中（比如Excel 或Word）相应的数据上，从而创建出XBRL标记或对数据进行标记。

这种手动方法的确有些费力，但是当先前所用的标记可以用于之后的内容时，情况就会有所改善。它极大的简化了过程并加快了速度。这种方法的最大缺点在于费时、容易出错，并且人工添加标记的工作只能外包给有会计和IT经验的人员。这种数据添加方法的一个重要部分就是高度的质量保证及有效性检查。

4.自动语义提取及人机专家系统

这是一种通过机器自动添加标记的方法。它的原理是先对系统进行专业知识训练，然后利用该系统对有用的相关标记进行语义提取。

该方法的新兴实例之一就是汤姆森路透社的OpenCalais倡议，它能在一秒钟之内为所递交的内容自动创建大量的语义元数据。Calais能够通过自然语言处理，机器学习和其他方法对文件进行分析，从而找出其中的实体。Calais远优于传统的实体识别，而且还能够还原隐藏在文本中的事实及事例。不过我们并不清楚Calais是否将继续致力于为诸如商业信息之类的无结构文本添加标记，或者它是否也会被用于为企业报送的报表进行XBRL标记。

同样，万维网联盟（W3C）认为未来的网络将会是语义网。在语义网中，信息将被赋予明确的含义，从而机器能够更加容易的对信息进行处理和集成。语义网将构建于XML自定义标记模式的能力及RDF描述数据的灵活方式之上。语义网在RDF之上增加的第一个层次就是一种能够对Web文档中的术语含义进行形式化描述的本体语言，即OWL。机器自动化本体语言发展工具还是一个先进的研究领域，尚未用于商业生产。但其早期成果足以表明手动添加XBRL标记的状况即将得以改善。

哪种添加标记的方法是最好的？总的来说，似乎在未来几年内，上述方法将被同时使用，以满足不同用户的不同需要。不过从长远来说，当机器自动添加标记技术足够成熟后，它将成为XBRL标记添加的主要方法。