基本属实
在钢铁市场需求波动性不断加大的背景下，业界正尝试利用AI机器学习技术和新闻数据来提升需求预测的准确度。韩国 POSRI（浦项经营研究所）的相关研究显示，传统预测模型的局限日益明显，而融合非结构化新闻数据的机器学习方法展现出更高的预测精度。
钢铁行业的需求预测历来依赖宏观经济指标和历史出货数据。然而近年来，受全球贸易环境、原材料价格以及下游产业景气变化影响，需求走势的波动性显著加大，传统统计模型的预测误差随之扩大。
研究指出，机器学习模型能够捕捉传统线性模型难以处理的复杂变量关系，而新闻文本数据则可提供市场情绪和政策动向等实时信息。将两者结合后，预测模型对需求拐点的反应速度和准确度均有所提升。该方法被视为钢铁行业数字化转型的一个可行方向。
不过，研究同时提醒，新闻数据的质量与选取标准会直接影响模型表现，相关方法在企业实际应用中的效果仍需进一步检验。
综合现有资料，这一关于AI机器学习结合新闻数据可提升钢铁需求预测准确度的说法基本属实。
Verdict: 基本属实
