Beyond Good Intentions: Designing CSR Initiatives for Greater Social Impact
Notice bibliographique
Résumé
Are corporate social responsibility (CSR) initiatives providing the societal good that they promise? After decades of CSR studies, we do not have an answer. In this review, we analyze progression of the CSR literature toward assessing the performance of CSR initiatives, identify factors that have limited the literature’s progress, and suggest a new approach to the study of CSR that can overcome these limits. We begin with comprehensive bibliometric mapping illustrating that although social impact has infrequently been its explicit focus, the CSR literature has measured outcomes other than firm performance, especially in the current decade. Thereafter, we conduct a more fine-grained analysis of recent CSR studies. Adapting a logic model framework, we show that even the most highly cited studies have stopped short of assessing social impact, often measuring CSR activities rather than impacts and focusing on benefits to specific stakeholders rather than to wider society. In combination, our analyses suggest that assessment of the performance of CSR initiatives has been driven by the availability of large, public secondary data sources. However, creating more such databases and turning to “big data” analyses are inadequate solutions. Drawing from the impact evaluation literature of development economics, we argue that the CSR field should reconceive itself as a science of design in which researchers formulate CSR initiatives that seek to achieve specific social and environmental objectives. In accordance with this pursuit, CSR researchers should move toward “small data” research designs, which will enable studies to better determine causation rather than just identify correlation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,061 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,015 |
| Communication savante | 0,014 | 0,018 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».