MétaCan
Menu
Retour à la cohorte
Enregistrement W3045827731 · doi:10.5465/ambpp.2020.20767abstract

The emergence of Temporal Reasoning Capabilities in Corporate Sustainability Reporting

2020· article· en· W3045827731 sur OpenAlexaboutno aff
Nahyun Kim, Oana Branzei, Shane Wang

Notice bibliographique

RevueAcademy of Management Proceedings · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueQualitative Comparative Analysis Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLatent Dirichlet allocationSustainabilityFinancial crisisDivergence (linguistics)Qualitative comparative analysisSet (abstract data type)Convergence (economics)CognitionFocus (optics)Corporate social responsibilityTopic modelEconomicsCognitive psychologyFinancePolitical sciencePsychologyPublic relationsLinguisticsComputer scienceArtificial intelligenceEcology

Résumé

récupéré en direct d'OpenAlex

This study abductively elaborates the relationship between cognitive linguistics and attention structures in the aftermath of the financial crisis. Using latent dirichlet allocation (LDA) topic modeling for 1,581 sustainability reports issued by 339 public firms in the U.S. and Canada from 2009 to 2017, we show that subtle linguistic updates in word assemblages capturing firms’ financial and/or social responsibilities combine with proximal versus distant chronotypes (spatio-temporal frames). Fuzzy set qualitative comparative analysis for a subset of 86 frequent reporters reveals the emergence of latent classes robustly associated with three dictionary-based measures of long-termism (time horizons, long-term orientation, and future focus) collected year later. Long-termism requires convergence of distal chronotypes and social responsibilities. Firms resist long-termism through divergence between distal chronotypes on one hand and social and financial responsibilities on the other. Our study is among the first to explain why firms may develop opposite temporal reasoning capabilities while adapting to the same crisis.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,640
Score d'incertitude au seuil0,940

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,164
Tête enseignante GPT0,437
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetQualitative Comparative Analysis ResearchTravaux en français237 207