A Text-Mining Approach to the Evaluation of Sustainability Reporting Practices: Evidence from a Cross-Country Study
Notice bibliographique
Résumé
This study examines the sustainability reports (SRs)of 200 firms in both developed and emerging economies in order to identify the words most frequently used in disclosing sustainability practices within the Triple Bottom Line (TBL) approach to reporting (which emphasizes economic, environmental, and social dimensions). Its aim is to evaluate these sustainability reports under the umbrella of the GRI framework. It adopts a semi-automated Text-Mining (TM) technique to evaluate the corporate SRs of select firms from the top ten economies by GDP at current prices. Based on the GRI Standards guidelines, a total of 208 keywords were identified for analysis. The disclosures were then awarded points based on the appearance of these keywords so that the appearance of one resulted in the awarding of a score of one; if a keyword did not appear then the report was scored a zero for that word. Furthermore, a wordcloud was also generated in order to better understand the inclination of reporting language towards various TBL reporting categories. This analysis of the SRs of 200 firms from the top ten economies of the world sheds light on the differences in reporting practices and priorities as they relate to various aspects of the GRI Standards guidelines. The results indicate that SR practices have grown rapidly in the last half decade of the period selected for study (2013-2017) as compared to the first half (2008-2012). Canada ranked highest for its disclosure practices in this analysis followed by the UK, Germany, US, Japan, France, Italy, Brazil, India, and China. This study found that all included countries improved their sustainability performance over the period 2008-2017.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,245 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».