Text Analysis of Corporate Cryptocurrency Disclosures in Varying Market Conditions
Notice bibliographique
Résumé
Purpose Cryptocurrency’s novelty and volatility—combined with the absence of standardized reporting prior to 2023—created an opaque information environment. This study explores whether such conditions enabled assertive impression management in corporate reporting. We examine how firms not only varied the volume of cryptocurrency disclosures over time, but also strategically manipulated their readability . Additionally, we use this context to demonstrate the utility of machine learning and natural language processing tools for consistent analysis of complex financial narratives. Study design We analyze full-text annual reports, MD&A sections, and proxy statements from five publicly traded U.S. firms with diverse cryptocurrency involvements. Our methodology includes machine learning-based topic modeling, readability assessment using standardized indices, and visualization tools. Findings (i) Information Demand: Google search trends for target firms are strongly associated with Bitcoin price movements, reflecting external attention cycles. (ii) Impression Management: Firms increase both the frequency and readability of crypto disclosures in favorable markets and reduce or obscure them in downturns, consistent with strategic impression management. (iii) Readability: Crypto-related disclosures are significantly more readable than non-crypto sections from the same reports suggesting deliberate simplification. Contributions This study advances the limited literature on cryptocurrency disclosure by offering a textual and behavioral lens on corporate impression management. A key contribution is the integration of readability metrics, public attention signals, and NLP tools into disclosure analysis. We highlight how firms use both narrative framing and readability engineering as tools to influence perception—especially in periods of regulatory uncertainty. Implications Our findings have direct implications for policy and practice: (i) Policymakers should consider not only disclosure quantity but also its linguistic clarity and comparability, especially for volatile assets. (ii) Investors and analysts can use automated text analysis to detect subtle impression management tactics and to interpret the strategic use of clarity in disclosure narratives.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».