Strategic Silence and Discursive Repair: A Critical Genre Analysis of Negative Safety Disclosures in CSR Reports
Notice bibliographique
Résumé
Corporate social responsibility (CSR) reports increasingly include negative disclosures acknowledging organizational failures and safety incidents, creating tensions between transparency obligations and reputation management. This study examines how Fortune 500 companies rhetorically construct negative safety disclosures using Critical Genre Analysis. Through systematic analysis of 20 safety disclosure sections from companies across five industries, we investigate rhetorical moves, interdiscursive practices, and cultural values characterizing these communications.The analysis reveals a standardized three-move rhetorical structure: “presenting the safety scene,” “reporting safety disclosure,” and “prompting action,” comprising ten constituent steps. Key findings demonstrate systematic interdiscursivity involving demonstrative, legal, and evaluative discourse types that transform regulatory compliance into strategic positioning opportunities. Three dominant cultural orientations emerge: altruistic culture extending safety benefits beyond organizational boundaries, human-centered culture emphasizing employee value, and science-based culture foregrounding technological sophistication.Results indicate companies strategically limit detailed incident reporting (15% of reports) while universally emphasizing safety commitments (100% of reports) and future endeavors (90% of reports). Negative disclosures function as complex rhetorical achievements rather than simple transparency exercises. These findings contribute to corporate communication research by illuminating how organizations balance competing stakeholder expectations while maintaining strategic advantage through sophisticated rhetorical strategies that simultaneously fulfill transparency obligations and advance corporate positioning.
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 | 0,011 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,011 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».