Corporate social responsibility, diversity, and corporate communication : natural language processing and machine learning approaches
Notice bibliographique
Résumé
In the second chapter, we rely on collaborative intelligence, which combines human and artificial intelligence (i.e., supervised machine learning), to construct a textual feature that measures firmlevel gender diversity talk (GDT), as reflected in the share of gender diversity discussion in the narrative of quarterly earnings conference calls. We show that the MeToo movement, an unequivocal social movement shock, led to a significant increase in GDT. We however document positive short-term stock market reaction to GDT during the first post-MeToo quarter, indicating that GDT is, on average, perceived by investors as value-relevant. We also show that post-MeToo, high-GDT firms engage in less substantive female-friendly initiatives, indicating that firms do not walk the talk of gender diversity. In the third chapter, using industry-relevant documents and the most-cited CSR/ESG papers to develop a new CSR dictionary, we show that the COVID-19 incentivized firms to engage in overselling of their CSR. We find that more CSR talk during COVID translates into value depression, indicating that investors, on average, do not perceive CSR overselling as value-relevant. Our evidence suggests that firms do not walk their CSR talk and that CSR Talk is positively (negatively) associated with the use of positive (negative) words. Our evidence suggests that ‘cheap talk is not cheap’. \nIn the fourth chapter, we use Natural Language Processing to measure supply chain risk \n(SCR) faced by US firms, as expressed in narratives of quarterly earnings conference calls. We show that exposure to SCR reached unprecedented levels during COVID-19. The effect of COVID-19 on SCR is more pronounced in firms with a greater dispersion of analyst forecasts, increased complexity, and more financial constraints. We document a negative effect of SCR on conference call short-term returns and future profitability. High-SCR firms are also associated with longer cash conversion cycles and more ESG overselling.
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 | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».