Institute for Sustainable Finance White Paper: Sentiment and Sustainability:How the language of U.S. corporate filings reveals divergent paths for management priorities on DEI and Environment
Notice bibliographique
Résumé
Corporations are quick to adjust their disclosures when political or regulatory shifts signal changing expectations from investors, regulators, and other stakeholders. This white paper summarizes the preliminary findings from analysing the language of mandatory annual corporate filings (Securities<br/>and Exchange Commission 10-Ks) in the United States before and after the recent re-election of U.S. President Donald Trump.<br/>Specifically, we examined the changes in sentiment toward two key themes: environment (climate change and environmental sustainability), and DEI (diversity, equity and inclusion). Both are themes that have been central to corporate strategy and stakeholder engagement in recent years. Shifts in priorities of the new administration — including efforts to scale back ESG frameworks, limit DEI programming, and reduce environmental incentives — have created a regulatory atmosphere in which firms are recalibrating how they present these<br/>issues in mandatory disclosures.<br/>Our results reveal a stark decline in DEI-related disclosure language following the 2024 election, with average DEI keyword mentions across S&P 1500 firms’ filings falling by nearly 25 percent between 2024 and 2025.<br/>The decline is observed across industries, firm sizes, and both Republican (red) and Democratic (blue) states, though it is most pronounced among larger firms.<br/>In contrast, climate- and environment-related terminology remained largely stable over the same period, registering only a small and statistically insignificant decrease.<br/>These findings suggest that usage of DEI-themed language in 10-K filings is more sensitive and responsive to a changing regulatory environment. This contrasts our results related to usage of environment-themed language, which appears resilient to near-term political shifts, possibly indicating acceptance of this language<br/>as a baseline across global capital markets. The divergent trajectories highlight how corporate disclosure priorities are impacted not only by federal policy, but also by other considerations possibly to do with risk assessment, public sentiment or investor expectations.
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 | 0,010 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».