The Say-Do Gap Index: A Reproducible NLP Pipeline for Detecting ESG Rhetoric–Reality Divergence in Corporate Media Coverage

In der modernen Geschäftswelt geben Unternehmen häufig öffentliche Versprechen darüber ab, wie sie die Umwelt schützen, ihre Mitarbeiter behandeln und ethisch handeln werden. Diese Versprechen, die oft als ESG-Verpflichtungen (Environmental, Social, and Governance) bezeichnet werden, sollen zeigen, dass ein Unternehmen mehr im Sinn hat als nur Profit. Es gibt jedoch eine hartnäckige Frage, die Investoren, Regulierungsbehörden und die Öffentlichkeit beschäftigt: Halten diese Unternehmen diese Versprechen tatsächlich ein? Es wächst die Sorge, dass einige Firmen „Greenwashing“ betreiben – eine Praxis, bei der sie in ihren Berichten und Pressemitteilungen zwar gut reden, in der realen Welt jedoch keine bedeutsamen Maßnahmen ergreifen. Das Messen der Distanz zwischen dem, was ein Unternehmen sagt, und dem, was es tatsächlich tut, war traditionell ein langsamer, manueller Prozess, der es Forschern erforderte, tausende Dokumente zu lesen und sie mit Nachrichtenberichten über Skandale oder Verstöße abzugleichen. Diese Kluft zwischen Rhetorik und Realität ist in großem Maßstab schwer zu verfolgen, was eine blinde Stelle in unserem Verständnis unternehmerischer Rechenschaftspflicht hinterlässt.

Eine neue Studie von Alfredo Merlet von der Universität Sevilla bietet einen Weg, dieses Licht auf diese Lücke zu werfen, indem sie ein Werkzeug aus dem Bereich der künstlichen Intelligenz nutzt. Anstatt lediglich darüber zu berichten, ob spanische Unternehmen ihre Versprechen halten, konzentriert sich diese Arbeit darauf, die Maschine zu bauen, die sie überprüfen kann. Der Forscher entwickelte ein vollständig dokumentiertes, wiederverwendbares System, das in der Lage ist, tausende Nachrichtenartikel zu lesen, zu verstehen, was sie über das Verhalten eines Unternehmens aussagen, und automatisch einen Score zu berechnen, der den Unterschied zwischen den Worten und den Taten eines Unternehmens darstellt. Das System wurde an einer massiven Sammlung von 131.151 Nachrichtenartikeln getestet, die über einen Zeitraum von sieben Jahren 34 große spanische Unternehmen abdeckten. Indem er den Computer lehrte, zwischen echten Taten, vagen Versprechen und negativen Kontroversen zu unterscheiden, schuf die Studie eine zuverlässige Methode, um zu erkennen, wann das öffentliche Image eines Unternehmens nicht mit seiner tatsächlichen Leistung übereinstimmt.

Der Kern dieser Arbeit ist eine Pipeline, was im Wesentlichen ein schrittweiser Fließbandprozess zur Informationsverarbeitung ist. Zuerst sammelt das System Nachrichtengeschichten aus einer globalen Datenbank, die die Medienberichterstattung verfolgt. Es filtert diese Geschichten, um nur diejenigen zu finden, die spezifische große spanische Unternehmen erwähnen. Als Nächstes verwendet es ein spezialisiertes Computerprogramm, das auf die spanische Sprache trainiert wurde, um jeden Artikel zu lesen und ihn in eine von sechs Kategorien einzusortieren. Diese Kategorien reichen von klaren Belegen für positive Umweltmaßnahmen über vage Verpflichtungen, die noch nicht bewiesen wurden, bis hin zu Berichten über negative Kontroversen oder Skandale. Das System wurde trainiert, indem man ihm tausende Beispiele zeigte, die menschliche Experten bereits gelabelt hatten – ein Prozess, der als Training bekannt ist. Die Forscher stellten fest, dass der Computer anfangs Schwierigkeiten hatte, vage Versprechen zu identifizieren, da es in den ursprünglichen Daten nur sehr wenige Beispiele dafür gab. Um dies zu beheben, suchten sie gezielt nach weiteren Artikeln, die solche Arten von Versprechen enthielten, und fügten sie dem Trainingsdatensatz hinzu, was die Fähigkeit des Computers, diese zu erkennen, erheblich verbesserte.

Soblich das System in der Lage war, die Nachrichten genau zu klassifizieren, nutzten die Forscher es, um für jedes Jahr der Studie einen Score für jedes Unternehmen zu erstellen. Dieser Score, der sogenannte „Say-Do Gap Index“, misst das Gleichgewicht zwischen unverifizierten Versprechen und tatsächlichen positiven Handlungen oder negativen Kontroversen. Wenn ein Unternehmen viele vage Versprechen macht, aber wenig konkrete Errungenschaften vorweist, spiegelt der Score eine große Kluft wider. Wenn die Taten eines Unternehmens mit seinen Worten übereinstimmen, ist die Kluft klein. Das Endergebnis ist ein Datensatz, der 238 verschiedene Unternehmensjahre abdeckt und eine klare, numerische Sicht darauf bietet, wie gut diese Firmen ihr Reden mit ihrem Tun in Einklang gebracht haben. Das Computermodell erreichte eine hohe Genauigkeit bei seinen Klassifizierungen und identifizierte die verschiedenen Arten von Nachrichtenartikeln mit einem Leistungsniveau, das Forscher als robust genug für weitere Studien betrachten.

Entscheidend ist, dass die Arbeit betont, dass dieses Werkzeug dazu gedacht ist, von anderen Wissenschaftlern und Analysten genutzt zu werden, und nicht nur für diese spezifische Studie. Der gesamte Code, die Regeln, nach denen der Computer trainiert wurde, und die Schritte zur Datenerhebung werden der Öffentlichkeit zugänglich gemacht. Dies ermöglicht es jedem, dieselbe Methode auf andere Länder, andere Zeiträume oder andere Sprachen anzuwenden, sofern er das System an den lokalen Kontext anpasst. Der Autor merkt an, dass die Struktur des Werkzeugs universell ist, das hier verwendete spezifische „Computergehirn“ jedoch nur auf spanischen Texten trainiert wurde und daher neu trainiert werden müsste, um in anderen Sprachen korrekt zu funktionieren.

Die Studie zieht auch eine sorgfältige Grenze zwischen dem, was das Werkzeug leisten kann, und dem, was es nicht kann. Das System ist exzellent darin, den beobachtbaren Unterschied zwischen einer Aussage und einem Ergebnis zu messen. Das Papier warnt jedoch davor, dass eine große Kluft nicht automatisch beweist, dass ein Unternehmen lügt oder in böser Absicht handelt. Ein Unternehmen könnte ein Ziel aufgrund unerwarteter wirtschaftlicher Verschiebungen, neuer Gesetze oder legitimer Strategieänderungen verfehlt haben. Das Werkzeug identifiziert die Diskrepanz, kann aber nicht die Ursache dafür erklären. Festzustellen, ob eine Kluft Täuschung oder einfach eine Änderung der Umstände darstellt, erfordert menschliches Urteilsvermögen und ein Verständnis der spezifischen Situation.

Letztendlich bietet diese Arbeit einen neuen Weg, um die Untersuchung der unternehmerischen Ehrlichkeit zu skalieren. Vor dieser Pipeline erforderte die Überprüfung der Konsistenz unternehmerischer Versprechen immense menschliche Anstrengung und war auf kleine Stichproben beschränkt. Jetzt können Forscher systematisch riesige Mengen an Medienberichterstattung analysieren, um zu sehen, wo die Kluft zwischen Worten und Taten existiert. Die Studie behauptet nicht, das Problem der unternehmerischen Rechenschaftspflicht gelöst zu haben, noch erklärt sie alle Unternehmen mit einer solchen Kluft für schuldig an Fehlverhalten. Stattdessen bietet sie eine reproduzierbare, transparente Methode zur Messung des Phänomens und verwandelt einen vagen Verdacht über Greenwashing in eine konkrete, datengestützte Beobachtung, die von anderen überprüft und verbessert werden kann.