The Say-Do Gap Index: A Reproducible NLP Pipeline for Detecting ESG Rhetoric–Reality Divergence in Corporate Media Coverage
Este artículo presenta un flujo de trabajo de PLN totalmente reproducible, que incluye un corpus curado, una taxonomía ESG de seis categorías y un clasificador BERT en español ajustado, diseñado para cuantificar la divergencia entre la retórica ESG corporativa y los resultados observables en la cobertura mediática a través de un novedoso "Índice de Brecha Decir-Hacer" al tiempo que aborda la validez de constructo y la aplicabilidad transcontextual.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo empresarial moderno, las empresas hacen con frecuencia promesas públicas sobre cómo protegerán el medio ambiente, tratarán a sus trabajadores y actuarán de forma ética. Estas promesas, a menudo llamadas compromisos ambientales, sociales y de gobernanza (ESG, por sus siglas en inglés), pretenden demostrar que una firma se preocupa por algo más que por los beneficios. Sin embargo, una pregunta persistente atormenta a inversores, reguladores y al público: ¿cumplen realmente estas empresas con lo prometido? Existe una creciente preocupación de que algunas firmas incurran en el "greenwashing" o lavado de imagen verde, una práctica en la que hablan muy bien en sus informes y comunicados de prensa, pero no llevan a cabo acciones significativas en el mundo real. Medir la distancia entre lo que una empresa dice y lo que realmente hace ha sido tradicionalmente un proceso lento y manual, que requiere que los investigadores lean miles de documentos y los cotejen con noticias de escándalos o infracciones. Este desfase entre la retórica y la realidad es difícil de rastrear a gran escala, lo que deja un punto ciego en nuestra comprensión de la responsabilidad corporativa.
Un nuevo estudio de Alfredo Merlet, de la Universidad de Sevilla, ofrece una forma de arrojar luz sobre esta brecha utilizando una herramienta del campo de la inteligencia artificial. En lugar de simplemente informar sobre si las empresas españolas están cumpliendo sus promesas, este artículo se centra en construir la máquina que pueda verificarlas. El investigador desarrolló un sistema totalmente documentado y reutilizable que puede leer miles de artículos de noticias, comprender lo que dicen sobre el comportamiento de una empresa y calcular automáticamente una puntuación que represente la diferencia entre las palabras y los hechos de una firma. El sistema fue probado en una colección masiva de 131.151 artículos de noticias que cubren 34 de las principales empresas españolas durante un periodo de siete años. Al enseñar a un ordenador a distinguir entre acciones genuinas, promesas vagas y controversias negativas, el estudio creó un método fiable para detectar cuándo la imagen pública de una empresa no coincide con su desempeño real.
El núcleo de este trabajo es un "pipeline" o flujo de trabajo, que es esencialmente una línea de montaje paso a paso para procesar la información. Primero, el sistema recopila noticias de una base de datos global que realiza un seguimiento de la cobertura mediática. Filtra estas historias para encontrar solo aquellas que mencionan a empresas españolas específicas de gran tamaño. A continuación, utiliza un programa informático especializado, entrenado en la lengua española, para leer cada artículo y clasificarlo en una de seis categorías. Estas categorías van desde la evidencia clara de una acción ambiental positiva hasta los compromisos vagos que no han sido probados, y finalmente, los informes de controversias o escándalos negativos. Se le enseñó al sistema a hacer estas distinciones mostrándole miles de ejemplos que ya habían sido etiquetados por expertos humanos, un proceso conocido como entrenamiento. Los investigadores descubrieron que el ordenador tuvo dificultades al principio para identificar las promesas vagas porque había muy pocos ejemplos de ellas en los datos iniciales. Para solucionar esto, buscaron específicamente más artículos que contuvieran ese tipo de promesas y los añadieron al conjunto de entrenamiento, lo que mejoró significativamente la capacidad del ordenador para detectarlas.
Una vez que el sistema pudo clasificar con precisión las noticias, los investigadores lo utilizaron para construir una puntuación para cada empresa por cada año del estudio. Esta puntuación, llamada Índice de la Brecha entre el Decir y el Hacer (Say-Do Gap Index), mide el equilibrio entre las promesas no verificadas y las acciones positivas reales o las controversias negativas. Si una empresa hace muchas promesas vagas pero pocos logros concretos, la puntuación refleja una gran brecha. Si las acciones de la empresa se alinean con sus palabras, la brecha es pequeña. El resultado final es un conjunto de datos que cubre 238 diferentes "años-empresa", proporcionando una visión numérica clara de qué tan bien estas firmas han hecho coincidir su discurso con su proceder. El modelo informático alcanzó un alto nivel de precisión en sus clasificaciones, identificando con éxito los diferentes tipos de noticias con un nivel de rendimiento que los investigadores consideran lo suficientemente robusto para estudios posteriores.
Crucialmente, el artículo enfatiza que esta herramienta está diseñada para ser utilizada por otros científicos y analistas, no solo para este estudio específico. Todo el código, las reglas de cómo se enseñó al ordenador y los pasos para recopilar los datos se ponen a disposición del público. Esto permite que cualquiera aplique el mismo método a diferentes países, diferentes periodos de tiempo o diferentes idiomas, siempre que ajuste el sistema para adaptarse al contexto local. El autor señala que, si bien la estructura de la herramienta es universal, el "cerebro" informático específico utilizado aquí fue entrenado solo con texto en español, por lo que tendría que ser reentrenado para otros idiomas para funcionar correctamente.
El estudio también traza una línea cuidadosa entre lo que la herramienta puede hacer y lo que no puede hacer. El sistema es excelente para medir la diferencia observable entre una declaración y un resultado. Sin embargo, el artículo advierte que una gran brecha no demuestra automáticamente que una empresa esté mintiendo o actuando con mala intención. Una empresa puede no cumplir un objetivo debido a cambios económicos inesperados, nuevas leyes o cambios legítimos en su estrategia. La herramienta identifica la discrepancia, pero no puede explicar la razón detrás de ella. Determinar si una brecha representa un engaño o simplemente un cambio en las circunstancias requiere el juicio humano y la comprensión de la situación específica.
En última instancia, este trabajo proporciona una nueva forma de escalar el estudio de la honestidad corporativa. Antes de este flujo de trabajo, comprobar la consistencia de las promesas corporativas requería un inmenso esfuerzo humano y se limitaba a muestras pequeñas. Ahora, los investigadores pueden analizar sistemáticamente vastas cantidades de cobertura mediática para ver dónde existe la brecha entre las palabras y las acciones. El estudio no pretende haber resuelto el problema de la responsabilidad corporativa, ni declara que todas las empresas con una brecha sean culpables de mala conducta. En cambio, ofrece un método reproducible y transparente para medir el fenómeno, convirtiendo una vaga sospecha sobre el "greenwashing" en una observación concreta y basada en datos que puede ser verificada y mejorada por otros.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.