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

आधुनिक व्यावसायिक दुनिया में, कंपनियाँ अक्सर इस बारे में सार्वजनिक वादे करती हैं कि वे पर्यावरण की रक्षा कैसे करेंगी, अपने श्रमिकों के साथ कैसा व्यवहार करेंगी और नैतिक रूप से कैसे कार्य करेंगी। ये वादे, जिन्हें अक्सर पर्यावरणीय, सामाजिक और शासन या ईएसजी (ESG) प्रतिबद्धताएं कहा जाता है, यह दिखाने के लिए किए जाते हैं कि एक फर्म केवल लाभ से अधिक की परवाह करती है। हालाँकि, एक निरंतर प्रश्न निवेशकों, नियामकों और जनता को परेशान करता है: क्या ये कंपनियाँ वास्तव में उन पर अमल करती हैं? यह एक बढ़ती हुई चिंता है कि कुछ फर्में "ग्रीनवाशिंग" (greenwashing) में संलग्न हैं, जो एक ऐसी प्रथा है जहाँ वे अपनी रिपोर्टों और प्रेस विज्ञप्तियों में तो अच्छी बातें करती हैं, लेकिन वास्तविक दुनिया में सार्थक कार्रवाई करने में विफल रहती हैं। एक कंपनी जो कहती है और जो वास्तव में करती है, उसके बीच के अंतर को मापना पारंपरिक रूप से एक धीमी, मैनुअल प्रक्रिया रही है, जिसमें शोधकर्ताओं को हजारों दस्तावेजों को पढ़ना पड़ता है और उन्हें स्कैंडल या उल्लंघनों की खबरों के साथ क्रॉस-रेफरेंस करना पड़ता है। शब्दों और वास्तविकता के बीच का यह अंतर ट्रैक करना कठिन है, जिससे कॉर्पोरेट जवाबदेही को समझने में एक अंधा बिंदु (blind spot) रह जाता है।

सेविले विश्वविद्यालय के अल्फ्रेडो मर्लेट का एक नया अध्ययन कृत्रिम बुद्धिमत्ता (AI) के क्षेत्र के एक उपकरण का उपयोग करके इस अंतर पर प्रकाश डालने का एक तरीका प्रदान करता है। केवल इस बात की रिपोर्ट करने के बजाय कि स्पेनिश कंपनियाँ अपने वादों को निभा रही हैं या नहीं, यह शोध पत्र उस मशीन को बनाने पर केंद्रित है जो उनकी जांच कर सके। शोधकर्ता ने एक पूरी तरह से प्रलेखित, पुन: प्रयोज्य प्रणाली विकसित की है जो हजारों समाचार लेखों को पढ़ सकती है, समझ सकती है कि वे किसी कंपनी के व्यवहार के बारे में क्या कह रहे हैं, और स्वचालित रूप से एक स्कोर की गणना कर सकती है जो एक फर्म के शब्दों और उसके कार्यों के बीच के अंतर को दर्शाता है। इस प्रणाली का परीक्षण सात साल की अवधि में 34 प्रमुख स्पेनिश कंपनियों को कवर करने वाले 1,31,151 समाचार लेखों के एक विशाल संग्रह पर किया गया था। कंप्यूटर को वास्तविक कार्यों, अस्पष्ट वादों और नकारात्मक विवादों के बीच अंतर करने के लिए सिखाकर, इस अध्ययन ने यह पहचानने के लिए एक विश्वसनीय तरीका बनाया है कि कब किसी कंपनी की सार्वजनिक छवि उसके वास्तविक प्रदर्शन से मेल नहीं खाती है।

इस कार्य का मूल एक 'पाइपलाइन' है, जो अनिवार्य रूप से सूचना को संसाधित करने के लिए एक चरण-दर-चरण असेंबली लाइन है। सबसे पहले, प्रणाली वैश्विक डेटाबेस से समाचार कहानियों को एकत्र करती है जो मीडिया कवरेज को ट्रैक करता है। यह इन कहानियों को फ़िल्टर करती है ताकि केवल वे ही मिलें जिनमें विशिष्ट बड़ी स्पेनिश कंपनियों का उल्लेख हो। इसके बाद, यह एक विशेष कंप्यूटर प्रोग्राम का उपयोग करती है जिसे स्पेनिश भाषा पर प्रशिक्षित किया गया है, ताकि प्रत्येक लेख को पढ़ सके और उसे छह श्रेणियों में से एक में वर्गीकृत कर सके। ये श्रेणियाँ स्पष्ट सकारात्मक पर्यावरणीय कार्रवाई के प्रमाण से लेकर अपुष्ट अस्पष्ट प्रतिबद्धताओं और अंततः नकारात्मक विवादों या घोटालों की रिपोर्टों तक फैली हुई हैं। सिस्टम को कंप्यूटर को हजारों उदाहरण दिखाकर इन अंतरों को पहचानने के लिए सिखाया गया था जिन्हें मानव विशेषज्ञों ने पहले ही लेबल किया था, जिसे प्रशिक्षण (training) कहा जाता है। शोधकर्ताओं ने पाया कि कंप्यूटर शुरू में अस्पष्ट वादों की पहचान करने में संघर्ष कर रहा था क्योंकि प्रारंभिक डेटा में उनके बहुत कम उदाहरण थे। इसे ठीक करने के लिए, उन्होंने विशेष रूप से उन लेखों की खोज की जिनमें उस प्रकार के वादे शामिल थे और उन्हें प्रशिक्षण सेट में जोड़ा, जिससे कंप्यूटर की उन्हें पहचानने की क्षमता में काफी सुधार हुआ।

एक बार जब सिस्टम सटीक रूप से वर्गीकरण करने में सक्षम हो गया, तो शोधकर्ताओं ने इसका उपयोग अध्ययन के प्रत्येक वर्ष के लिए प्रत्येक कंपनी के लिए एक स्कोर बनाने के लिए किया। यह स्कोर, जिसे 'से-डू गैप इंडेक्स' (Say-Do Gap Index) कहा जाता है, अपुष्ट वादों और वास्तविक सकारात्मक कार्यों या नकारात्मक विवादों के बीच के संतुलन को मापता है। यदि कोई कंपनी कई अस्पष्ट वादे करती है लेकिन बहुत कम ठोस उपलब्धियां हासिल करती है, तो स्कोर एक बड़ा अंतर दर्शाता है। यदि कंपनी के कार्य उसके शब्दों के अनुरूप होते हैं, तो अंतर छोटा होता है। अंतिम परिणाम एक डेटासेट है जो 238 अलग-अलग कंपनी-वर्षों को कवर करता है, जो इस बात का स्पष्ट, संख्यात्मक दृश्य प्रदान करता है कि इन फर्मों ने अपनी बातों और अपने कार्यों के बीच कितनी अच्छी तरह तालमेल बिठाया है। कंप्यूटर मॉडल ने अपने वर्गीकरण में उच्च स्तर की सटीकता प्राप्त की, सफलतापूर्वक विभिन्न प्रकार की समाचार कहानियों की पहचान की, जिसका प्रदर्शन स्तर शोधकर्ताओं के अनुसार आगे के अध्ययन के लिए पर्याप्त मजबूत है।

महत्वपूर्ण रूप से, यह शोध पत्र इस बात पर जोर देता है कि यह उपकरण अन्य वैज्ञानिकों और विश्लेषकों द्वारा उपयोग किए जाने के लिए डिज़ाइन किया गया है, न कि केवल इस विशिष्ट अध्ययन के लिए। पूरा कोड, वह नियम कि कंप्यूटर को कैसे सिखाया गया था, और डेटा एकत्र करने के चरण सार्वजनिक रूप से उपलब्ध कराए गए हैं। यह किसी को भी उसी पद्धति को विभिन्न देशों, विभिन्न समय अवधियों या विभिन्न भाषाओं पर लागू करने की अनुमति देता है, बशर्ते वे स्थानीय संदर्भ के अनुसार सिस्टम को समायोजित करें। लेखक नोट करते हैं कि जबकि उपकरण की संरचना सार्वभौमिक है, यहाँ उपयोग किया गया विशिष्ट 'कंप्यूटर मस्तिष्क' केवल स्पेनिश टेक्स्ट पर प्रशिक्षित किया गया था, इसलिए इसे अन्य भाषाओं में काम करने के लिए पुन: प्रशिक्षित करने की आवश्यकता होगी।

अध्ययन इस बात की भी सावधानीपूर्वक रेखा खींचता है कि यह उपकरण क्या कर सकता है और क्या नहीं। सिस्टम एक कथन और एक परिणाम के बीच के अवलोकन योग्य अंतर को मापने में उत्कृष्ट है। हालाँकि, शोध पत्र चेतावनी देता है कि एक बड़ा अंतर स्वतः ही यह साबित नहीं करता कि कोई कंपनी झूठ बोल रही है या दुर्भावनापूर्ण इरादे से कार्य कर रही है। कोई कंपनी अप्रत्याशित आर्थिक बदलावों, नए कानूनों या रणनीति में वैध परिवर्तनों के कारण लक्ष्य को पूरा करने में विफल हो सकती है। टूल विसंगति की पहचान करता है, लेकिन यह उसके पीछे के कारण को नहीं समझा सकता। यह निर्धारित करने के लिए कि क्या एक अंतराल धोखे का प्रतिनिधित्व करता है या केवल परिस्थितियों में बदलाव का, मानवीय निर्णय और विशिष्ट स्थिति की समझ की आवश्यकता होती है।

अंततः, यह कार्य कॉर्पोरेट ईमानदारी के अध्ययन को व्यापक बनाने का एक नया तरीका प्रदान करता है। इस पाइपलाइन से पहले, कॉर्पोरेट वादों की निरंतरता की जाँच करने के लिए अत्यधिक मानवीय प्रयास की आवश्यकता थी और यह छोटे नमूनों तक सीमित थी। अब, शोधकर्ता कॉर्पोरेट वादों और कार्यों के बीच के अंतर को देखने के लिए मीडिया कवरेज की विशाल मात्रा का व्यवस्थित रूप से विश्लेषण कर सकते हैं। अध्ययन यह दावा नहीं करता है कि उसने कॉर्पोरेट जवाबदेही की समस्या को हल कर दिया है, न ही यह घोषित करता है कि अंतराल वाली सभी कंपनियाँ कदाचार की दोषी हैं। इसके बजाय, यह घटना को मापने के लिए एक पुनरुत्पादनीय, पारदर्शी विधि प्रदान करता है, जो ग्रीनवाशिंग के बारे में एक अस्पष्ट संदेह को एक ठोस, डेटा-संचालित अवलोकन में बदल देता है जिसे दूसरों द्वारा सत्यापित और सुधारा जा सकता है।