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

In de moderne zakenwereld doen bedrijven regelmatig publieke beloften over hoe ze het milieu zullen beschermen, hun werknemers zullen behandelen en ethisch zullen handelen. Deze beloften, vaak ESG-verplichtingen genoemd (environmental, social, and governance), zijn bedoeld om te laten zien dat een bedrijf meer geeft aan dan alleen winst. Echter, een hardnekkige vraag achtervolgt investeerders, toezichthouders en het publiek: houden deze bedrijven zich er ook daadwerkelijk aan? Er is een groeiende bezorgdheid dat sommige bedrijven zich bezighouden met "greenwashing", een praktijk waarbij ze in hun rapporten en persberichten een goed verhaal ophangen, maar in de echte wereld geen betekenisvolle actie ondernemen. Het meten van de afstand tussen wat een bedrijf zegt en wat het daadwerkelijk doet, was traditioneel een traag, handmatig proces, waarbij onderzoekers duizenden documenten moesten lezen en deze moesten kruisverwijzen met nieuwsberichten over schandalen of overtredingen. Deze kloof tussen retoriek en realiteit is moeilijk op grote schaal te volgen, waardoor er een blinde vlek ontstaat in ons begrip van bedrijfsverantwoording.

Een nieuwe studie door Alfredo Merlet van de Universiteit van Sevilla biedt een manier om dit licht op deze kloof te werpen met behulp van een instrument uit het vakgebied van kunstmatige intelligentie. In plaats van simpelweg te rapporteren of Spaanse bedrijven hun beloften nakomen, richt dit artikel zich op het bouwen van de machine die hen kan controleren. De onderzoeker ontwikkelde een volledig gedocumenteerd, herbruikbaar systeem dat duizenden nieuwsartikelen kan lezen, begrijpt wat ze zeggen over het gedrag van een bedrijf, en automatisch een score kan berekenen die het verschil vertegenwoordigt tussen de woorden en de daden van een firma. Het systeem werd getest op een enorme collectie van 131.151 nieuwsartikelen over 34 grote Spaanse bedrijven over een periode van zeven jaar. Door een computer te leren het onderscheid te maken tussen oprechte acties, vage beloften en negatieve controverses, creëerde de studie een betrouwbare methode om te signaleren wanneer het publieke imago van een bedrijf niet overeenkomt met de werkelijke prestaties.

De kern van dit werk is een pipeline, wat in essentie een stapsgewijze assemblageband is voor het verwerken van informatie. Eerst verzamelt het systeem nieuwsberichten uit een wereldwijde database die mediaverslaggeving bijhoudt. Het filtert deze verhalen om alleen die te vinden die specifieke grote Spaanse bedrijven vermelden. Vervolgens gebruikt het een gespecialiseerd computerprogramma, getraind op de Spaanse taal, om elk artikel te lezen en in een van de zes categorieën in te delen. Deze categorieën variëren van duidelijk bewijs van positieve milieuactie tot vage toezeggingen die nog niet bewezen zijn, en tot slot rapportages over negatieve controverses of schandalen. Het systeem werd geleerd deze onderscheiden te maken door het duizenden voorbeelden te tonen die menselijke experts al eerder hadden gelabeld, een proces dat bekend staat als training. De onderzoekers ontdekten dat de computer aanvankelijk moeite had met het identificeren van vage beloften omdat er in de initiële data zeer weinig voorbeelden van waren. Om dit op te lossen, zochten ze specifiek naar meer artikelen die dergelijke beloften bevatten en voegden deze toe aan de trainingsset, wat de capaciteit van de computer om ze te herkennen aanzienlijk verbeterde.

Zodra het systeem de nieuwsberichten nauwkeurig kon classificeren, gebruikten de onderzoekers het om een score voor elk bedrijf voor elk jaar in de studie op te bouaien. Deze score, de Say-Do Gap Index genoemd, meet de balans tussen onbewezen beloften en daadwerkelijke positieve acties of negatieve controverses. Als een bedrijf veel vage beloften doet maar weinig concrete prestaties levert, weerspiegelt de score een grote kloof. Als de acties van het bedrijf overeenstemmen met zijn woorden, is de kloof klein. Het eindresultaat is een dataset die 238 verschillende bedrijf-jaren beslaat, wat een helder, numeriek beeld geeft van hoe goed deze firma's hun woorden hebben laten aansluiten bij hun daden. Het computermodel behaalde een hoog niveau van nauwkeurigheid in zijn classificaties en identificeerde de verschillende soorten nieuwsberichten met een prestatieniveau dat onderzoekers als robuust genoeg voor verder onderzoek beschouwen.

Cruciaal is dat het artikel benadrukt dat dit hulpmiddel is ontworft om door andere wetenschappers en analisten te worden gebruikt, en niet alleen voor deze specifieke studie. De volledige code, de regels voor hoe de computer werd onderwezen, en de stappen voor het verzamelen van de gegevens worden openbaar gemaakt. Dit stelt iedereen in staat om dezelfde methode toe te passen op verschillende landen, verschillende perioden en verschillende talen, mits men het systeem aanpast aan de lokale context. De auteur merkt op dat hoewel de structuur van het hulpmiddel universeel is, de specifieke computerbrein die hier werd gebruikt alleen op Spaanse tekst is getraind, waardoor deze opnieuw getraind moet worden voor andere talen om correct te kunnen werken.

De studie trekt ook een zorgvuldige lijn tussen wat het hulpmiddel wel en niet kan doen. Het systeem is uitstekend in het meten van het waarneembare verschil tussen een verklaring en een uitkomst. Echter, het artikel waarschuwt dat een grote kloof niet automatisch bewijst dat een bedrijf liegt of met kwade bedoelingen handelt. Een bedrijf kan er niet in slagen een doel te bereiken vanwege onverwachte economische verschuivingen, nieuwe wetgeving of legitieme veranderingen in de strategie. Het hulpmiddel identificeert de discrepantie, maar kan de reden daarachter niet verklaren. Bepalen of een kloof duidt op misleiding of simpelweg op een verandering in omstandigheden vereist menselijk oordeel en een begrip van de specifieke situatie.

Uiteindelijk biedt dit werk een nieuwe manier om de studie van bedrijfsmatige eerlijkheid op te schalen. Vóór deze pipeline vereiste het controleren van de consistentie van bedrijfsbeloften een enorme menselijke inspanning en was het beperkt tot kleine steekproeven. Nu kunnen onderzoekers systematisch enorme hoeveelheden mediaverslaggeving analyseren om te zien waar de kloof tussen woorden en daden bestaat. De studie claimt niet het probleem van bedrijfsverantwoording te hebben opgelost, noch verklaart zij dat alle bedrijven met een kloof schuldig zijn aan wangedrag. In plaats daarvan biedt het een reproduceerbare, transparante methode om het fenomeen te meten, waardoor een vage verdenking van greenwashing wordt omgezet in een concrete, op gegevens gebaseerde observatie die door anderen kan worden geverifieerd en verbeterd.