该研究论文通过使用社会情感考量，旨在创建一个数据驱动的 ESG 评估体系，该体系可以通过提供更加平衡的观点和更系统化的评分来为公司提供更好的指导，从而帮助公司创建更具针对性和有影响力的倡议。使用基于 Python 的网络爬虫从维基百科、推特、领英和谷歌新闻中收集数据，然后通过自然语言处理算法对 ESG 子类别进行情感评分。然后使用这些特征，训练和校准机器学习算法以测试其预测能力，其中最强大的模型是随机森林模型，其平均绝对误差为 13.4％，相关性为 26.1％（p 值为 0.0372），显示出令人鼓舞的结果。总的来说，跨子类别测量 ESG 社会情感可以帮助高管将努力集中在人们最关注的领域。此外，这种数据驱动方法可以为没有覆盖范围的公司提供评级，从而使更多具有社会责任感的公司得以发展。

Sep, 2023

本文研究了基于自然语言处理技术对 ESG 文本进行分类的方法，通过对 BERT 模型进行细调，建立了一个 ESG 领域专用的预训练模型，并在环境类别的分类任务中取得了优于原 BERT 模型和基准模型的准确率。

Mar, 2022

我们创建了 ESG-FTSE 语料库，其中包含了带有 ESG 相关标注的新闻文章。我们开创了 ESG 标注方案，并进行了相关实验，证明该语料库可以用于准确的 ESG 预测。

May, 2024

本文基于机器学习算法，通过将 ESG 特征与金融绩效进行非线性关联，找出了一种有效的股票筛选方法，其能力超越传统的 ESG 评分筛选方法，揭示了 ESG 特征与金融经济之间的链接及股票筛选的新思路，证明了只有机器学习这样某些非线性的技术才能挖掘企业 ESG 的 Alpha。

Feb, 2020

该研究探究了如何通过提示、思维链推理和动态上下文学习等策略，引导 GPT-4 等先进语言模型与未知的环境、社会和治理（ESG）评估准则保持一致，展示了语言模型在金融下游任务中的潜力和培训免费解决方案的机会。

Mar, 2024

本文提出的优化黑盒方法使用贝叶斯优化算法（Bayesian optimization，BO）来最大化遵循 ESG 标准的股票投资组合的表现，以此来平衡回报和风险。

Feb, 2023

该研究旨在通过分析关键词的变化，揭示全球市场中企业 ESG 主题的变化，并基于这些分析结果构建一个 ESG 战略模型。通过分析技术公司的 21 世纪 ESG 报告，研究发现 ESG 主题近年来在不断演变。

Sep, 2023

本研究通过比较人工与机器在 ESG 相关情感测量方面的表现，选取 150 条推特进行情感分类，并建立一个基准数据集用于评估不同机器方法（包括字典方法和多种语言模型方法）的性能。

Feb, 2024

通过使用 “无结构核心库” 将 ESG 报告转化为结构化、可分析的格式，该研究引入了一种创新的方法，强调其处理不同数据类型（包括文本、图像和表格）的能力，从而实现对企业治理和可持续性分析中先进 NLP 技术和大型语言模型的应用。

Jan, 2024

Trading Central Labs 和 La Rochelle 大学的 L3i 实验室在 ESG 领域上的合作中，基于预训练的 BERT 和 RoBERTa 模型，提出了对 Fortia ESG 分类体系的新条目和 ESG 相关句子的分类方法。该方法在两个子任务中均取得了显著的性能提升，并跻身最佳系统之一。

Jul, 2022