ESG 情绪分析:人工与语言模型性能比较,包括 GPT
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
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
本研究利用 BERT 语言模型探索了多种策略,用于准确分类新闻文档至 35 个不同的 ESG 问题类别,结果显示 RoBERTa 分类器在英文测试数据集中位居第二,并在法语测试数据集中与其他模型并列第五,此外,我们针对中文设计的基于 SVM 的二元模型在测试数据集中展现了优异的性能,位居第二。
Sep, 2023
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
本文研究使用多种技术手段和模型,实现在英文和法语子任务中以高精度识别新闻文章中的 ESG 问题,并获得优异的表现。结果突显了应用先进的语言模型技术在获取跨语言 ESG 问题方面的潜力。
Jun, 2023
分析社交媒体数据,使用 PMI 算法识别情感并探索环境推文中的主导情绪,发现消极的环境推文比积极或中性的推文更为普遍,重点讨论气候变化、空气质量、排放、塑料和回收等话题,以及恐惧、信任和期待是环境推文中最常见的情绪,旨在提供洞察以提高环境问题的意识,推动干预措施的发展并应对环境挑战。
Dec, 2023
本文使用多种技术,如基于词典的、机器学习和深度学习方法,对社交媒体上的评论数据进行情感分析,并提供了比较分析结果。在本研究中,我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。
Dec, 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
OpenAI 的 GPT-3.5-turbo 和 GPT-4 等最先进的语言模型在人工智能领域提供了自动化复杂任务的前所未有的机会。本研究将这些模型的能力应用于韩国背景下企业信息披露的语义分析,尤其关注韩国 KOSPI 上市的市值前 50 家公司的月度披露摘要。通过将每个摘要分配到 1(非常负面)到 5(非常正面)的情感评分,以人工专家所生成的评分与语言模型生成的评分进行对比,研究发现了 GPT-3.5-turbo 和 GPT-4 之间明显的性能差异,后者在人工评价测试中表现出了显著的准确性。Spearman 相关系数为 0.61,简单一致性率为 0.82。该研究为 GPT 模型的评估特性提供了宝贵的见解,为自动语义监控领域的未来创新奠定了基础。
Sep, 2023