Yazarlar:  (1) Aarav Patel, Amity Bölge Lisesi – e-posta: aarav.dhp@gmail.com;  (2) Peter Gloor, Kolektif Zeka Merkezi, Massachusetts Teknoloji Enstitüsü ve Sorumlu yazar – e-posta: pgloor@mit.edu.  Bağlantı Tablosu   Özet ve Giriş   İlgili Çalışmalar   Amaç   Yöntemler   Sonuçlar   Tartışma   Sonuç ve Kaynakça  2. İlgili Çalışmalar  Mevcut ÇSY ile ilgili araştırmalar iki ana kategoriye ayrılmaktadır. Bazı makaleler ESG performansını finansal performansla ilişkilendirmeyi ve bir şirketin Kurumsal Sosyal Sorumluluğunun (CSR) gelecekteki hisse senedi performansını tahmin etmek için kullanılıp kullanılamayacağını görmeyi amaçlamaktadır (Jain ve diğerleri, 2019). Diğer makaleler, mevcut yanlışlıkları/verimsizlikleri önlemek için ESG derecelendirme ölçümünü geliştirmek ve otomatikleştirmek için yeni veri odaklı yöntemler önermektedir (Hisano ve diğerleri, 2020; Krappel ve diğerleri, 2021; Liao ve diğerleri, 2017; Lin ve diğerleri, 2018; Shahi ve diğerleri, 2011; Sokolov ve diğerleri, 2021; Venturelli ve diğerleri, 2017; Bu makale ikinci kategoriye girecektir.  Pek çok firma yıllık olarak sürdürülebilirlik raporu yayınladığından pek çok araştırmacı bu içeriği analiz amacıyla kullanıyor. Bu genellikle ESG konularını ve eğilimlerini belirlemek için metin madenciliği kullanılarak yapılır. Bu verileri ayrıştırmak ve kullanmak için araştırmacılar, cümleleri/paragrafları çeşitli ESG alt boyutlarına sınıflandırabilen sınıflandırma modelleri oluşturmuşlardır (Liao vd., 2017; Lin vd., 2018). Ek olarak, bazı araştırmacılar sürdürülebilirlik raporlarının eksiksizliğini analiz etmek için bu metin sınıflandırma algoritmalarını kullanmıştır (Shahi vd., 2011). Bunun nedeni, şirketlerin bazen başvurularında olumsuz ÇSY yönlerine ilişkin açıklamaları sınırlandırmasıdır. Her iki araç da şirket başvurularını kullanarak otomatik ESG puanlamasına yardımcı olabilir ve bu da ESG kapsamına sahip olmayan şirketlerin erişimini artırır.  Ancak, atlanan verileri veya daha yeni gelişmeleri dikkate almadığından, analiz için yalnızca kendi kendine bildirilen başvurulara güvenmenin eksiklikleri vardır. Sonuç olarak araştırmacılar bunu çözmek için alternatif yöntemler deniyorlar. Örneğin, bazı araştırmacılar Bulanık Uzman Sistemini (FES) veya Bulanık Analitik Ağ Sürecini (FANP) kullanarak niceliksel göstergelerden (yani, Küresel Raporlama Girişimi tarafından sağlanan ölçümler) ve anketlerden/görüşmelerden niteliksel özelliklerden veri çekiyor (Venturelli ve ark. 2012). 2017; Wicher ve diğerleri, 2019). Diğerleri ise bir şirketin sürdürülebilirlik profilini analiz etmek için Twitter gibi çevrimiçi sosyal ağlardan veri topladı. Örneğin bazıları, Tweetleri çeşitli ESG konularına göre sınıflandırmak ve bunların olumlu mu yoksa olumsuz mu olduğunu belirlemek için Doğal Dil İşleme (NLP) çerçevelerini kullandı (Sokolov ve diğerleri, 2021). Ayrıca bazıları, çeşitli olumsuz haber veri kümelerinden verileri birleştiren ve ESG'yi tahmin etmek için makine öğrenimini kullanan heterojen bilgi ağlarını kullandı (Hisano ve diğerleri, 2020). Son olarak diğerleri, ESG'yi tahmin etmek için bir şirketin profili ve finansal bilgiler gibi temel verileri kullanmanın uygulanabilirliğini araştırdı (Krappel ve diğerleri, 2021). Genel olarak, tüm bu yöntemler daha dengeli, tarafsız ve gerçek zamanlı veriler kullanarak kişisel olarak bildirilen başvuruları iyileştirmeyi amaçlıyordu.  Bu makale   . arxiv'de CC BY-NC-ND 4.0 DEED lisansı altında mevcuttur

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

carbonization

Bu ses hikayenin orijinal dilinde üretilmiştir!

Sistematik ÇSY Puanlama Sistemi Oluşturma: İlgili Çalışmalar

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

AI/ML Datalake için Referans Mimarisi Oluşturmaya Yönelik Mimar Kılavuzu

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

HackerNoon Yazma Yarışmasını mı Kazanmak İstiyorsunuz? İşte #crypto-api Yarışması Kazananlarının Önerileri

Forumlardan Feed'lere: Sosyal Medya Algoritmaları Dijital Etkileşimi Nasıl Şekillendiriyor

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps