ESG 情绪分析：人工与语言模型性能比较，包括 GPT
内容提要
该文综述多项研究，探讨利用自然语言处理与机器学习评估ESG，方法包括网络爬虫、情感评分、BERT与RoBERTa分类、GPT语义分析及集成模型预测评级。结果显示随机森林等模型具预测力，社交媒体负面情绪居多，先进语言模型可提升跨语言ESG识别与披露分析的准确性。
延伸解读
数据驱动ESG评估的实践价值
文章指出，通过社交媒体等非传统数据源进行情感分析，可以构建更平衡、系统化的ESG评估体系。这种方法能帮助公司将资源集中在公众最关注的领域，并为缺乏覆盖的公司提供评级，从而促进更多社会责任型企业的发展。
语言模型在ESG文本分类中的进展
多项研究表明，基于BERT、RoBERTa等预训练语言模型对ESG文本进行分类，在环境类别等任务中取得了优于基准的准确率。跨语言实验也显示，先进模型能有效识别英文和法文新闻中的ESG问题，展现了跨语言应用的潜力。
社交媒体情绪与GPT模型的表现
对社交媒体数据的分析发现，环境相关推文中负面情绪比积极或中性更普遍，常见情绪包括恐惧、信任和期待。在韩语披露摘要的情感评分任务中，GPT-4与人工评分的一致性较高，Spearman相关系数为0.61，简单一致率为0.82，显示出大语言模型在语义分析中的潜力。
机器学习预测ESG评级的探索
研究尝试使用随机森林、CatBoost、XGBoost等机器学习模型预测ESG评级。其中随机森林模型表现最佳，平均绝对误差为13.4%，相关性为26.1%（p值0.0372），表明基于基本面数据预测评级具有可行性，可降低成本并提高可扩展性。
Q&A
ESG情绪分析中，哪些机器学习模型被证明具有预测能力？
随机森林模型表现最强大，平均绝对误差为13.4%，相关性为26.1%（p值为0.0372）。此外，前馈神经网络、CatBoost和XGBoost的异构集成模型也能预测ESG评级。
GPT模型在ESG情绪分析中的表现如何？
GPT-3.5-turbo和GPT-4在韩国企业披露语义分析中，GPT-4在人工评价测试中表现出显著准确性，Spearman相关系数为0.61，简单一致性率为0.82。
社交媒体上的环境情绪主要呈现什么趋势？
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，恐惧、信任和期待是最常见的情绪。
有哪些自然语言处理技术被用于ESG文本分类？
包括对BERT模型进行细调建立ESG领域专用预训练模型，使用RoBERTa分类器，以及基于SVM的二元模型用于中文，这些方法在分类任务中取得了优于基准的准确率。
数据驱动的ESG评估体系如何帮助公司？
该体系通过提供更平衡的观点和系统化评分，帮助公司创建更具针对性和有影响力的倡议，使高管能将努力集中在人们最关注的领域，并为没有覆盖范围的公司提供评级。
在ESG情感分析中，使用了哪些数据收集方法？
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。
