موضوع : متن کامل پایان نامه انگلیسی : تسریع در ارزیابی گزارش پایداری مسئولیت اجتماعی با پردازش زبان طبیعی (NLP)
رشته :مدیریت – علوم اجتماعی – کامپیوتر برنامه نویسی – هوش مصنوعی نرم افزار سخت افزار فناوری اطلاعات
سال انتشار : 2021
زبان : انگلیسی
مقطع : دکترا
چکیده (ترجمه ماشینی ) :
انتظار می‌رود شرکت‌ها در مورد تأثیر پایداری خود شفاف باشند و ذینفعان خود را در مورد میزان تأثیر بر محیط‌زیست و همچنین کار خود برای کاهش تأثیر مورد نظر مطلع کنند. شفافیت در گزارش پایداری، معمولاً داوطلبانه، علاوه بر گزارش مالی مورد نیاز، به حساب می‌آید. با مقررات جدید برای گزارش اجباری پایداری در سوئد، دستورالعمل‌های جامع و کاملی که شرکت‌ها باید از آنها پیروی کنند کافی نیست و گزارش‌ها معمولاً گسترده هستند. بنابراین ارزیابی گزارش ها از نظر اینکه گزارش چقدر خوب انجام شده است، دشوار است. شبکه بلوغ گزارش دهی پایداری (SRMG) یک ابزار ارزیابی است که توسط کوستر و همکاران معرفی شده است. (2020) برای ارزیابی کیفیت گزارشگری پایداری استفاده می شود. امروزه، ارزیابی به صورت دستی انجام می شود که ثابت شده است که هم زمان بر است و هم ارزیابی های متفاوتی را به همراه دارد که تحت تأثیر تفسیر فردی از محتوا قرار دارد. این پایان نامه به بررسی این موضوع می پردازد که چگونه زمان ارزیابی و درجه بندی با SRMG را می توان با استفاده از پردازش زبان طبیعی (NLP) بر روی اسناد پایداری بهبود بخشید، که منجر به یک روش ارزیابی فشرده – نمونه اولیه می شود. نمونه اولیه قصد دارد فرآیند ارزیابی را تسهیل و سرعت بخشد. اولین قدم برای توسعه نمونه اولیه تصمیم گیری در مورد کدام یک از سه مدل یادگیری ماشین بود. ساده‌ترین بیز (NB)، ماشین‌های بردار پشتیبان (SVM)، یا نمایش‌های رمزگذار دوطرفه ترانسفورماتورها (BERT)، مناسب‌ترین هستند. این تصمیم با تجزیه و تحلیل دقت برای هر مدل و برای معیارهای مربوطه در SRMG پشتیبانی شد، جایی که BERT توانایی طبقه‌بندی قوی با دقت متوسط 96.8٪ را اثبات کرد. نتایج ارزیابی کاربر از نمونه اولیه نشان داد که زمان ارزیابی را می توان با استفاده از نمونه اولیه به نصف کاهش داد، با میانگین اولیه 40 دقیقه به 20 دقیقه کاهش یافت. با این حال، نتایج بیشتر نشان دهنده کاهش میانگین نمره و افزایش تنوع در ارزیابی بود. نتایج نشان می‌دهد که استفاده از NLP می‌تواند موفقیت‌آمیز باشد، اما برای به دست آوردن یک نمونه اولیه رقابتی‌تر، باید یک مجموعه داده ظریف‌تر ایجاد شود که فضای بیشتری را برای مدل برای شناسایی الگوها در داده‌ها فراهم کند.
