Bewertung von Unternehmensklima-Verpflichtungen

Wir haben ein grosses Problem: die Klimakrise. Unternehmen stehen unter Druck zu zeigen, dass sie sich um die Umwelt kümmern. Sie sagen, sie wollen die Treibhausgasemissionen reduzieren, aber manche reden viel, ohne wirklich viel zu tun. Hier kommen wir ins Spiel. Wir wollen herausfinden, ob Firmen wirklich hinter ihren Emissionszielen stehen oder uns nur hinhalten.

#Die Herausforderung

Echte Emissionsziele in Unternehmensberichten zu erkennen, ist kein Zuckerschlecken. Es geht nicht nur darum, zu lesen, was ein Unternehmen behauptet; manchmal machen sie vage Versprechen, die gut aussehen, aber wenig bedeuten. Zum Beispiel könnten sie sagen: „Wir wollen grüner werden!“ und dabei vergessen zu erwähnen, wann oder wie.

Analysten müssen durch einen Berg von Dokumenten wie Jahresberichten und Nachhaltigkeitsberichten wühlen, um echte Verpflichtungen zu finden. Dieser Prozess kann mühsam sein, wie eine Nadel im Heuhaufen zu suchen. Klare, konkrete Emissionsziele zu identifizieren, fühlt sich an, als wollte man Rauch mit blossen Händen fangen.

#Die Bedeutung von Emissionszielen

Warum sich also überhaupt mit diesen Zielen beschäftigen? Nun, der Planet braucht unser ernsthaftes Engagement. Ziel ist es, die Menge an Treibhausgasen, die wir ausstossen, mit der Menge, die wir aus der Atmosphäre entfernen können, ins Gleichgewicht zu bringen. Das wird oft als "Netto Null" bezeichnet. Richtlinien, wie die der Europäischen Union, lenken Finanzinvestitionen auf Unternehmen, die es ernst meinen mit ihren Emissionszielen. Wenn Firmen nicht zeigen können, dass sie Fortschritte machen, könnten sie Investoren verlieren. Und mal ehrlich, niemand möchte aussen vor bleiben, während der Rest der Welt versucht, den Planeten zu retten.

#Die Rolle grosser Sprachmodelle

Um diese herausfordernde Aufgabe zu erleichtern, setzen wir auf Technologie. Grosse Sprachmodelle (LLMs) sind an vorderster Front in diesem Kampf. Diese smarten Systeme können Texte lesen und interpretieren, wodurch Analysten erkennen können, ob Berichte echte Emissionszusagen enthalten.

Wenn wir diese Modelle mit spezifischen Eingaben und ein paar Beispielen füttern, helfen sie uns herauszufinden, ob ein Abschnitt diesen goldenen Informationsnugget hat: ein solides Emissionsziel. Wenn sie es richtig machen, super! Wenn nicht, passen die Analysten das Modell an, und mit jeder Korrektur wird das Modell ein bisschen besser.

#Expertenwissen und Lernen

Wir haben ein paar Tricks in der Hinterhand, um diesen Modellen beim Lernen zu helfen. Ein Ansatz ist, ihnen ein paar Beispiele zu geben, die zeigen, wie ein solides Emissionsziel aussieht. Das nennt man Few-Shot-Learning. Denk daran, wie einem Schüler einige Beispiel-Fragen vor einer grossen Prüfung gegeben werden.

Die andere Methode ist das automatische Prompt-Design. Dabei überprüft das Modell seine eigenen Vorhersagen und findet heraus, wo es falsch lag. Es ist wie ein Kind, das aus seinen Fehlern lernt, aber ohne den gleichen Mist auf den Boden zu machen.

#Strategien vergleichen

In unserem Wissensdrang haben wir zwei Hauptstrategien verglichen. Die erste, die Auswahl von Few-Shot-Beispielen, besteht darin, ein paar gute Beispiele auszuwählen, um das Modell zu leiten. Die zweite, das automatische Prompt-Design, ermöglicht dem Modell, seine eigenen Anweisungen basierend auf dem, was es im Laufe des Prozesses lernt, zu verfeinern.

Wir haben einen Datensatz von 769 klimaspezifischen Abschnitten aus echten Unternehmensberichten untersucht. Und rate mal? Wir haben herausgefunden, dass es oft zu besseren Ergebnissen führt, das Modell seine eigenen Eingaben entwerfen zu lassen. Es ist wie Schüler, die ihre eigenen Prüfungsfragen schreiben — manchmal wissen sie einfach, was das Beste ist.

#Die Ergebnisse

In unserer Forschung haben wir einige interessante Ergebnisse entdeckt. Wenn es darum geht, Emissionsziele zu erkennen, schneidet das automatische Prompt-Design tendenziell besser ab, als sich nur auf ein paar Beispiele zu verlassen. Obwohl der Ansatz mit Few-Shot-Beispielen immer noch nützlich ist, kommt er nicht mit dem Modell mit, wenn es lernt und seine Anweisungen anpasst.

Die Ergebnisse zeigen, dass die Fähigkeit, Eingaben basierend auf Feedback zu verfeinern, zu einem genaueren Verständnis der Aufgabe führt. Das bedeutet ehrlichere Berichterstattung von Unternehmen, bessere Überwachung ihrer Verpflichtungen und letztendlich eine stärkere Haltung gegen den Klimawandel.

#Die nächsten Schritte

Mit unseren Ergebnissen im Hinterkopf schauen wir nach vorn. Wir planen, mit weiteren Modellen zu experimentieren, vielleicht sogar solchen mit Open-Source-Zugriff, sodass andere sich anschliessen können. Wir wollen auch unsere Methoden auf andere nachhaltigkeitorientierte Aufgaben anwenden, wie die Analyse von Emissionsdaten, die in Tabellen präsentiert werden.

Und für die, die es weiterdenken wollen, könnten wir erkunden, wie Experten und LLMs zusammenarbeiten könnten, um Anweisungen zu erstellen, die die Erkennung noch weiter verbessern.

#Fazit

Das Erkennen von Emissionszielen in Unternehmensberichten ist entscheidend, um Fortschritte im Kampf gegen den Klimawandel zu verfolgen. Mit Hilfe fortschrittlicher Technologie machen wir Fortschritte, um sicherzustellen, dass Unternehmen, wenn sie sagen, dass sie sich um die Umwelt kümmern, es auch wirklich meinen. Wer hätte gedacht, dass ein bisschen Technologie dazu beitragen könnte, den Planeten zu retten? Wenn wir nur auch lernen könnten, den Müll rauszubringen!