論文の概要: Leveraging Language Models to Detect Greenwashing

• arxiv url: http://arxiv.org/abs/2311.01469v2
• Date: Sun, 24 Nov 2024 09:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:17:02.469775
• Title: Leveraging Language Models to Detect Greenwashing
• Title（参考訳）: グリーンウォッシングの検出に言語モデルを活用する
• Authors: Avalon Vinella, Margaret Capetz, Rebecca Pattichis, Christina Chance, Reshmi Ghosh, Kai-Wei Chang,
• Abstract要約: 本稿では,グリーンウォッシングリスクを考慮に入れたラベルに基づいて,言語モデルを学習するための新たな予備的手法を提案する。 我々の最良のモデルは平均精度スコア86.34%、F1スコア0.67を達成し、概念実証手法が探索の有望な方向を示すことを示した。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License:
• Abstract: In recent years, climate change repercussions have increasingly captured public interest. Consequently, corporations are emphasizing their environmental efforts in sustainability reports to bolster their public image. Yet, the absence of stringent regulations in review of such reports allows potential greenwashing. In this study, we introduce a novel preliminary methodology to train a language model on generated labels for greenwashing risk. Our primary contributions encompass: developing a preliminary mathematical formulation to quantify greenwashing risk, a fine-tuned ClimateBERT model for this problem, and a comparative analysis of results. On a test set comprising of sustainability reports, our best model achieved an average accuracy score of 86.34% and F1 score of 0.67, demonstrating that our proof-of-concept methodology shows a promising direction of exploration for this task.
• Abstract（参考訳）: 近年、気候変動の弾圧が大衆の関心を惹きつけている。 その結果、企業は公的なイメージを強化するために持続可能性レポートへの環境取り組みを強調している。 しかし、このような報告を精査する厳格な規制が欠如しているため、温暖化の可能性がある。 そこで本研究では,グリーンウォッシングリスクを抑えるために,生成ラベル上で言語モデルを学習するための新たな予備的手法を提案する。 本研究の主な貢献は,緑化リスクを定量化するための予備的な数学的定式化,この問題に対する微調整式CurrentBERTモデル,結果の比較分析である。 持続可能性レポートからなるテストセットでは, 平均精度スコアが86.34%, F1スコアが0.67であった。

関連論文リスト

• Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
  最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。 我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。 また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:53:18Z)
• EcoVerse: An Annotated Twitter Dataset for Eco-Relevance Classification, Environmental Impact Analysis, and Stance Detection [0.0]
  EcoVerseは、さまざまな環境トピックにまたがる3,023のツイートからなる、英語の注釈付きTwitterデータセットである。 本研究では,環境関連分類,スタンス検出,環境影響分析のための独自のアプローチの導入を目的とした3段階のアノテーションスキームを提案する。
  論文  参考訳（メタデータ） (2024-04-08T01:21:11Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
  6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。 このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
  論文  参考訳（メタデータ） (2023-06-06T16:16:05Z)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)
• Analysis of Biomass Sustainability Indicators from a Machine Learning Perspective [4.129067364486898]
  本研究では,機械学習モデルを用いてサステナビリティ指標を解析し,バイオマスのサステナビリティ予測のためのロバストモデルを提案する。 10種類の機械学習モデルを用いて, バイオマス持続可能性指標, 土壌浸食因子, 土壌条件指標, 有機物因子を推定した。 その結果,サステナビリティ指標を評価する上では,ランダムフォレストが最も優れたモデルであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-02T02:31:42Z)
• Environmental Claim Detection [6.2887102994549595]
  本稿では,環境クレーム検出の課題を紹介する。 専門家による注釈付きデータセットと、このデータセットでトレーニングされたモデルをリリースします。 2015年のパリ協定以降、環境要求件数は着実に増加していることが判明した。
  論文  参考訳（メタデータ） (2022-09-01T14:51:07Z)
• Analyzing Sustainability Reports Using Natural Language Processing [68.8204255655161]
  近年、企業は環境への影響を緩和し、気候変動の状況に適応することを目指している。 これは、環境・社会・ガバナンス(ESG)の傘下にある様々な種類の気候リスクと暴露を網羅する、ますます徹底した報告を通じて報告されている。 本稿では,本稿で開発したツールと方法論について紹介する。
  論文  参考訳（メタデータ） (2020-11-03T21:22:42Z)
• Crop Yield Prediction Integrating Genotype and Weather Variables Using Deep Learning [8.786816847837976]
  我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。 我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。 異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
  論文  参考訳（メタデータ） (2020-06-24T16:20:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。