Jakob, Charlott., Schmitt, Vera, Mohtaj, Salar, Möller, Sebastian
In dieser Arbeit wurden verschiedene auf Transformer-Modellen basierende Klassifikatoren auf einen neuen Datensatz von Nachhaltigkeitsberichten trainiert, um Beiträge zu den SDGs automatisiert zu erkennen. Dabei wurde ein innovativer Ansatz verfolgt, bei dem die von Unternehmen selbst in Berichten verwendeten SDG-Icons als Label genutzt wurden. Es wurde untersucht, inwiefern sich die Generalisierbarkeit der Modelle durch eine größere Vielfalt an Berichten verbessern lässt.
Der Longformer als bestes Model, erzielte bei der Zuweisung der 17 möglichen SDGs einem F0.5-Score von 0.65. Auch konnte durch Threshold-Optimierung und gezielte Regularisierung die Präzision der Modelle verbessert werden. Hervorzuheben ist, dass selbst ohne manuelle Ground-Truth-Annotationen eine zuverlässige Identifikation von SDG-Beiträgen aus Unternehmenssicht möglich ist. Der Einsatz unternehmenseigener SDG-Zuordnungen erwies sich als praktikabler Ausgangspunkt zur Erkennung nachhaltigkeitsrelevanter Inhalte.
Die Publikation schildert die Erfahrungen aus dem Projekt ateSDG.
