【CSR x Data】文字探勘CSR@天下歷年文章

為了觀察台灣近年的CSR發展脈絡，Sustaihub永訊智庫與CSR@天下共同合作，分析平台上1,703篇文章，搭配AI人工智慧及自然語言處理（Natural Language Processing, NLP）技術，進行資料清理、數據轉換、探勘並萃取資訊，解析所有文章的內容脈絡。同時，應用資料視覺化（Data visualization）概念，將龐雜的資料轉化為易於理解的簡明圖表，也幫助讀者回顧過去的經典CSR相關文章。

首先，我們先以最直覺的呈現方式分享文本探勘的結果，也就是文字雲（Word Cloud）。藉由統計分析CSR@天下所有文章的關鍵字詞，越常提到的關鍵字，在文字雲中的字體則越大，顯示出重要關鍵字的程度差異。協助讀者可以在不閱讀所有文章的前提下，快速聚焦在大批文章中的主要探討的議題。

從文字雲中可以觀察到，前十名的字詞為：企業社會責任、永續發展、氣候變遷、社會企業、再生能源、非營利組織、公司治理、天下企業公民獎、社會責任、循環經濟，顯示出CSR@天下的文章內文遵循著初衷，探討的議題皆圍繞在CSR與永續發展上。

從中也可以觀察到一些時事字詞，包括新冠肺炎、能源轉型、地方創生、塑膠吸管、大學社會責任等，代表在不同時間點上，CSR@天下的文章探討的主題也有所差異。因此，我們整理出2017年1月至2020年6月，每個月的關鍵字資料，搭配以下的動態橫條圖，可以觀察到各月份探討的主要議題分別是哪些。

以下表單依照每年各季度，整理出CSR@天下主要探討的文章類型。

以上的關鍵字都是透過統計演算法，自動產出的分析結果。由此可見，藉由文本探勘方式，可以有效的觀察出媒體平台、新聞報導或社群網站等，有哪些潛在的議題正在發酵。Sustaihub永訊智庫也將擴大應用文本探勘技術，協助企業可以即時掌握CSR領域的輿情分析，進行潛在風險管理。

為了更精準的呈現CSR@天下的文章類別與熱門程度，我們也分析文章頻道（CSR@天下平台的網站分類）及瀏覽次數等資料，期望瞭解讀者主要有興趣的文章類型是哪些。

CSR@天下的文章頻道分為兩個層次，以環境永續（第一層）為例，底下（第二層）包含減塑減廢、節能減碳、永續生態、循環經濟、環境短訊、再生能源、氣候變遷、綠色金融。藉由層次結構的雷達圖（Radial Hierarchy Diagram），可以很清楚的觀察到各階層之間的關係，而第二層的柱狀體，則代表著該類別下，所有文章的總瀏覽次數。

柱狀體越高，代表該類別越多人瀏覽。因此，在環境永續下最熱門的文章類型是「減塑減廢」、CSR專題則是「愛台灣的外國人」、永續治理是「企業承諾」、社會參與為「公益慈善」、社會責任是「CSR新知」。

此外，也可以從中觀察到在所有第二層的類別中，最多人瀏覽的前三名類別為「減塑減廢」、「名家專欄」、「愛台灣的外國人」。

以下表單整理出2017年至2020年6月的熱門文章：

透過以上列表可以發現熱門文章的類型，主要是專訪（愛台灣的外國人、專題策展）、減塑減廢、企業或國際案例等；在2020年則是因為疫情關係，使新冠肺炎相關的文章成為讀者關注的重點。

以下簡要分享Sustaihub永訊智庫處理文本資料的方式。

應用NLP自然語言處理的主要目的，在於讓電腦擁有理解人類語言的能力，藉以實現各種文本分析的自動化作業，例如：語言翻譯、輿情分析、偵測詐騙郵件、文章分類或摘要大綱等。

在本篇文章中，主要是應用於文本資訊提取，找出每篇文章主要探討的關鍵字議題，方便讀者從大量的文章中快速瞭解主軸內容。這個資料處理過程稱為中文斷詞，也是NLP自然語言處理的關鍵基礎之一。

中文斷詞的目的，是要從一句話裡面拆解出有意義的詞彙。

舉例來說，由電腦對「呼應國際推動永續發展目標的趨勢」這一句話進行斷詞作業：
- 沒有意義的斷詞：呼／應／國／際／推／動／永／續／發／展／目／標／的／趨／勢
 - 有意義的斷詞：呼應／國際／推動／永續發展目標／的／趨勢

透過有意義的斷詞結果，搭配詞性的標注，將語言轉化為電腦容易處理及計算的格式，可以幫助電腦理解更清楚的理解語意。

比較特別的是，以「永續發展目標」為例，這在CSR領域是常用的專有名詞，但在一般的情況下，是可以分開為三個獨立詞彙：永續、發展、目標，因為這些字詞都具備獨立的語意。為了讓電腦自動學習「永續發展目標」是一個專有名詞，以及其他CSR領域的專有名詞，我們應用TF-IDF（Term Frequency - Inverted Document Frequency, 詞頻 - 逆向文件頻率）和Trie Tree（字典樹）來協助判斷。

電腦會不斷的計算詞跟詞之間的前後關係，轉換為特徵向量和機率值。分析完所有的CSR相關文章之後，電腦會發現永續、發展、目標這三個詞，經常排列在ㄧ起，那這就有相對較高的機率是一個專有名詞。

特徵向量如同上圖所示，每一個字詞都會有一組向量矩陣。為了方便視覺呈現，可以把這個向量投射到二維度的平面空間上，即可觀察到詞跟詞之間的「距離」關係。距離越靠近，代表相關性越高。

例如，「溫室氣體」和「排放」經常同時出現在同一句話裡，或排列在前後文，因此經過模型持續訓練後，電腦會不斷校正與更新向量，最後根據詞向量的結果，發現這兩個字詞的距離是比較近的；而「溫室氣體」和「回收」則較少出現在同一句話裡面，所以這兩個字詞之間的距離就相對較遠。

其實，在斷詞過程中，中文資料的處理難度比英文更高。英文有空格將每個字單獨分開，可以很直接的判斷字詞的語意；但是中文的語意會因為斷詞的位置，而產生不同的語意。例如，「在地上等冬粉」，很多人會誤以為是「在／地上／等冬粉」，但實際上卻是「在地／上等／冬粉」；要可以正確的斷詞，並沒有那麼簡單。

因此，需要準備大量的文本資料來持續訓練電腦，透過統計機率的方式，計算詞與詞之間的組合關係，判斷哪些詞彙經常是配對在一起，藉以讓電腦不斷更新CSR領域的字詞庫。把各種可能的詞彙蒐集彙整，確保在進行中文斷詞時，可以更精準且更有意義。

建立CSR領域的字詞庫還有另一個重要目的，我們期望可以讓AI自動判斷一本CSR報告的重大議題，以及符合哪些GRI指標或SDGs永續發展目標，協助利害關係人可以更快速的瞭解企業的永續發展主軸。

然而，若要實現以上想法，首先必須要解決「一義多詞」的問題。

舉例來說，要讓AI判斷CSR報告中是否有呼應SDGs第13項氣候行動的目標時，除了判斷內容是否有提到「氣候行動」之外，「氣候變遷」、「極端氣候」、「溫室氣體管理」、「碳排放」等字詞都跟氣候行動有相關，要如何有效的全面性檢測氣候行動相關的關鍵字，必須要應用AI人工智慧的深度學習技術。

上圖也是詞向量空間的示意圖，不過這個模型裡面的每一個詞向量的維度為250，為了方便視覺呈現與理解，降至3維度（x, y, z軸）的立體空間，裡面每一個點都代表一個字詞。

搜尋「氣候」兩個字詞時，可以看到周邊跟氣候相關的字詞即顯示出來；同時，可以用距離作為篩選依據，距離越大，涵蓋的相關字詞越多，但也相關性也會逐漸降低。

因此，可以透過此演算法篩選出跟「氣候行動」的相關字詞，搭配搜尋引擎的匹配演算法，協助判斷一本CSR報告中，呼應氣候行動的可能性高低。藉以減少初期使用大量人力，逐一檢視每本CSR報告內容中，是否有提及SDGs各項目標的分析成本。

當電腦做完初步的分析之後，即可從大量的CSR報告中，篩選出有呼應SDGs的報告名單，以及各項目標的相對應頁數位置，這時再搭配人力分析方式進行內容的績效評估，才能更有效率的評估企業的永續發展程度。

最後，也預告下一篇分析文章，我們以TCFD（Task Force on Climate-related Financial Disclosures, 氣候相關財務揭露建議報告）為研究標的，分析目前在CSR報告中有揭露TCFD的相關資訊，作為評估導入TCFD依據或產業的參考案例。

文章連結：永訊智庫：AI認證　CSR@天下是最關注永續發展與企業社會責任的內容平台

Powered by Froala Editor