Forschungsfrage
Die Sustainable Development Goals (SDGs) sind die zentralen Leitlinien hin zu einer nachhaltigen Entwicklung. Wie lässt sich feststellen, wie weit die Ziele angewendet werden? Am CEPS haben wir dafür ein Tool entwickelt, mit dem man analysieren kann, ob und wenn ja auf welche SDGs sich ein Text bezieht. Basierend auf dem Zweck oder Jahresbericht einer Organisation lässt sich somit analysieren, ob eine Organisation in einem gewissen SDG aktiv ist.

Rolle von KI
Stichwortlisten sind eine gängige Methode, um zu messen, ob sich ein Text auf SDGs bezieht. Kommen zum Beispiel die Wörter «Armut» und «lindern» in einem Text vor, wird dieser Text SDG-1 (keine Armut) zugewiesen. Es existieren einige solcher durch ExpertInnen generierte Stichwortlisten. Das Problem dieser Listen ist, dass sie subjektiv sind und zu ziemlich unterschiedlichen Ergebnisse führen. So kommt man je nach verwendeter Liste zu unterschiedlichen Resultaten. Um dem entgegenzuwirken und die Methode objektiver und genauer zu machen, haben wir haben einen machine learning Algorithmus trainiert, welcher die Vorhersagen der unterschiedlichen Listen optimal kombiniert.

Resultate
Durch Anwendung von machine learning erreicht dieses Modell eine höhere Genauigkeit und eine geringere Subjektivität («bias») als die einzelnen Stichwortlisten. Das Modell haben wir in einem open-source R Packet (https://www.text2sdg.io) veröffentlicht und es wird schon aktiv für Forschung verwendet.

Publikationen

• Meier, D. S. (2023). The evolution of SDG-related third sector and public administration literature: an analysis and call for more SDG-related research. Sustainability: Science, Practice and Policy, 19 (1): https://doi.org/10.1080/15487733.2023.2236501.
• Wulff, D. U./ Meier, D. S./ Mata, R. (2023). Using novel data and ensemble models to improve automated labeling of Sustainable Development Goals. arXiv preprint arXiv:2301.11353.
• Meier, D. S./ Mata, R./ Wulff, D. U. (2021). Text2sdg: An open-source solution to monitoring sustainable development goals from text. arXiv preprint: https://arxiv.org/abs/2110.05856.