Stylometric Analysis of Sustainability Reporting in US & European B Corps

Thesis title: Stylometric Analysis of Sustainability Reporting in US & European B Corps
Author: Müllerová, Alexandra
Thesis type: Bachelor thesis
Supervisor: Vencovský, Filip
Opponents: Houska, Daniel
Thesis language: English
Abstract:
As sustainability reporting becomes increasingly widespread, concerns about the authenticity of corporate environmental and social claims have grown alongside it. Greenwashing, understood as the misrepresentation of a company's sustainability performance, is difficult to prove directly. Existing detection approaches range from quantitative index construction to complex NLP-based methods. This thesis explores whether stylometry, a discipline that treats writing style as a set of measurable quantitative parameters, can serve as a surface-level proxy for distinguishing sustainability reports across two dimensions: B Corp certification status and geographic origin (EU vs. US) within the food and beverage industry. A dataset of 40 sustainability reports was collected, comprising ten reports per subgroup: EU B Corps, EU non-B Corps, US B Corps, and US non-B Corps. A preprocessing pipeline was constructed, consisting of PyMuPDF-based text extraction, rule-based cleaning, and LLM-assisted filtering using the gemma3:27b-it-qat model to retain only narrative prose. Six stylometric markers were computed for each report: truncated passive voice ratio, active past ratio, committed future ratio, sentence-level lexical repetitiveness, hedging term density, and text complexity as measured by the Gunning Fog index. Group differences were evaluated using permutation tests, measuring the differences in medians. For the false discovery rate correction, the Benjamini-Hochberg correction was applied separately within each hypothesis family. Before correction, four comparisons reached conventional significance: passive voice use in both regional comparisons, active past use among B Corp certified companies, and readability among US-based companies, with the regional comparisons producing large effect sizes. After FDR correction, two findings were retained: passive voice use and active past use, both among certified companies comparing EU and US groups. These patterns suggest that regional reporting culture, potentially shaped by differences in regulatory context between the EU and the US, accounts for the most pronounced stylometric variation in this sample, rather than certification status. No statistically significant stylometric differences were detected between B Corp-certified and non-certified companies after correction, suggesting that certification may shape the content of sustainability disclosures without systematically altering their linguistic form. Overall, the results caution against treating individual stylometric markers as standalone indicators of greenwashing risk. They may, however, serve as useful contextual signals when combined with claim-level verification or quantitative ESG data.
Keywords: Stylometry; Sustainability reporting; Stylometric features; Natural Language Processing; NLP; Corporate sustainability reporting; Communication; Environment; B Corporation; B Corps
Thesis title: Štýlometrická analýza správ o udržateľnosti US a Európskych B Corp spoločností
Author: Müllerová, Alexandra
Thesis type: Bakalářská práce
Supervisor: Vencovský, Filip
Opponents: Houska, Daniel
Thesis language: English
Abstract:
S rozširovaním publikovania správ o udržateľnosti rastú aj obavy o pravdivosti tvrdení týkajúcich sa životného prostredia a sociálnej angažovanosti, ktoré sa v nich nachádzajú. Greenwashing, chápaný ako skresľovanie výkonu týkajúceho sa udržateľnosti firmy, je ťažko priamo dokázateľný. Existujúce prístupy k jeho odhaľovaniu siahajú od konštrukcií kvantitatívnych indexov až po komplexné metódy založené na NLP. Táto práca skúma či štýlometria, disciplína, ktorá k štýlu písania pristupuje ako k merateľným kvatitatívnym parametrom, dokáže slúžiť ako povrché zastúpenie pre rozlišovanie naprieč dvomi dimenziami: B Corp certifikačným statusom a geografickým pôdovodom (EÚ vs. USA) vrámci priemyslu jedla a nápojov. Dataset pozostáva zo 40 správ o udržateľnosti, pozostávajúci z desiatich reportov na podskupinu: EÚ B Corp certifikované, EÚ B Corp necertifikované, USA B Corp certifikované a USA B Corp necertifikované. Postup predprípravy dát spočíval v extrakcii textu využitím PyMuPDF Python knižnice, na pravidlách založenom čistení a LLM-asistovanom filtrovaní využitím modelu gemma3:27b-it-qat na zachovanie výhradne naratívnej prózy. Šesť štýlometrických ukazateľov bolo vypočítaných pre každý report: pomer skráteného trpného rodu, pomer aktívnej minulosti, pomer zaviazanej budúcnosti, lexikálna repetitívnosť na úrovni viet, hustota relativizácie v jazyku a čitateľnosť počítaná Gunning Fog indexom. Rozdiely medzi skupinami boli ohodnotené využitím permutačných testov, pričom testovaná štatistika predstavovala rozdiely mediánov. Na korekciu miery falošnej pozitivity bola použitá Benjamini-Hochberg procedúra samostatne na každú rodinu hypotéz. Pred korekciou dosiahli štyri porovnania hodnoty konvenčnej štatistickej významnosti: trpný rod v oboch regionálnych porovnaniach, použitie aktívnej minulosti medzi B Corp certifikovanými firmami a čitateľnosť medzi firmami sídliacimi v Spojených štátoch amerických, pričom regionálne pozorovania vyprodukovali veľké veľkosti efektov. Po FDR korekcii zostali dve z týchto porovnaní štatisticky významné: trpný rod a aktívna minulosť, obe vrámci porovnaní certifikovaných firiem. Tieto vzorce naznačujú, že regionálne kultúry reportingu, potenciálne tvarované rozdielmi v regulatórnych kontextoch medzi EÚ a USA, vysvetľujú najvýraznejšie odchýlky v štýlometrii v tejto vzorke viac ako certifikácie. V porovnaniach založených na certifikovanosti neboli zistené žiadne štatisticky významné štýlometrické rozdiely po korekcii, čo naznačuje, že certifikácia môže viac ovplyvňovať obsah zverejnených informácií o udržateľnosti ako jazykový štýl, akým sú tieto informácie napísané. Celkovo výsledky tejto práce varujú pred považovaním jednotlivých štylometrických ukazateľov za samostatné indikátory rizika greenwashingu. V kombinácii s overenými tvrdeniami alebo kvantitatívnymi ESG údajmi však môžu slúžiť ako užitočné kontextové signály.
Keywords: Štýlometria; Reporting udržateľnosti; ESG reporting; Štýlometrické znaky; Spracovanie prirodzeného jazyka; NLP; Komunikácia; Životné prostredie; B Corp; Certifikovaný korporát; Správa o udržateľnosti

Information about study

Study programme: Data Analytics
Type of study programme: Bakalářský studijní program
Assigned degree: Bc.
Institutions assigning academic degree: Vysoká škola ekonomická v Praze
Faculty: Faculty of Informatics and Statistics
Department: Department of Information Technologies

Information on submission and defense

Date of assignment: 1. 9. 2025
Date of submission: 11. 5. 2026
Date of defense: 16. 6. 2026
Identifier in the InSIS system: https://insis.vse.cz/zp/95031/podrobnosti

Files for download

    Last update: