《Systems》：Machine Learning and Data Science for ESG Compliance Measurement in Financial Software Engineering Projects: A Single-Case Socio-Technical Systems Analysis
编辑推荐：
将人工智能（AI）和数据科学整合到组织评估实践中，形成了社会技术系统（socio-technical systems），其中人类评级行为、组织模板、监管压力和分析算法共同决定了可以测量和学习的内容。本单案例研究（single-case study）考察了金融软
将人工智能（AI）和数据科学整合到组织评估实践中，形成了社会技术系统（socio-technical systems），其中人类评级行为、组织模板、监管压力和分析算法共同决定了可以测量和学习的内容。本单案例研究（single-case study）考察了金融软件工程项目中环境、社会与治理（Environmental, Social, and Governance, ESG）合规性的测量，将一家公司的项目评估实践视为一个社会技术系统，并应用开源数据科学和机器学习工作流分析了207个匿名的档案项目记录。相关性分析（correlation analysis）显示，利益相关者评级的社会和治理因素与总体项目得分之间存在近乎一致的关联（r = +0.995 和 +0.966，p < 0.001），而环境因素与得分无关；事后诊断（一个七成分主成分结构、Harman检验、选择性近零同源相关性以及标记变量偏相关）限制了但无法排除基于方法的解释，因此这些系数被解释为该公司评估系统的一个描述性属性，而非有效且不同构念之间关系的估计。探索性机器学习分类器表现较弱——kNN（k-nearest neighbors）为随机水平（AUC = 0.497），SVM（support vector machine）仅略高于无信息基线（准确率61.8%）——这一结果与社会子系统对其生成记录的可学习性施加的限制相一致，尽管技术因素，包括目标变量的二分法、适中的样本量以及模型配置，不能排除作为解释因素；报告了所有变量的描述性统计，并且一项诊断分析通过显示近一致相关性和弱分类性能基于不同的特征集（近冗余的社会和治理评级被排除在分类器之外），调和了二者之间的明显差异。研究结果为社会技术系统中AI驱动的项目级ESG测量提供了概念验证和结构化议程。
本研究从社会技术系统（socio-technical system，指社会与技术支持系统相互依赖的理论框架）分析视角出发，探讨了金融服务领域软件工程项目中环境、社会与治理（ESG）合规性的测量问题。现有研究多聚焦于企业层面的ESG绩效，项目层面的测量存在显著空白，尤其在软件工程领域，机器学习能否从利益相关者生成的组织记录中提取可靠信号尚不明确。研究人员针对一家中等规模计算机服务咨询公司（专门从事金融软件工程）的207个已完成项目匿名档案记录进行单案例研究，应用开源数据科学和机器学习工作流进行分析。研究得出以下结论：社会与治理因素与整体项目得分呈近乎一致的相关（r = +0.995 和 +0.966，p < 0.001），环境因素与得分无关；事后诊断表明这些系数应视为公司评估系统的描述性属性，而非有效构念间的关系；kNN（k-nearest neighbors）分类器表现随机（AUC = 0.497），SVM（support vector machine）仅略高于基线（准确率61.8%），表明社会子系统对数据可学习性的限制。研究为项目级ESG测量提供了概念验证，并扩展了社会技术系统理论到测量设计。论文发表在《Systems》期刊。
主要关键的技术方法包括：1）相关性分析（correlation analysis），计算所有18个变量的Pearson相关系数，揭示变量间关联；2）主成分分析（principal component analysis, PCA），用于降维和双标图（biplot）可视化，展示多维结构；3）构念效度和共同方法偏差（common-method bias）诊断，包括Harman单因子检验（Harman’s single-factor test）、标记变量偏相关（marker-variable partial correlation）等，约束方法解释；4）机器学习分类，采用kNN（k=5，欧氏距离）和SVM（径向基函数RBF核，网格搜索调参），使用分层5折交叉验证和10%留出测试集。样本来源：一家金融软件工程公司的207个已完成项目档案记录，所有项目合同价值超过约100万美元。
研究结果部分：
4.1 描述性统计与全相关性分析：通过描述性统计和18×18相关性矩阵，发现社会与治理因素与项目得分高度相关（r = +0.995 和 +0.966，p < 0.001），而环境因素与得分无关（r = -0.067）。此外，设备可用性与团队互动正相关（r = 0.436），PMO支持与团队互动负相关（r = -0.233）等，揭示了项目管理变量间的复杂关系。
4.2 ESG因素测量：社会因素（产品级透明度和披露）与项目得分近乎一致，治理因素（合规历史与伦理行为）同样高度相关，环境因素仅与结果变量（outcome）和结果变量（result）显著相关（r = 0.214 和 0.155），但与整体得分无关。伦理因素与设备可用性、团队互动和赞助商参与度呈弱正相关，但与得分不显著。
4.3 构念效度与共同方法偏差诊断：通过主成分分析获得七成分结构（解释66.6%方差），Harman检验第一成分解释17.4%方差，低于50%阈值；选择性近零同源相关性和标记变量偏相关（如控制项目持续时间）未显著衰减关键系数。这些诊断排除了全局方法因子，但无法排除社会-治理-得分三角内的局部晕轮效应或准同义反复过程，表明社会、治理和得分构念在经验上近乎冗余。
4.4 探索性机器学习分类：kNN表现随机（AUC = 0.497，MCC = 0.040），SVM仅略高于基线（准确率61.8%，AUC = 0.678，MCC = 0.234）。诊断分析表明，近一致相关性和弱分类性能源于不同特征集：社会与治理评级被排除在分类器之外，剩余特征集仅支持弱分类，与预期一致。
讨论部分总结：从社会技术系统视角，近一致相关系数被解释为公司评估系统的描述性属性，而非有效构念间的关系，可能源于公司内部评价文化、模板设计与同源评级过程。环境因素与得分的非显著关系反映了金融软件工程项目的性质，但环境因素与特定成功维度相关。机器学习弱性能是社会子系统数据生成限制与技术设计因素（如目标变量二分法、小样本）共同作用的结果。研究提出了两个可证伪命题：测量构念的判别结构内生于社会子系统，组织记录的可学习性受测量设计限制。研究结论部分翻译：这项单案例研究以社会技术系统分析视角，调查了金融服务领域软件工程项目中ESG合规性的测量，将公司评估实践视为社会技术系统，应用开源数据科学和机器学习工作流分析了207个档案项目记录。相关性分析显示社会与治理因素与项目得分近乎一致（r = +0.995 和 +0.966），而环境因素与得分无关。这些系数被解释为评估系统的描述性属性，而非有效构念间关系的估计。机器学习检验结果为弱或负，kNN随机水平，SVM仅略高于基线。研究为项目级ESG测量提供了概念验证，并提出了多公司、基于工具的进一步研究议程。对于社会技术系统中的人工智能研究，该案例表明AI应用于组织记录的价值由算法和生成数据的人类系统共同决定。
