Este estudio aprovecha técnicas de inteligencia artificial explicables (XAI) para analizar el sentimiento público hacia factores ambientales, sociales y de gobernanza (ESG), el cambio climático y las finanzas verdes. Lo hace desarrollando un novedoso marco de aprendizaje multitarea que combina análisis de sentimiento basado en aspectos, resolución de correferencias y aprendizaje contrastivo para extraer percepciones matizadas de un gran corpus de datos de redes sociales. Nuestro enfoque integra modelos de vanguardia, incluida la API de SenticNet, para el análisis de sentimientos e implementa múltiples métodos XAI como LIME, SHAP y la Importancia de Permutación para mejorar la interpretabilidad. Los resultados revelan un sentimiento predominantemente positivo hacia temas ambientales, con variaciones notables en las categorías ESG. La visualización del aprendizaje contrastivo muestra agrupaciones de sentimientos claras al tiempo que destaca áreas de incertidumbre. Esta investigación contribuye al campo al proporcionar un sistema de IA interpretable y confiable para el análisis de sentimiento ESG, ofreciendo información valiosa para los responsables políticos y las partes interesadas comerciales que navegan por el complejo panorama de las finanzas sostenibles y la acción climática.