Approach to Identify Topics in a Collection of TIM Review Articles and their Changes Over Time
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Topic modeling can help better understand the content of large collections of text. The objective of the research is to develop an approach to identify latent topics in the Technology Innovation Management Review journal (TIM Review) and how topics have evolved using the LDA (Latent Dirichlet Allocation) and DTM (Dynamic Topic Model) algorithms. We applied the two approaches to a collection of TIM Review articles published between 2007 and 2017. We also examined extracted topics, most associated articles, topic labeling, topic/theme trends, and word trends produced by both approaches and identified the value of each approach. According to the results obtained, we identified 47 topics and categorized them into ten themes: open source, entrepreneurship, innovations, living labs, social technology innovation, growth, co-creation, cybersecurity, research, and ecosystem. While some topic trends became prominent over time, others disappeared. The distribution of the articles across topics in the LDA approach has been made more decisively so that of 597 articles, 503 most associated articles were identified, while this number is 299 articles in DTM. Furthermore, we discussed weaknesses and strengths of the algorithms to compare the performance of the two approaches based on defined criteria. We conclude that DTM provides more accurate word and topic trends over time, although it requires time slice settings and has a longer run-time compared to LDA. Finally, we document a set the steps of a process to carry out topic modeling analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle