Approach to Identify Topics in a Collection of TIM Review Articles and their Changes Over Time
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,034 | 0,023 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».