A new method for computational cultural cartography: From neural word embeddings to transformers and Bayesian mixture models
Notice bibliographique
Résumé
Recently, computational social scientists have proposed exciting new methods for 'mapping meaning space' and analysing the structure and evolution of complex cultural constructs from large text datasets. These emerging approaches to 'cultural cartography' are based on a foundation of neural network word embeddings that represent the meaning of words, in relation to one another, as vectors in a shared high-dimensional latent space. These new methods have the potential to revolutionize sociological analyses of culture, but in their current form, they are dually limited. First, by relying on traditional word embeddings they are limited to learning a single vector representation for each word, collapsing together the diverse semantic contexts that words are used in and which give them their heterogeneous meanings. Second, the vector operations that researchers use to construct larger 'cultural dimensions' from traditional embeddings can result in a complex vector soup that can propagate many small and difficult-to-detect errors throughout the cultural analysis, compromising validity. In this article, we discuss the strengths and limitations of computational 'cultural cartography' based on traditional word embeddings and propose an alternative approach that overcomes these limitations by pairing contextual representations learned by newly invented transformer models with Bayesian mixture models. We demonstrate our method of computational cultural cartography with an exploratory analysis of the structure and evolution of 120 years of scholarly discourse on democracy and autocracy.
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 | 0,004 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».