Topic modelling is a means to an end: On topic modelling in corpus linguistics and discourse analysis
Notice bibliographique
Résumé
Topic modelling (TM) is becoming an increasingly popular method in the corpus linguistics toolbox, especially when researchers are grappling with a large corpus and want to derive insights for a discourse analysis of the data.Following on from Bednarek's discussion in this issue, I would like to draw attention to three specific aspects of TM that should be considered when applying it.The first issue concerns the so-called 'black box' nature of the method.Researchers may apply TM without fully grasping the underlying principles, especially when it comes to parameters.Fundamentally, the criticism is that TM is technically difficult.My view is that it is not more technically challenging than, for example, keyword analysis, which can be computed using different statistics (Gabrielatos, 2018) and which corpus linguists apply, presumably, with full awareness of the possible options.It is not unreasonable to ask a researcher to study the principles behind TM or, as Bednarek suggests, to work collaboratively with somebody who does.Each step in TM is relevant to the results, including what kind of normalization is applied to the data, whether lemmatization or stemming is chosen, and whether and which stop words are removed.As an example, in Rao and Taboada (2021), we removed a standard set of stopwords.We performed relative pruning, to remove both common words (because they occur across all documents) and rare words (because they are unlikely to be representative of common topics across the data).Additionally, given that we were working with news stories, we also removed words related to news (say, report, story, press, news), social media and URLs (post, tag, inbox, https, href).Since those words were so frequent across all articles, they were not meaningful and removing them
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 | 0,067 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,006 | 0,028 |
| Communication savante | 0,021 | 0,039 |
| Science ouverte | 0,005 | 0,015 |
| Intégrité de la recherche | 0,010 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».