Using Topic Modeling as a Semantic Technology: Examining Research Article Claims to Identify the Role of Non-Human Actants in the Pursuit of Scientific Inventions
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
Actor-network theory (ANT) represents a research paradigm that emerged within science and technology studies by explicitly focusing on the contingency of scientific inventions and the role of non-human actants in the invention course of action. The article adopts an ANT perspective to focus on the invention of Sub-Wavelength Grating (SWG) photonic metamaterials by the members of a research group in the National Research Council (NRC) of Canada. The results are based on textual analysis (topic modeling) of the contributions and novelty claims in the corpus of research articles by the NRC group crafting the concept and potential applications of SWGs in the photonics domain. Topic modeling is a type of statistical modeling that uses unsupervised machine learning to identify clusters or groups of similar words within a body of text. It uses semantic structures in texts to understand unstructured data without predefined tags or training data. Adopting topic modeling as a semantic technology allows identifying two of the key non-human factors or actants: a) photonics design and simulations, and b) the fabrication techniques and facilities used to produce the physical prototypes of the photonics devices incorporating the invented SWG waveguiding effect. Using topic modeling as a semantic technology in ANT-inspired research studies focusing on non-human actants provides significant opportunities for future research.
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 | 0,016 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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