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
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.
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 | 0,024 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,013 | 0,015 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».