Using Large Language Models in Cluster Analysis in the Social Sciences
Notice bibliographique
Résumé
The law, regulation, and policy of and for the digital economy can be viewed through different lenses. These include the formal approaches used by lawyers and academics through analysis by news businesses to content shared in video or audio form. Understanding the commonality and differences between the view through each of the lenses requires coordinated data sources. The International Digital Policy Observatory (IDPO) was created to develop a dataset across a variety of sources. This article demonstrates a novel methodological approach that uses data from the IDPO to analyze the interaction between different data sources. It does this using artificial intelligence regulation as an example and combines Gaussian Mixture Model (GMM) clustering techniques with Large Language Models (LLMs) for interpretable cluster naming to identify themes flowing from the data. It sets out the thematic outcomes in the context of each of the data source types to illustrate the method’s utility. This article’s primary contribution is methodological, presenting a scalable and interpretable workflow for analyzing large, multi-source text datasets in social science research. The clustering approach used is likely to be helpful in the analysis of text metadata in other large datasets.
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 | 0,023 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| 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 ».