Embedding-based Topic Clustering
Documents embedded (TF-IDF by default; transformer/SBERT optional) and clustered into semantically coherent topics.
- Familia
- Computational thematic
- Motor
- Lacuna native (Python)
Cuándo utilizarlo
Úsala para mapear temas, rastrear cómo evolucionan y marcar lagunas candidatas con evidencia textual.
Hace emerger la proximidad conceptual, la repetición y las zonas de silencio a lo largo del texto del corpus. Es computacional, no el análisis temático reflexivo de Braun–Clarke.
Figuras que produce
- Diagrama de red
Limitaciones y alcance
- Es un análisis computacional, no un análisis temático reflexivo de Braun y Clarke — revela patrones en el texto, pero no interpreta el significado por usted.
- Los resultados dependen de los estudios, el corpus y los parámetros que proporcione, así como del modelo elegido. El análisis resume la evidencia tal como se informa; no establece causalidad.
- Cada figura conserva su fuente, y cada ejecución es reproducible bit a bit a partir de las mismas entradas, parámetros y versión del motor.
En esta familia
- Co-word Analysis & Thematic MapKeyword co-occurrence clustered into a strategic diagram (centrality × density).
- Topic Modeling (LDA / NMF)Probabilistic or matrix-factorisation topics over the full-text corpus.
- Factorial AnalysisMCA / correspondence analysis projecting terms into a conceptual map.
- Thematic EvolutionHow themes split, merge and flow across time slices (Sankey).
- Trending Topics & Burst DetectionEmerging terms and citation bursts over the publication timeline.
Ejecutar este análisis
La definición anterior es abierta. El motor en vivo, sus parámetros y el informe con sello de procedencia se ejecutan dentro de su espacio de trabajo.