Topic Modeling (LDA / NMF)
Probabilistic or matrix-factorisation topics over the full-text corpus.
- Famille
- Computational thematic
- Moteur
- Lacuna native (Python)
Quand l'utiliser
Utilisez-la pour cartographier les thèmes, suivre leur évolution et marquer les lacunes candidates avec des preuves textuelles.
Fait émerger la proximité conceptuelle, la répétition et les zones de silence à travers le texte du corpus. Elle est computationnelle — ce n'est pas l'analyse thématique réflexive de Braun–Clarke.
Figures produites
- Dendrogramme
- Diagramme de Sankey
Limites et portée
- Il s'agit d'une analyse computationnelle, et non d'une analyse thématique réflexive de Braun et Clarke — elle met au jour des motifs dans le texte, mais n'en interprète pas le sens à votre place.
- Les résultats dépendent des études, du corpus et des paramètres que vous fournissez, ainsi que du modèle retenu. L'analyse synthétise les preuves telles qu'elles sont rapportées ; elle n'établit pas de causalité.
- Chaque figure porte sa source, et chaque exécution est reproductible bit à bit à partir des mêmes entrées, paramètres et version du moteur.
Dans cette famille
- Co-word Analysis & Thematic MapKeyword co-occurrence clustered into a strategic diagram (centrality × density).
- Embedding-based Topic ClusteringDocuments embedded (TF-IDF by default; transformer/SBERT optional) and clustered into semantically coherent topics.
- 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.
Exécuter cette analyse
La définition ci-dessus est en accès libre. Le moteur en direct, ses paramètres et le rapport scellé en provenance s'exécutent dans votre espace de travail.