Topic Modeling (LDA / NMF)
Probabilistic or matrix-factorisation topics over the full-text corpus.
- Keluarga
- Computational thematic
- Mesin
- Lacuna native (Python)
Kapan digunakan
Gunakan untuk memetakan tema, melacak evolusinya, dan menandai celah kandidat dengan bukti tekstual.
Memunculkan kedekatan konseptual, pengulangan, dan zona kesunyian di seluruh teks korpus. Ini komputasional — bukan analisis tematik reflektif Braun–Clarke.
Gambar yang dihasilkan
- Dendrogram
- Aliran Sankey
Batasan dan cakupan
- Ini adalah analisis komputasional, bukan analisis tematik reflektif Braun–Clarke — ia memunculkan pola dalam teks, tetapi tidak menafsirkan maknanya untuk Anda.
- Hasil bergantung pada studi, korpus, dan parameter yang Anda berikan, serta pada model yang dipilih. Analisis ini merangkum bukti sebagaimana dilaporkan; ia tidak menetapkan kausalitas.
- Setiap gambar membawa sumbernya, dan setiap eksekusi dapat direproduksi bit demi bit dari masukan, parameter, dan versi mesin yang sama.
Dalam keluarga ini
- 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.
Jalankan analisis ini
Definisi di atas terbuka. Mesin langsung, parameternya, dan laporan tersegel asal-usul berjalan di dalam ruang kerja Anda.