Topic Modeling (LDA / NMF)
Probabilistic or matrix-factorisation topics over the full-text corpus.
- ตระกูล
- Computational thematic
- เครื่องประมวลผล
- Lacuna native (Python)
ควรใช้เมื่อใด
ใช้เพื่อจัดทำแผนที่หัวข้อ ติดตามวิวัฒนาการ และทำเครื่องหมายช่องว่างที่เป็นไปได้ด้วยหลักฐานเชิงข้อความ
เผยความใกล้เชิงแนวคิด การซ้ำ และเขตแห่งความเงียบทั่วทั้งข้อความคลังข้อมูล เป็นเชิงคอมพิวเตอร์ — ไม่ใช่การวิเคราะห์เชิงหัวข้อแบบสะท้อนของ Braun–Clarke
ภาพที่สร้างได้
- เดนโดรแกรม
- แผนภาพการไหลแบบ Sankey
ข้อจำกัดและขอบเขต
- เป็นการวิเคราะห์เชิงคำนวณ มิใช่การวิเคราะห์แก่นสาระเชิงสะท้อนคิดแบบ Braun–Clarke — โดยจะเผยให้เห็นรูปแบบในข้อความ แต่ไม่ตีความความหมายแทนท่าน
- ผลลัพธ์ขึ้นอยู่กับการศึกษา คลังข้อมูล และพารามิเตอร์ที่ท่านป้อน ตลอดจนแบบจำลองที่เลือกใช้ การวิเคราะห์นี้สรุปหลักฐานตามที่มีการรายงาน และไม่ได้สถาปนาความเป็นเหตุเป็นผล
- ภาพทุกภาพแสดงที่มาของตน และการประมวลผลทุกครั้งสามารถทำซ้ำได้ทุกบิตจากข้อมูลนำเข้า พารามิเตอร์ และรุ่นของเครื่องประมวลผลเดียวกัน
ในตระกูลนี้
- 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.
เรียกใช้การวิเคราะห์นี้
นิยามด้านบนเปิดให้เข้าถึงได้ ส่วนเครื่องประมวลผลจริง พารามิเตอร์ และรายงานที่ผนึกที่มาจะทำงานภายในพื้นที่ทำงานของท่าน