Embedding-based Topic Clustering
Documents embedded (TF-IDF by default; transformer/SBERT optional) and clustered into semantically coherent topics.
- 方法族
- Computational thematic
- 引擎
- Lacuna native (Python)
何时使用
用于绘制主题、追踪其演变，并以文本证据标注候选空白。
在语料文本中显现概念邻近性、重复与沉默地带。它是计算式的 — 并非 Braun–Clarke 反思性主题分析。
可生成的图形
- 网络图
局限与适用范围
- 这是一种计算式分析，而非 Braun–Clarke 反身性主题分析——它揭示文本中的模式，但不替您诠释其含义。
- 结果取决于您提供的研究、语料与参数，以及所选模型。该分析按所报告的方式汇总证据，并不确立因果关系。
- 每幅图形均标明其来源，且每次运行均可依据相同的输入、参数与引擎版本逐位复现。
本方法族内
- 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.