Modelado de temas y minería de textos

El modelado de temas lee un corpus como lo haría un lector rápido, clasificando sus palabras en grupos recurrentes de términos coocurrentes que a menudo se asemejan a temas. Este y otros métodos relacionados de minería de textos permiten a los académicos examinar grandes colecciones, pero los patrones que revelan deben interpretarse con cautela.

Definition

El uso de métodos estadísticos no supervisados —notablemente modelos de temas probabilísticos— y técnicas relacionadas de minería de textos para descubrir la estructura temática y léxica latente en grandes corpus de humanidades.

Scope

Cubre métodos no supervisados para descubrir la estructura en grandes colecciones de texto, especialmente modelos de temas probabilísticos como la asignación latente de Dirichlet, y técnicas más amplias de minería de textos para extraer patrones y tendencias. Incluye cómo los humanistas utilizan, interpretan y critican estos métodos. Se distingue del procesamiento del lenguaje natural como campo de ingeniería; el énfasis aquí es la interpretación humanística.

Core questions

• ¿Qué son los clústeres que producen los modelos de temas y son realmente temas?
• ¿Cómo se debe elegir el número de temas y los parámetros del modelo?
• ¿Cómo se puede validar e interpretar de manera responsable la salida de un modelo de temas?
• ¿Qué permiten afirmar los patrones de minería de textos sobre un corpus?

Key concepts

• Asignación Latente de Dirichlet
• Tema latente
• Distribución documento-tema
• Aprendizaje no supervisado
• Interpretación del modelo

Key theories

Asignación Latente de Dirichlet

Blei, Ng y Jordan introdujeron LDA, un modelo probabilístico generativo que representa documentos como mezclas de temas latentes, cada uno una distribución sobre palabras.

Modelos de temas probabilísticos como exploración

Blei enmarcó los modelos de temas como herramientas para explorar y organizar grandes archivos, revelando la estructura temática sin supervisión.

Temas como constructos interpretativos

Humanistas como Jockers aplicaron el modelado de temas a corpus literarios, mientras que críticos como Schmidt advirtieron que los temas son artefactos estadísticos que requieren una interpretación cuidadosa y escéptica.

History

LDA se introdujo en 2003 y fue rápidamente adoptado en las ciencias. Alrededor de 2010, los humanistas comenzaron a aplicar el modelado de temas a corpus literarios e históricos; Macroanalysis (2013) de Jockers es un ejemplo prominente, mientras que la crítica de Schmidt de 2012 y otros trabajos plantearon la cuestión de cómo interpretar la salida del modelo de manera responsable.

Debates

¿Son los temas significativos o artefactos?

Si los grupos de palabras producidos por los modelos de temas corresponden a temas interpretables o son artefactos estadísticos moldeados por las elecciones de parámetros y el preprocesamiento.

Key figures

• David Blei
• Matthew L. Jockers
• Benjamin Schmidt

Seminal works

• blei2003
• blei2012
• jockers2013
• schmidt2012

Frequently asked questions

¿Un modelo de temas me dice de qué trata un corpus?

No por sí solo. Produce grupos de palabras coocurrentes que pueden corresponder a temas, pero son sensibles al preprocesamiento y al número de temas elegido. La salida es un punto de partida para la interpretación, no un resumen objetivo, y debe validarse con los textos.