เปรียบเทียบวิธี

	การสร้างหัวข้อที่อธิบายได้	แบบจำลองหัวข้อ LDA
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2003–2020s	2003
ผู้ริเริ่ม	Community practice (Blei et al. seminal; explainability extensions 2010s–present)	Blei, D. M., Ng, A. Y., & Jordan, M. I.
ประเภท	Unsupervised topic discovery + interpretability layer	Probabilistic generative topic model
แหล่งต้นตำรับ	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.	Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993–1022.
ชื่อเรียกอื่น	XTM, interpretable topic modeling, transparent topic modeling, explainable LDA	LDA, Latent Dirichlet Allocation, LDA Topic Modeling, Dirichlet Topic Model
ที่เกี่ยวข้อง	6	5
สรุป	Explainable Topic Modeling combines unsupervised topic discovery — such as LDA, NMF, or neural variants like BERTopic — with interpretability tools (top-word lists, coherence scores, SHAP, attention weights) that make the learned topics transparent, auditable, and communicable to domain experts and stakeholders beyond the modeling team.	Latent Dirichlet Allocation (LDA) is a probabilistic generative model introduced by Blei, Ng, and Jordan in 2003 that discovers hidden thematic structure in large text collections by representing each document as a mixture of latent topics and each topic as a probability distribution over vocabulary words.