Skip to content
بازگشت به نتایج جست‌وجو

تحلیل شبکه متن — نگاشت معنا به مثابه یک گراف

معرفی‌شده توسط
Dmitry Paranyushkin; Jana Diesner & Kathleen M. Carley
سال
2011 (Paranyushkin); 2005 (Diesner & Carley)
نوع
Text-mining network method

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل شبکه متن، واژگان یا مفاهیم موجود در یک متن را به صورت گره‌ها (nodes) و هم‌رخدادی‌های آن‌ها را به صورت یال‌ها (edges) مدل‌سازی می‌کند، سپس از معیارهای شبکه برای آشکارسازی ساختار معنا بهره می‌برد. این رویکرد توسط دایسنر و کارلی (2005) برای شبکه‌های ارتباطی و توسط پارانیوشکین (2011) برای ردیابی مسیرهای گردش معنا در متن توسعه یافت.

شهود پشت روش

یک سند چیزی بیش از یک کیسه واژه است — معنا در نحوه هم‌ظهوری واژگان نهفته است. اگر دو واژه به طور مکرر در نزدیکی یکدیگر ظاهر شوند، به هم مرتبط هستند؛ اگر واژه‌ای بین بسیاری از واژگان دیگر قرار گیرد، به عنوان پلی عمل می‌کند که گفتمان را یکپارچه نگه می‌دارد. با تبدیل متن به یک گراف از واژگان هم‌رخداد، تحلیل شبکه متن به شما امکان می‌دهد تا مفاهیم مرکزی، خوشه‌های ایده‌هایی که شکل می‌گیرند، و واژگانی که مضامین جدا از هم را به هم پیوند می‌دهند، مشاهده کنید، به جای اینکه کل پیکره متنی را واژه به واژه بخوانید.

تاریخ

تحلیل شبکه متن از مطالعه شبکه‌های ارتباطی و معنایی نشأت گرفته است. دایسنر و کارلی (2005) استخراج شبکه‌های ارتباطی از پیکره‌های متنی را بررسی کردند، در حالی که پارانیوشکین (2011) متن را به عنوان شبکه‌ای قاب‌بندی کرد که ساختار آن مسیرهایی را که از طریق آن‌ها معنا گردش می‌کند، آشکار می‌سازد و گراف‌های مفهومی مبتنی بر هم‌رخدادی و معیارهای مرکزیت را برای تحلیل متنی رایج کرد.

چه زمانی استفاده شود

هنگامی که داده‌های متنی دارید و می‌خواهید ساختار رابطه‌ای مفاهیم را کاوش کنید یا نحوه اتصال مضامین را توصیف کنید، به جای صرفاً شمارش واژگان، از تحلیل شبکه متن استفاده کنید. این روش برای سؤالات پژوهشی اکتشافی و رابطه‌ای در مورد متن مقطعی یا طولی مناسب است. یک پنجره هم‌رخدادی باید تعریف شود و متن باید ابتدا پیش‌پردازش شود؛ برای ساختار پایدار، پیکره‌ای حداقل از حدود 20 سند توصیه می‌شود.

محدودیت‌ها و ملاحظات

  • نتایج به شدت به پنجره هم‌رخدادی انتخاب شده بستگی دارد؛ پنجره‌ای متفاوت می‌تواند واژگانی را که به هم متصل به نظر می‌رسند، تغییر دهد.
  • نیاز به پیش‌پردازش دقیق متن دارد؛ نرمال‌سازی ناسازگار، گره‌ها را پراکنده کرده و وزن یال‌ها را تحریف می‌کند.
  • هم‌رخدادی، ارتباط را ثبت می‌کند، نه روابط نحوی یا سببی جهت‌دار بین واژگان.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • ساختار رابطه‌ای معنا را آشکار می‌سازد — مفاهیم مرکزی، پل‌ها، و خوشه‌ها — که شمارش‌های ساده فراوانی از دست می‌دهند.
  • بر روی هر پیکره متنی پیش‌پردازش شده‌ای کار می‌کند و یک گراف قابل تفسیر به همراه معیارهای کمی شبکه تولید می‌کند.
  • تحلیل کیفی خواندن و تحلیل کمی را به هم پیوند می‌دهد و از سؤالات پژوهشی اکتشافی و رابطه‌ای پشتیبانی می‌کند.

کاربردها

  • نگاشت مفاهیم و مضامین مرکزی در یک پیکره از اسناد یا مصاحبه‌ها.
  • ردیابی نحوه اتصال و گردش ایده‌ها در گفتمان سیاسی، رسانه‌ای یا اجتماعی.
  • شناسایی واژگان پل‌زننده که خوشه‌های موضوعی جدا از هم را به هم پیوند می‌دهند.
  • کاوش ساختار مفهومی ادبیات دانشگاهی یا ارتباطات سازمانی.

چگونه کار می‌کند

چگونه کار می‌کند

1

متن خام قبل از ساخت هرگونه شبکه‌ای، پاک‌سازی و استانداردسازی می‌شود: توکن‌بندی شده، نویز حذف می‌شود، و واژگان نرمال‌سازی می‌شوند تا یک مفهوم به طور مداوم شمارش شود. بدون این پیش‌پردازش، گره‌های حاصله پراکنده و شمارش هم‌رخدادی‌ها غیرقابل اعتماد خواهند بود.

2

یک پنجره هم‌رخدادی تعریف می‌شود — بازه‌ای (مثلاً یک جمله، یک پاراگراف، یا یک پنجره لغزان از واژگان) که در آن دو واژه به عنوان واژگان هم‌ظهور در نظر گرفته می‌شوند. انتخاب این پنجره یک تصمیم کلیدی است: این امر تعیین می‌کند که کدام جفت واژگان به هم متصل می‌شوند و شبکه حاصله چقدر متراکم خواهد بود.

3

واژگان یا مفاهیم به گره‌ها و هم‌رخدادی‌های آن‌ها به یال‌های وزن‌دار تبدیل می‌شوند، که وزن نشان‌دهنده فراوانی ظاهر شدن جفت واژگان در پنجره انتخاب شده است. نتیجه شبکه‌ای است که ساختار رابطه‌ای متن را به جای صرفاً واژگان آن، رمزگذاری می‌کند.

4

معیارهای شبکه بر روی گراف محاسبه می‌شوند — به عنوان مثال، مرکزیت بینابینی (betweenness centrality) برای یافتن واژگانی که بخش‌های مختلف گفتمان را به هم پیوند می‌دهند، در کنار سایر معیارهای مرکزیت و خوشه‌بندی. این معیارها تأثیرگذارترین مفاهیم و ساختار جامعه معنایی را در پیکره متنی آشکار می‌سازند.

دام‌های رایج

  • نادیده گرفتن یا عجله در پیش‌پردازش، گره‌های نویزی و پراکنده‌ای باقی می‌گذارد که معیارهای شبکه را بی‌معنی می‌کند.
  • انتخاب دلخواه پنجره هم‌رخدادی — پنجره خیلی عریض پیوندهای کاذب را متورم می‌کند، پنجره خیلی تنگ ارتباطات واقعی را از دست می‌دهد.
  • اجرا بر روی پیکره متنی خیلی کوچک (به مراتب کمتر از حدود 20 سند)، که در آن ساختار شبکه ناپایدار است و بیش از حد تفسیر می‌شود.
  • تفسیر یال‌های هم‌رخدادی به عنوان روابط سببی یا دستوری به جای صرفاً ارتباط.

پرسش‌های متداول

تحلیل شبکه متن چگونه با تحلیل فراوانی واژه متفاوت است؟

تحلیل فراوانی، تعداد دفعات ظاهر شدن هر واژه را به تنهایی می‌شمارد. در عوض، تحلیل شبکه متن نحوه هم‌رخدادی واژگان را مدل‌سازی کرده و گرافی می‌سازد که یال‌های آن روابط را ثبت می‌کنند. این روش نه تنها به شما می‌گوید کدام واژگان رایج هستند، بلکه کدام‌ها مرکزی هستند، کدام‌ها مضامین مختلف را به هم پیوند می‌دهند، و چگونه مفاهیم با هم خوشه‌بندی می‌شوند.

چگونه پنجره هم‌رخدادی را انتخاب کنم؟

پنجره، بازه‌ای را تعریف می‌کند که در آن دو واژه به عنوان هم‌ظهور شمارش می‌شوند — برای مثال یک جمله، یک پاراگراف، یا یک پنجره لغزان از چند واژه. مقدار جهانی وجود ندارد: پنجره عریض‌تر، شبکه‌ای متراکم‌تر با پیوندهای بیشتر ایجاد می‌کند، پنجره تنگ‌تر فقط نزدیک‌ترین ارتباطات را حفظ می‌کند. آن را بر اساس واحد معنایی خود به طور سنجیده انتخاب کنید و بررسی کنید که ساختار حاصله پایدار است.

معیارهای شبکه به من چه می‌گویند؟

معیارهای مرکزیت مانند مرکزیت بینابینی، واژگانی را که بخش‌های مختلف گفتمان را به هم پیوند می‌دهند و مفاهیمی که شبکه را یکپارچه نگه می‌دارند، برجسته می‌کنند. همراه با معیارهای خوشه‌بندی، تأثیرگذارترین ایده‌ها و ساختار جامعه معنایی را در سراسر پیکره متنی آشکار می‌سازند.

به چه مقدار متن نیاز دارم؟

برای اینکه ساختار شبکه به اندازه کافی پایدار برای تفسیر باشد، پیکره‌ای حداقل از حدود 20 سند توصیه می‌شود. با تعداد اسناد بسیار کمتر، گراف تحت سلطه نویز قرار گرفته و به راحتی بیش از حد تفسیر می‌شود.

روش‌های مرتبط

منابع

  1. Paranyushkin, D. (2011). Identifying the Pathways for Meaning Circulation Using Text Network Analysis. Nodus Labs.

    باز کردن مرجع انتشار
    کپی شد.
  2. Diesner, J. & Carley, K. M. (2005). Exploration of Communication Networks from the Enron Email Corpus. SIAM International Conference on Data Mining, Workshop on Link Analysis, Counterterrorism and Security.

    باز کردن مرجع انتشار
    کپی شد.