Analisis Jaringan Teks — Memetakan Makna sebagai Graf
- Diperkenalkan oleh
- Dmitry Paranyushkin; Jana Diesner & Kathleen M. Carley
- Tahun
- 2011 (Paranyushkin); 2005 (Diesner & Carley)
- Jenis
- Text-mining network method
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Analisis jaringan teks memodelkan kata-kata atau konsep dalam teks sebagai node dan kemunculan bersama (co-occurrence) mereka sebagai edge, kemudian menggunakan metrik jaringan untuk mengungkapkan struktur makna.
Pendekatan ini dikembangkan oleh Diesner dan Carley (2005) untuk jaringan komunikasi dan oleh Paranyushkin (2011) untuk melacak jalur sirkulasi makna dalam teks.
Intuisi di balik metode
Sebuah dokumen lebih dari sekadar kumpulan kata — makna terletak pada bagaimana kata-kata muncul bersama. Jika dua istilah terus-menerus muncul berdekatan, keduanya terhubung; jika suatu istilah berada di antara banyak istilah lain, ia bertindak sebagai jembatan yang menyatukan wacana. Dengan mengubah teks menjadi graf istilah yang muncul bersama, analisis jaringan teks memungkinkan Anda melihat konsep mana yang sentral, klaster ide apa yang terbentuk, dan kata-kata mana yang menghubungkan tema-tema yang terpisah, alih-alih membaca korpus kata demi kata.
Sejarah
Analisis jaringan teks berkembang dari studi jaringan komunikasi dan semantik. Diesner dan Carley (2005) mengeksplorasi ekstraksi jaringan komunikasi dari korpus teks, sementara Paranyushkin (2011) membingkai teks sebagai jaringan yang strukturnya mengungkapkan jalur di mana makna beredar, mempopulerkan graf konsep berbasis kemunculan bersama dan metrik sentralitas untuk analisis tekstual.
Kapan digunakan
Gunakan analisis jaringan teks ketika Anda memiliki data teks dan ingin menjelajahi struktur relasional konsep atau menjelaskan bagaimana tema terhubung, daripada hanya menghitung kata. Ini cocok untuk pertanyaan penelitian eksplorasi dan relasional pada teks lintas-seksi atau longitudinal. Jendela kemunculan bersama harus didefinisikan dan teks harus diproses terlebih dahulu; korpus setidaknya sekitar 20 dokumen direkomendasikan untuk struktur yang stabil.
Batasan dan pertimbangan
- Hasil sangat bergantung pada jendela kemunculan bersama yang dipilih; jendela yang berbeda dapat mengubah istilah mana yang tampak terhubung.
- Membutuhkan prapemrosesan teks yang cermat; normalisasi yang tidak konsisten memfragmentasi node dan mendistorsi bobot edge.
- Kemunculan bersama menangkap asosiasi, bukan hubungan sintaksis terarah atau kausal antar istilah.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Mengungkap struktur relasional makna — konsep sentral, jembatan, dan klaster — yang tidak terdeteksi oleh hitungan frekuensi sederhana.
- Bekerja pada korpus teks apa pun yang telah diproses dan menghasilkan graf yang dapat diinterpretasikan ditambah metrik jaringan kuantitatif.
- Menjembatani pembacaan kualitatif dan analisis kuantitatif, mendukung pertanyaan penelitian eksplorasi dan relasional.
Penerapan
- Memetakan konsep dan tema sentral dalam korpus dokumen atau wawancara.
- Melacak bagaimana ide terhubung dan beredar di seluruh wacana politik, media, atau sosial.
- Mengidentifikasi istilah penghubung yang mengaitkan klaster topik yang terpisah.
- Menjelajahi struktur konseptual literatur akademik atau komunikasi organisasi.
Cara kerjanya
Cara kerjanya
Teks mentah dibersihkan dan distandarisasi sebelum jaringan dibangun: teks di-tokenisasi, "noise" dihilangkan, dan istilah dinormalisasi sehingga konsep yang sama dihitung secara konsisten. Tanpa prapemrosesan ini, node yang dihasilkan akan terfragmentasi dan hitungan kemunculan bersama tidak dapat diandalkan.
Jendela kemunculan bersama (co-occurrence window) didefinisikan — rentang (misalnya kalimat, paragraf, atau jendela geser kata-kata) di mana dua istilah diperlakukan sebagai muncul bersama. Memilih jendela ini adalah keputusan kunci: ini menentukan pasangan kata mana yang menjadi terhubung dan seberapa padat jaringan yang dihasilkan.
Kata-kata atau konsep menjadi node dan kemunculan bersama mereka menjadi edge berbobot, di mana bobot mencerminkan seberapa sering pasangan tersebut muncul bersama dalam jendela yang dipilih. Hasilnya adalah jaringan yang mengkodekan struktur relasional teks daripada hanya kosakatanya.
Metrik jaringan dihitung di atas graf — misalnya "betweenness centrality" untuk menemukan istilah-istilah yang menjembatani bagian-bagian wacana yang berbeda, bersama dengan ukuran sentralitas dan pengelompokan lainnya. Metrik ini memunculkan konsep-konsep paling berpengaruh dan struktur komunitas makna dalam korpus.
Kesalahan umum
- Melewatkan atau terburu-buru dalam prapemrosesan meninggalkan node yang "noisy" dan terfragmentasi yang membuat metrik jaringan tidak berarti.
- Memilih jendela kemunculan bersama secara sembarangan — terlalu lebar mengembang tautan palsu, terlalu sempit melewatkan asosiasi nyata.
- Menjalankan pada korpus yang terlalu kecil (jauh di bawah ~20 dokumen), di mana struktur jaringan tidak stabil dan diinterpretasikan secara berlebihan.
- Membaca edge kemunculan bersama sebagai hubungan kausal atau gramatikal daripada sekadar asosiasi.
Pertanyaan yang sering diajukan
Bagaimana analisis jaringan teks berbeda dari analisis frekuensi kata?
Analisis frekuensi menghitung seberapa sering setiap kata muncul secara terpisah. Analisis jaringan teks justru memodelkan bagaimana kata-kata muncul bersama, membangun graf yang edge-nya menangkap hubungan. Ini memberi tahu Anda tidak hanya istilah mana yang umum tetapi juga mana yang sentral, mana yang menjembatani tema yang berbeda, dan bagaimana konsep-konsep mengelompok bersama.
Bagaimana cara memilih jendela kemunculan bersama?
Jendela mendefinisikan rentang di mana dua istilah dihitung sebagai muncul bersama — misalnya kalimat, paragraf, atau jendela geser beberapa kata. Tidak ada nilai universal: jendela yang lebih lebar menciptakan jaringan yang lebih padat dengan lebih banyak tautan, yang lebih sempit hanya menyimpan asosiasi terdekat. Pilihlah secara sengaja berdasarkan unit makna Anda dan periksa apakah struktur yang dihasilkan stabil.
Apa yang disampaikan oleh metrik jaringan kepada saya?
Metrik sentralitas seperti "betweenness" menyoroti istilah-istilah yang menjembatani bagian-bagian wacana yang berbeda dan konsep-konsep yang menyatukan jaringan. Dikombinasikan dengan ukuran pengelompokan, metrik ini mengungkapkan ide-ide paling berpengaruh dan struktur komunitas makna di seluruh korpus.
Berapa banyak teks yang saya butuhkan?
Korpus setidaknya sekitar 20 dokumen direkomendasikan agar struktur jaringan cukup stabil untuk diinterpretasikan. Dengan dokumen yang jauh lebih sedikit, graf didominasi oleh "noise" dan mudah diinterpretasikan secara berlebihan.
Metode terkait
Sumber
Paranyushkin, D. (2011). Identifying the Pathways for Meaning Circulation Using Text Network Analysis. Nodus Labs.
Buka referensi publikasiDisalin.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.
Buka referensi publikasiDisalin.