Clasificación Temática de Documentos

Esta función sólo está habilitada cuando el corpus en análisis incluye un número de documentos primarios comprendido entre un mínimo de 20 hasta un máximo de 99.999.

El proceso de análisis puede ser ejecutado o con un método de clustering 'no supervisado' (en el caso concreto, un algoritmo de bisecting K-Means) o con una clasificación supervisada (es decir, un enfoque top-down). Cuando se elige la segunda vía, es decir, la clasificación supervisada, se requiere la importación de un diccionario de las categorías, bien creado por un anterior análisis T-LAB, o bien construido por el usuario.

Su uso permite construir clusters de documentos y explorar sus características por medio de operaciones/opciones similares a las descritas en la sección de la ayuda dedicada al Análisis Temático de Contextos Elementales.

Su especificidad consiste en el hecho de que la tabla analizada se compone de tantas líneas como contenga el documento del corpus, cada una de las cuales se representa como un vector de valores que indican la ocurrencia de la palabra presente en el mismo.

Además, cuando el número de documentos analizados no es superior a 3000, es posible obtener medidas de semejanza (índice de coseno) entre cada uno de ellos y todos los demás (véase abajo). N.B.: En este caso el nivel mínimo de aceptación del índice de semejanza está fijado en 0.05.

Consecuentemente, los resultados específicos de esta función son los siguientes:

Los documentos que pertenecen a cada cluster son ordenados por el valor decreciente de importancia y se pueden examinar en formato HTML.

En este caso el valor de importancia (score) asignado a cada documento (i) en el cluster (k) es obtenido aplicando la fórmula siguiente:

Donde:

i - se refiere al documento i;
k - se refiere al cluster k;
cos - es el símbolo del coseno;
di - es el vector normalizado de TFj, i IDFj, donde j se refiere a una palabra del documento i;
ck- es el vector normalizado de TFj, k IDFj, donde j se refiere a palabra del cluster k.

Usando los valores (scores) obtenidos por la fórmula antedicha, que son transformados en porcentajes, T-LAB hace disponible el archivo " Document_Membership_Degree.xls " (véase abajo) que contiene los clusters a los cuales pertenecen los diferentes documentos, tanto por el bisecting K-Means (donde cada documento pertenece exclusivamente a un cluster) como por el TF-IDF (donde cada documento es caracterizado da una pertenencia mezclada a varios clusters).

Cliqueando el botón Similitud de Documentos, tras haberlo habilitado, se puede verificar en qué medida cada documento es similar a cada uno de los demás. En este caso, la medida de semejanza es el coeficiente de coseno, y su valor varía en función del número de palabras utilizadas para la clasificación temática.

La imagen siguiente presenta las diferentes opciones disponibles para este tipo de verificación.

A la salida de esta función, algunos mensajes recuerdan que es posible explorar el cluster obtenido con otras herramientas T-LAB.

Seleccionando la opción "GUARDAR", será posible utilizar la variable < DOC_CLUST > (cluster de documentos) en todos los sucesivos análisis del mismo corpus realizados con otras herramientas T-LAB.