Modelización de Temas Emergentes

Este instrumento T-LAB permite individualizar, analizar y modelizar los principales temas que emergen de los textos y, consecuentemente, utilizarlos en ulteriores análisis, tanto de tipo cualitativo como de tipo cuantitativo.

Los temas emergentes - que están descritos a través de sus vocabulario característico, es decir a través de un conjunto de palabras clave que se presentan en coocurrencia en las unidades de contextos examinados - pueden ser utilizados para clasificar estas unidades (tanto documentos como contextos elementales) y obtener nuevas variables utilizables en nuevas análisis T-LAB.

Un cuadro de diálogo T-LAB (véase arriba) permite que el usuario fije dos parámetros de análisis.

En particular:
- el parámetro (A) permite establecer el número de temas que se obtendrán. (Tenga en cuenta que cuanto mayor sea este número, más coherentes serán las relaciones de co-ocurrencia dentro de cada tema, y si es necesario, algunos temas - por ejemplo, los que son redundantes o difíciles de interpretar - pueden ser eliminados en un segundo momento a través de una funcionalidad específica del instrumento en examen);
- el parámetro (B) permite excluir del análisis cualquier unidad de contexto que no contenga un número mínimo de palabras clave incluidas en la lista utilizada.

Solo cuando usted elija personalizar todos los parámetros de análisis (véase la opción 'Sí' arriba), se mostrará la ventana siguiente y habrá más opciones disponibles. (Tenga en cuenta que en la siguiente imagen el número de unidades de contexto está determinado por el parámetro "B" mencionado anteriormente).

El proceso automático de análisis sigue los siguientes pasos:

a - construcción de una matriz documentos por palabras, donde los documentos son siempre contextos elementales que corresponden a las unidades de contexto (es decir, fragmentos, frases, párrafos) en los que se ha subdividido el corpus;
b - análisis de datos a través un modelo probabilístico que usa la Latent Dirichlet Allocation y el Gibbs Sampling (para más información se pueden consultar las siguientes Web de Wikipedia: http://en.wikipedia.org/wiki/Latent_Dirichlet_allocation; http://en.wikipedia.org/wiki/Gibbs_sampling;
c - descripción de cada tema a través de los valores de probabilidades asociados a sus palabras características, tanto "específicas" como "compartidas" por uno o más temas.

Al final del proceso de análisis, el usuario puede fácilmente efectuar las siguientes operaciones:

1 - explorar las características de cada tema;

2 - explorar las relaciones entre los diversos temas;

3 - renombrar o eliminar temas específicos;

4- verificar la coherencia semántica entre los diferentes temas;

5 - probar el modelo y asignar los temas a las unidades del contexto, tanto documentos como contextos elementales;

6 - aplicar el modelo y crear una nueva variable temática,cuyos valores son los temas elegidos;

7 - exportar un diccionario de las categorías, que se puede utilizar en un análisis posterior.

En el detalle:

1 - Explorar las características de cada tema

El primer resultado que se puede consultar y guardar consiste en una tabla con una Vista previa de todos los temas. Y, cuando se desee, se puede volver a acceder fácilmente utilizando el botón correspondiente (ver a a continuación).

Además se puede acceder a otros tipos de resultados eligiendo una de las opciones resaltadas en la imagen siguiente.

NOTA: En este gráfico "hight probability" indica una probabilidad >=.75.

Cuando se selecciona un tema, al hacer clic en la opción "Tabla Theme", se pueden verificar sus características; además, al hacer clic en cualquier palabra de la tabla que se muestra, parece una opción adicional que permite "eliminar" el elemento seleccionado (ver imagen a continuación).

Las claves de lectura de la tabla anterior son las siguientes:

IN THEME = ocurrencias (tokens) de cada palabra dentro del tema seleccionado;
TOT = ocurrencias (tokens) de cada palabra dentro del corpus o del subconjunto analizado;
IN (%) = peso porcentaje de cada palabra dentro del tema seleccionado;
(p) = valor de probabilidad asociado a cada relación palabra x tema;
TYPE = marcado como "specific" cuando la palabra (con p = 1) pertenece solo al tema seleccionado y como "shared" en todos los otros casos (es decir cuando la palabra es presente, en maneras diferentes, en mas de un tema).

Cuando se selecciona un tema, al hacer clic en la opción "Mapa MDS" se pueden explorar fácilmente las relaciones semánticas entre las palabras que son más características (ver la imagen siguiente).

Además, utilizando la herramienta 'Graph Maker', algunas opciones gráficas adicionales están disponibles (ver las imágenes siguientes).

Cuando se selecciona un tema, al hacer clic en la opción "contextos significativos", se crea un archivo HTML donde se muestran los 20 segmentos de texto principales, que se corresponden más con las características del tema (ver la imagen siguiente).

2 - Explorar las relaciones entre los diversos temas

Usando la herramienta Análisis de Correspondencia se pueden crear y explorar dos tipos de tablas de contingencia:

2.1) una tabla palabras por tema (ver abajo)

2.2) una tabla que cruza los temas con las modalidades de la variable seleccionada

También hay otras dos opciones gráficas disponibles que nos permiten mapear las relaciones entre los diversos temas:

2.3) un mapa MDS

2.4) un gráfico de red obtenido al exportar / importar la tabla de adyacencia creada por T-LAB (ver a continuación)

NOTA: El gráfico anterior se ha creado por medio del programa Gephi (https://gephi.org/ ), después haber importado una tabla creada por T-LAB.

3 - Renombrar o eliminar temas

Para renombrar o eliminar temas específicos es suficiente seleccionar los ítems correspondientes (ver "A" en el cuadro siguiente) y pinchar sobre el botón "renombrar/eliminar" (ver "B" en el cuadro siguiente).

Cuando aparece el cuadro con las varias opciones, el usuario puede, según su objetivos, cambiar la etiqueta del tema (tanto eligiendo entre las palabras disponibles como tecleando una nueva palabra; ver "C" en el cuadro siguiente) o eliminar el tema seleccionado pinchando sobre el botón correspondiente (ver "D" en el cuadro siguiente).

4 - Verificar la coherencia semántica entre los diferentes temas

Al hacer clic sobre el icono 'Índices de Calidad' (véase arriba), T-LAB calcula las semejanzas entre las primeras 10 palabras características de cada tema (top 10).

Más en concreto:
- Las primeras 10 palabras son aquellas caracterizadas por un valor de probabilidad más alto
- las medidas de semejanza están calculadas con base en el coeficiente del coseno;
- Al igual que para la herramienta Asociación de Palabras, el coeficiente del coseno se calcula verificando las co-ocurrencias de las palabras contenidas en los segmentos de texto definidos como contextos elementales.

Come resultado, T-LAB genera un archivo HTML en el cual los 'k' temas están recogidos en un listado y van asociados a sus respectivos índices de 'coherencia semántica'.

NOTA: Las medidas de semejanza varían en función de los cambios en las palabras seleccionadas. Por ello, se recomienda repetir el procedimiento cada vez que alguna de las diez palabras asociadas a un tema haya sido eliminada por el usuario.

5 - Probar el modelo y asignar los temas a las unidades del contexto

Al final del análisis de los datos (ver los puntos "a" y "b" del proceso de análisis) cada unidad de contexto (por ejemplo un documento o un contexto elemental) resulta constituido como una mixtura de temas. De otra manera, el proceso de clasificación utilizado para probar/aplicar el modelo asocia cada unidad de contexto al tema que mas lo caracteriza. Como resultado, en esta fase, cada tema se pone de hecho como un clúster de unidad de contexto.

Por esa razón, cuando se selecciona la opción "Probar el Modelo", T-LAB produce dos archivos XLS (ver abajo) que permiten a el usuario de verificar la pertenencia de cada unidad de contexto a un tema específico.

NOTA: En la tabla anterior cada documento tiene un valor de probabilidad asociado con cada tema.

6 - Aplicar el modelo

Después haber aplicado y guardado el modelo, por tanto que los temas son archivados por T-LAB como modalidades de dos nuevas variables que se refieren a clúster de contextos elementales (CONT_CLUST) y/o a clúster de documentos (DOC_CLUST), las relaciones entre los mismos temas y/o sus características pueden ser más explorados con diferentes instrumentos de análisis (ver el cuadro siguiente).

Por ejemplo, usando la herramienta Asociaciones de palabras y seleccionando el subconjunto (es decir, el tema) "Dólar", se puede crear el siguiente gráfico.

7 - Exportar un diccionario de las categorías modelo

Cuando se selecciona esta opción, T-LAB genera un archivo diccionario con extensión .dictio listo para ser importado a través de una de las herramientas disponibles para el análisis temático. En dicho diccionario, cada categoría viene descrita a través de sus palabras características.