使用Teleoscope凝聚图式：Reddit大型文本语料库的主题策划

文献标题

Crystallizing Schemas with Teleoscope: Thematic Curation of Large Text Corpora on Reddit

出版信息

• 主题领域: 大规模文本语料库的定性数据整理与分析。
• 关键词: 主题整理、定性研究、大规模文本语料库、解释学方法、NLP、语义搜索、数据可视化、Reddit、主题模式、协作研究。

背景与问题

• 问题/挑战: 像Reddit这样的大规模文本语料库由于其规模庞大，对定性研究者来说难以处理。现有的统计抽样方法在数据整理上与解释学定性研究范式不一致。
• 意义: 解决这一问题可以使研究者在处理大数据集时保持方法论的一致性，从而更深入、更细致地洞察社会和文化现象。
• 动机与相关工作: 现有系统主要关注语料库层面的统计总结或基于主题的概览，缺乏对迭代式、解释学整理的支持。本文基于人工智能和NLP的最新进展，提出了一种与定性研究原则相一致的数据整理系统。

解决方案

• 提出的方法: Teleoscope，一个基于网络的主题整理界面，支持对大规模文本语料库进行迭代、交互和反思性的主题模式精炼。
• 创新点:
  1. 引入了主题整理，一种解释学抽样策略，生成主题模式。
  2. 开发了一个开源的协作数据整理平台。
  3. 通过多阶段部署对系统进行了实证评估，涉及定性研究者的实际应用。
• 流程与关键技术:
  • 用户通过关键词搜索过滤语料库。
  • 文档通过NLP驱动的操作（如基于向量相似度的排序、聚类）进行分组、注释和迭代精炼。
  • 输出包括主题模式和可视化工件，反映研究者对文档关系的心理模型。
  • 协作功能支持研究者共享、检查和修改工作流程。

结果

• 具体发现:
  • Teleoscope 支持新关键词和术语的意外发现。
  • 研究者报告称在达到搜索饱和度方面信心增强，解释偏差减少。
  • 主题模式促进了细致的讨论和协作探索。
• 相较基线的优势:
  • 支持解释学的文档级探索，而非语料库级统计概览。
  • 提供与定性研究范式一致的迭代式、人机协作工作流程。
• 实验/评估:
  • 进行了三次部署：一次与计算机科学家的形成性研究，一次与定性研究者（n=5）的扩展形成性研究，以及一次与护理研究团队的实地部署。
  • 评估结果显示了系统的可用性、方法论一致性以及对协作工作流程的支持。
  • 公共发布包括在市场研究和公共政策中的应用案例。
• 局限性与未来工作:
  • 对不熟悉计算工具的定性研究者来说学习曲线较陡。
  • 对通用LLM的使用有限；未来工作可探索其集成。
  • 当前聚焦于Reddit数据；未来版本将支持更广泛的数据来源。

总结

Teleoscope 是一个基于网络的系统，旨在支持对大规模文本语料库的解释学整理方法，弥合统计抽样与定性研究原则之间的方法论差距。通过支持迭代和交互式工作流程，它使研究者能够创建反映文档关系心理模型的主题模式。实证评估表明，该系统在促进意外发现、实现搜索饱和以及支持协作探索方面具有显著效果。尽管仍存在学习曲线陡峭等挑战，Teleoscope 显示出作为跨领域定性研究可扩展工具的潜力。