Сравнение моделирования тем между LDA, NMF, Top2Vec и BERTopic для прояснения сообщений в Twitter

Изучение социальных сетей с использованием моделей машинного обучения

Благодаря повсеместному использованию технологий человеческое общение вышло за рамки времени и пространства, как локально, так и глобально (Joubert and Costas, 2019 ). Среди различных типов инструментов коммуникации социальные сети выделяются как жизненно важный посредник и средство содействия взаимодействию между социальными субъектами (Murthy, 2012 ). Поскольку социальные сети отображают человеческое поведение и взаимодействия, социологи приступили к интеллектуальному анализу данных (Boccia Artieri et al., 2021 ) и использованию подходов NLP и машинного обучения. Чтобы понять огромное количество сообщений, публикуемых в социальных сетях, NLP может понимать человеческие языки, как запрограммировано для машин, чтобы делать прогнозы на основе наблюдаемых социальных явлений (Hannigan et al., 2019 ). С другой стороны, машинное обучение, как часть искусственного интеллекта, относится к вычислительным методам, использующим существующие базы данных (т. е. данные обучения) для построения и обучения модели для прогнозирования и лучшего принятия решений (Zhou et al., 2017 ). Преимущества открытия новых горизонтов для социологического рассмотрения посредством передовой аналитики данных можно наблюдать в различных контекстах, включая бизнес, здравоохранение, образование и, в более общем плане, роль социальной деятельности в развитии научных знаний (Yang et al., 2020 ).

Предыдущие исследования подчеркивали, что цифровая революция представляет собой динамику в сетях обмена (Joubert and Costas, 2019 ) и подразумевает самовосприятие человека (Murthy, 2012 ). Примеры можно увидеть на сайтах микроблогов, таких как Twitter, которые ежедневно собирают более 200 миллионов активных пользователей. Поскольку социальные сети трансформируют взаимодействия в отношения, а эти взаимодействия превращаются в опыт (Witkemper et al., 2012 ), постоянные обновления статуса рассматриваются и оцениваются как самопроизводство (Murthy, 2012 ) и, таким образом, позволяют ученым оценивать перспективы с точки зрения общественности (Joubert and Costas, 2019 ). Например, в инфодемиологии Сюэ и др. ( 2020 ) применили модели машинного обучения для мониторинга общественных реакций в отношении обсуждения и проблем COVID-19 в Twitter. Аналогичным образом, в высокодинамичной индустрии туризма Лу и Чжэн ( 2021 ) смогли отследить общественное мнение о круизных судах во время пандемии COVID-19 на основе собранных твитов. Более того, в отличие от большинства сетевых платформ, построенных на существующих дружеских связях, функция ретвитов может распространять информацию гораздо быстрее (Park et al., 2016 ), тем самым делая Twitter идеальной средой для исследований в области социальных наук.

Тем не менее, независимо от платформы социальных сетей, теоретизирование остается неотъемлемой частью (Müller et al., 2016 ) формирующегося предмета больших данных в социальных науках. Хотя некоторые ученые считают, что большие данные могут и должны быть полностью свободны от теории (Anderson, 2008 ; Kitchin, 2014 ), кажется маловероятным интерпретировать результаты без достаточного понимания социальных наук (Mazanec, 2020 ). Тем не менее, методологические проблемы часто возникают параллельно с эпистемологическими разработками. Например, поскольку алгоритмы не способны структурировать свободный текст, этапы предварительной обработки данных, требующие сложных навыков принятия решений, такие как очистка, преобразование, извлечение признаков и векторизация, закладывают основу для дальнейшего анализа (Albalawi et al., 2020 ). Хотя у социальных ученых есть возможность предварительной обработки наборов данных, проблемы могут возникнуть на следующих этапах, включая оценку модели и настройку гиперпараметров (Blair et al., 2020 ). По большей части эти проблемы можно отнести к самой природе контента социальных сетей, который в основном состоит из коротких, лаконичных, текстово-нагруженных и неструктурированных форматов (Албалави и др., 2020 ).

Тематическое моделирование как решение для работы с неструктурированными текстовыми данными

Поскольку человеческий язык является адаптивной многоуровневой системой, длина текста, синтаксическая сложность и семантическая правдоподобность долгое время считались центральными моментами как в психологии, так и в лингвистике (Брэдли и Мидс, 2002 ). Вместе с взаимодействием между технологиями и модернизацией их влияние распространилось и на социальные сети. Например, ученые отметили, что более короткие посты, как правило, приводят к более высокому уровню вовлеченности в Facebook (Сабат и др., 2014 ), возможно, потому, что краткие сообщения сокращают объем когнитивных усилий, необходимых для обработки информации (Ши и др., 2022 ). Среди различных доступных типов платформ, в частности, Twitter ограничивает каждую публикацию максимум 280 символами (Кейрос, 2018 ), и хотя эти короткие и неструктурированные посты соответствуют практике социальных сетей, они увеличивают сложность алгоритмов для понимания цифрового взаимодействия. Распространенные проблемы возникают при использовании сложных слов, аббревиатур и неграмматических предложений (Ariffin and Tiun, 2020 ). Несмотря на продуктивную и невыраженную природу сложных слов, они часто усложняют вычислительный анализ (Krishna et al., 2016 ). Другие трудности возникают, когда данные бессмысленны (т. е. зашумленные данные) или когда в данных присутствует много пробелов (т. е. разреженные данные; Kasperiuniene et al., 2020 ).

Для эффективного извлечения признаков из большого корпуса текстовых данных были введены многочисленные подходы к интеллектуальному анализу текста (Li et al., 2019 ), среди которых тематическое моделирование является наиболее часто применяемым методом (Hong and Davison, 2010 ). В двух словах, тематическая модель — это форма статистического моделирования, используемая в машинном обучении и обработке естественного языка, как обсуждалось ранее, которая выявляет скрытые тематические закономерности в коллекции текстов (Guo et al., 2017 ). Наиболее устоявшимися и популярными методами считаются LDA, латентный семантический анализ (LSA) и вероятностный LSA (Albalawi et al., 2020 ). Однако совсем недавно новые разработанные алгоритмы, такие как NMF, Corex, Top2Vec и BERTopic, также получили и продолжают привлекать все большее внимание исследователей (Obadimu et al., 2019 ; Sánchez-Franco и Rey-Moreno, 2022 ). В социальных науках тематические модели ранее применялись, например, для обнаружения неявных предпочтений потребителей (Vu et al., 2019 ; Egger et al., 2022 ), определения семантических структур в Instagram (Egger и Yu, 2021 ) и улучшения систем рекомендаций (Shafqat и Byun, 2020 ). Несмотря на надежность алгоритмов тематического моделирования, существующая литература в основном опирается на одну-единственную модель, причем доминирующим методом является LDA (Gallagher et al., 2017 ) и обычно рассматривается как стандартный подход.

Независимо от популярности LDA в отрасли социальных наук, его эффективность в анализе данных социальных сетей подвергалась резкой критике (Egger и Yu, 2021 ; Sánchez-Franco и Rey-Moreno, 2022 ). В случае данных Twitter Джарадат и Мацкин ( 2019 ) утверждают, что, хотя в документе могут сосуществовать несколько тем, LDA имеет тенденцию игнорировать отношения совместного появления. Аналогичным образом, другие исследователи подчеркивают, что шумные и разреженные наборы данных не подходят для LDA (Chen et al., 2019 ) из-за отсутствия признаков для статистического обучения (Cai et al., 2018 ). Следовательно, исследователи усилили ценность недавно разработанных алгоритмов в качестве альтернатив, поскольку они часто превосходят LDA, особенно при анализе коротких текстовых данных в социальных сетях (Egger, 2022b ). Хотя появились и были приняты новые подходы для выявления новых идей, их инновационные преимущества (непреднамеренно) снижают значимость оценки модели. Доказательства можно взять из исследований социальных сетей, в которых применение методов оценки еще не стало мейнстримом (Reisenbichler and Reutterer, 2019 ). Кроме того, поскольку модели будут оптимизированы для извлечения любого незначительного варианта темы, в зависимости от цели алгоритма, результаты могут быть искажены в определенном направлении. Эти проблемы еще больше подчеркивают ненадежность концентрации исключительно на одной единственной тематической модели и, тем самым, также усиливают ценность и необходимость сравнения различных алгоритмов (Reisenbichler and Reutterer, 2019 ; Albalawi et al., 2020 ; Egger and Yu, 2021 ).

Сбор данных и предварительная обработка

Сбор данных проводился в ноябре 2021 года с использованием программного инструмента для извлечения данных Phantombuster и поиска терминов #covidtravel, а также комбинации #covid и #travel для извлечения твитов. Первоначальные наборы данных включали в общей сложности 50 000 твитов, опубликованных на английском языке; однако после очистки данных и удаления дубликатов постов окончательные наборы данных состояли из 31 800 уникальных твитов. После этого данные прошли предварительную обработку, в ходе которой были удалены все упоминания (например, ^@users ), хэштеги, неизвестные знаки и эмодзи. Важно отметить, что до этого момента для BERTopic и Top2Vec использовались исходные предложения, поскольку оба алгоритма основаны на подходе внедрения, а сохранение исходной структуры текста имеет жизненно важное значение для моделей-трансформеров.

С другой стороны, данные для LDA и NMF были предварительно обработаны дополнительно с использованием модулей NLP в Python. Точнее, были исключены стоп-слова, удален нерелевантный текст (например, числа, аббревиатуры и неизвестные символы) и выполнена токенизация. После этого шага были проведены стемминг и лемматизация. Первый процесс использовал Porter Stemmer для удаления суффиксов из слов (например, investigating to investig), тогда как последний использовал WordNet Lemmatizer для удаления флективных окончаний и возврата слова к его базовой форме (например, investigating to investig). Наконец, текст был преобразован в вес частоты терминов-обратной частоты документа (TF-IDF) для поиска информации на основе важности ключевого слова.

Реализация тематических моделей

Сравнение LDA и NMF

Таблица 1 содержит обзор 14 выявленных тем в модели LDA и 10 тем из NMF. Названия были даны на основе терминов, которые внесли наибольший вклад в тему в отношении их весов TF-IDF. В целом, несколько аспектов указывают на общие темы, такие как ожидания в отношении реакции правительства, обсуждение значений R _(t) и ограничения на поездки в разных странах. Если взять в качестве примера «ответ правительства», то твиты, по-видимому, сосредоточены на ожиданиях людей в отношении Белого дома (например, #whcovidresponse) и президента США (#potus, #vp). Хотя обе модели ссылаются на возможность воссоединиться со своими близкими (например, #loveisnottourism), LDA, в частности, указывает на то, как пандемия COVID-19 повлияла на заявку на получение визы Diversity (например, #dv2021). Аналогичным образом, хотя обе модели раскрывают мнения пользователей Twitter об ограничениях запрета на поездки и карантине, результаты LDA, по-видимому, более географически ориентированы. Например, при обсуждении числа воспроизводства чаще упоминаются европейские страны, Индия и Великобритания. С другой стороны, Англия и Шотландия, по-видимому, являются основными центрами внимания в отношении ограничений на поездки, а что касается твитов, связанных с карантином, LDA раскрывает проблемы, связанные с австралийской границей.

Тем не менее, несмотря на то, что LDA, казалось бы, работала лучше до этого момента, модель выдает более универсальные и нерелевантные темы, которые в то же время едва ли предлагают какие-либо значимые последствия. Это можно увидеть в последних четырех темах LDA, перечисленных в Таблице 1 , которые, основываясь на ключевых словах, сосредоточены на путешествиях и COVID-19 на более широком уровне. Поэтому, несмотря на то, что только несколько тем NMF содержат термины, специфичные для страны (например, Новая Зеландия, Индия и Великобритания), ее ценность не следует недооценивать. Из-за четкого различия между всеми выявленными темами в модели NMF это исследование приходит к выводу, что результаты, полученные с помощью NMF, больше соответствуют человеческому суждению, тем самым превосходя LDA в целом. Тем не менее, как упоминалось выше, поскольку извлечение тем с помощью LDA и NMF в первую очередь опирается на гиперпараметры, большинство результатов находятся в пределах ожиданий. Однако, поскольку обе модели не позволяют глубоко понять явление, в следующем разделе мы сосредоточимся на тематических моделях, которые используют представления внедрения.

Сравнение BERTopic и Top2Vec

Опираясь на модель внедрения, BERTopic и Top2Vec требуют интерактивного процесса для проверки тем. Таким образом, оба алгоритма позволяют исследователям находить высокорелевантные темы, вращающиеся вокруг определенного термина, для более глубокого понимания. Используя Top2Vec в демонстрационных целях, этот раздел начинается с интуиции, лежащей в основе поискового запроса. Предполагая, что существует интерес к темам, связанным с термином «отмена» во время COVID-19, модель Top2Vec выдает релевантные результаты (темы) на основе порядка их косинусного сходства (Ghasiya and Okamura, 2021 ). В частности, косинусное сходство в диапазоне от 0 до 1 измеряет сходство между поисковым термином и темой. В данном исследовании из 309 тем наибольшее сходство оказалось у темы 10 [ 0,50 ], за ней следуют тема 20 [ 0,37 ], тема 7 [ 0,33 ], тема 123 [ 0,32 ] и тема 57 [ 0,30 ].

После этого можно извлечь наиболее важные ключевые слова для каждой отдельной темы. Например, ключевые слова для темы 10 включают следующее:

[«возврат», «забронировано», «билет», «отменено», «билеты», «бронирование», «отменить», «рейс», «мой», «привет», «поездка», «телефон», «электронная почта», «я сам», «привет», «не мог бы», «пожалуйста», «имея», «ребята», «я», «сэр», «предполагалось», «надеюсь», «я», «взволнован», «отложить», «так что», «дней», «папа», «оплачено», «опция», «клиенты», «запрос», «бихар», «спасибо», «сумма», «должен», «ожидание», «к», «получил», «назад», «невозможно», «обслуживание», «часы», «завершено», «до», «подождать», «хорошо», «действительно», «книга»] .

Чтобы получить представление о важности каждого термина, можно создать облако слов для лучшей визуализации (см. Рисунок 4 ); но, в конечном счете, также настоятельно рекомендуется изучить отдельные твиты. Например, результаты показывают, что документ 20189 (твиты: «@ PaytmTravel Flight — AI 380 от 9 апреля 2020 г. (отменен из-за COVID). Возврата с тех пор не было […] ») имеет показатель сходства 0,8518 . Эта информация позволяет получить более глубокое понимание непосредственно из необработанных данных. Между тем, чтобы найти более подходящие ключевые слова на основе «отмена» для еще большего анализа, можно вывести наиболее похожие слова с их сходством, например «отменено [ 0,60 ]», «возврат [ 0,49 ]», «забронировано [ 0,47 ]», «срок [ 0,46 ]» и «билет [ 0,43 ]».

После процесса поиска можно было установить сравнение тем между Top2Vec и BERTopic. На этот раз в качестве других примеров были взяты «flight» и «travel bubble». Поскольку ранее было введено косинусное сходство, в следующем разделе просто перечислены некоторые ключевые слова, которые облегчают наименование тем. Как упоминалось выше, это связано с тем, что результаты требуют человеческой интерпретации для осмысления данных (Hannigan et al., 2019 ).

Начиная с «рейса», Таблица 2 дает обзор из 343 выявленных тем, шести наиболее релевантных из BERTopic и пяти из 253 из Top2Vec. В целом темы Top2Vec, по-видимому, больше ориентированы на политику и регулирование, фокусируясь на требованиях к тестированию перед вылетом (например, отрицательный тест ПЦР и полная вакцинация) в таких странах, как Мексика, Нидерланды и Канада. В ней также обсуждаются рекомендации правительства по поездкам на общественном транспорте, таком как поезда, автобусы и самолеты. Для более качественной проверки можно просмотреть соответствующие твиты; например, « Внимание, дорогие пассажиры, путешествующие в […] Пожалуйста, соблюдайте нормы COVID-19 в аэропорту. Летайте безопасно! » и « [Мой] рейс [был] отменен авиакомпаниями из-за covid. Кроме того, моя страховая премия по путешествию потрачена впустую ». С другой стороны, темы, выявленные BERTopic, больше связаны с природой воздушного транспорта. В частности, наиболее распространенные темы, обсуждаемые в Twitter, касаются авиационной отрасли, маршрутов полетов, возвращения домой, передачи вируса по воздуху и ассоциаций авиаперевозок.

Обращаясь к «пузырю путешествий», оба алгоритма выдали пять соответствующих тем, как показано в Таблице 3. В этом случае результаты BERTopic кажутся более конкретными, с четким различием между поездками между Австралией и Новой Зеландией, Сингапуром и Гонконгом, а также Канадой и Мексикой. Другие вопросы сосредоточены на проездных билетах и ​​деловых поездках. Однако, что касается Top2Vec, результаты выявили небольшое совпадение. Например, пузырь путешествий между Австралией и Новой Зеландией рассматривается в четырех из пяти тем; аналогично, Сингапур, Гонконг и Тайвань также упоминаются несколько раз. Кроме того, Top2Vec выдает темы с несколькими аспектами, что становится особенно очевидным в третьей и четвертой темах. Третья тема содержит вопросы, связанные с шестью разными странами (т. е. Гонконгом, Сингапуром, Австралией, Новой Зеландией, Великобританией и Филиппинами), а четвертая включает правила карантина в восьми странах (т. е. Сингапуром, Австралией, Новой Зеландией, Тайванем, Гонконгом, Кореей, Гавайями и Индонезией).

В качестве последнего замечания, при проверке ключевых слов BERTopic и Top2Vec, несмотря на избыточность некоторых терминов (например, «travel bubble» и «travelbubble», поскольку они очень близки в одном векторном пространстве), они, по сути, могут предоставить ценную информацию, особенно для процесса наименования тем. В основном, содержание темы можно понять на основе часто повторяющихся ключевых слов. Более того, что касается логики алгоритма, поскольку BERTopic и Top2Vec не должны подвергаться предварительной обработке, союзные слова (например, after, before to, from, at) полезны для связи контекста. Однако основным недостатком без предварительной обработки является то, что (не)определенные артикли или глаголы be, появляющиеся в списках ключевых слов, часто бессмысленны для понимания темы.

Иерархическое сокращение тем Top2Vec и BERTopic

Наконец, стоит отметить, что и Top2Vec, и BERTopic допускают иерархическую редукцию. Повторяя результаты этого исследования, количество извлеченных тем, как правило, относительно велико, что требует интенсивного качественного анализа. Чтобы упростить анализ, алгоритмы предлагают возможность еще больше сократить эти темы (Angelov, 2020 ). Начиная с Top2Vec, иерархическая редукции до 10 тем обычно считается хорошей отправной точкой для начала анализа тем. В случае этого исследования 10 оставшихся кластеров, вычтенных из 253 исходных тем, представлены в Таблице 4. Примечательно, что исходные векторы сохраняются после редукции тем, что означает, что репрезентативные темы с ключевыми словами по-прежнему можно искать в любое время.

Обращаясь к BERTopic, поскольку некоторые темы находятся близко друг к другу, как можно было наблюдать на карте межтематических расстояний ( рисунок 3 ), визуализация и сокращение тем позволят лучше понять, как темы на самом деле связаны друг с другом. Чтобы сократить количество тем, была выполнена иерархическая кластеризация на основе матрицы косинусных расстояний между вложениями тем. Таким образом, в этом исследовании в качестве примера было взято 100 тем, чтобы дать обзор того, как и в какой степени можно сократить темы ( рисунок 5 ). Уровень 0 дендрограммы демонстрирует, как схожие темы (те, которые имеют одинаковые цвета) были сгруппированы вместе. Например, тема 4 (паспорта вакцины) и тема 8 (приложение NHS COVID-19) были сгруппированы вместе из-за их смежности. Соответственно, тема 6 (ношение масок) и тема 96 (обязательный масочный режим) рассматривались как часть одного и того же кластера. По сути, визуализация как таковая может помочь исследователям лучше понять критерии алгоритма, по которым организованы темы. После рассмотрения предложенной структуры тем исследователи могут затем выбрать несколько тем, которые также кажутся более реалистичными в интерактивном режиме.

Однако для обоих алгоритмов основные значения тем все еще подлежат человеческой интерпретации. Тем не менее, хотя интуиция заключается в том, чтобы обеспечить наилучшие возможные результаты, оптимальное количество тем не может быть установлено, поскольку большинство тем пересекаются друг с другом и охватывают смесь из двух-трех различных аспектов. Например, результаты от Top2Vec ( таблица 4 ) представляют пять тем, связанных с программой виз для иммигрантов разных национальностей США (например, dv, selectees fault, winners, an reason, justice, interview, the pawel, exam) и несколько терминов, связанных с политиками, базирующимися в США и Канаде (например, Grant Shapps, Justin Trudeau, Joe Biden, Donald Trump, Anthony Fauci). Аналогичным образом, осмысление иерархической кластеризации, созданной BERTopic ( рисунок 5 ), также требует огромных усилий, поскольку структура тем меняется всякий раз, когда исследователи экспериментируют с другим количеством тем. Несмотря на возможность использования существующих ноу-хау в области для поиска определенных тем, что отсутствует в других традиционных алгоритмах, исследователи должны быть хорошо осведомлены о вышеупомянутых проблемах. Весь процесс содержит ошибки, и может быть довольно трудоемким найти число, которое соответствует человеческому суждению.

Как показано на рисунке 5 ниже, дендрограмма, созданная BERTopic, показывает уровни агломерации отдельных тем. Эта визуализация, в частности, помогает найти соответствующее количество k-тем. Кроме того, подобно Top2Vec, таблица с ключевыми словами получается после слияния тем; тем не менее, настоятельно рекомендуется также проверять отдельные необработанные документы для более подходящих интерпретаций.

Теоретические и практические вклады

В свете расширения пользовательского контента социальные сети расширили горизонты человеческого взаимодействия и спровоцировали новые явления и социальные исследования для дальнейшего изучения (Murthy, 2012 ; Rizvi et al., 2019 ; Boccia Artieri et al., 2021 ). Хотя несколько недавних исследований поручились за изучение коротких текстовых данных социальных сетей (Albalawi et al., 2020 ; Qiang et al., 2020 ), существующие знания довольно ограничены традиционными методами моделирования, такими как LDA и LSA (Albalawi et al., 2020 ). Поскольку эволюция тематического моделирования привела к появлению новых методов, особенно тех, которые редко применялись или оценивались в социальных науках, это исследование ценно тем, что оно отвечает на призыв оценить тематическое моделирование посредством тщательного сравнения четырех различных алгоритмов (Reisenbichler and Reutterer, 2019 ). Кроме того, в этом исследовании рассматриваются светлые и темные стороны применения встроенных и стандартных тематических моделей, а также предлагается исследователям в области социальных наук понимание методологических проблем, которые могут препятствовать формированию знаний.

Предвидя, что социологи действительно могут колебаться в выборе подходящего алгоритма при анализе данных социальных сетей, это исследование представляет возможные методологические проблемы и способствует эффективности двух различных типов тематических моделей. Если быть более точным, применение BERTopic для генерации идей из короткого и неструктурированного текста предлагает наибольший потенциал, когда речь идет о тематических моделях на основе встраивания. Таким образом, это исследование признает способность BERTopic кодировать контекстную информацию (Чонг и Чен, 2021 ), аспект, который может оставаться скрытым другими моделями. Что касается традиционных алгоритмов тематических моделей, исследования в области социальных наук поощряются к рассмотрению NMF как альтернативного подхода к общепринятому LDA (Галлахер и др., 2017 ). Конечно, однако, важно отметить, что каждая модель имеет свои собственные сильные и слабые стороны, а результаты требуют интенсивной качественной интерпретации. Наконец, это исследование также стремится внести еще один важный вклад, изложив решения управляемого моделирования, которые могут применяться социологами к анализу данных для извлечения знаний.

Ограничения и рекомендации для будущих исследований

Это исследование, безусловно, не лишено ограничений. Хотя это исследование отвечает на необходимость использования Top2Vec и BERTopic для анализа данных коротких текстов (Egger и Yu, 2021 ; Sánchez-Franco и Rey-Moreno, 2022 ), новые языковые модели, такие как GPT3 и WuDao 2.0, продолжают появляться с течением времени (Nagisetty, 2021 ), тем самым выступая в качестве превосходной основы для еще более мощных подходов к моделированию тем. Чтобы использовать использование методов моделирования тем, социальным ученым рекомендуется пробовать и оценивать другие недавно разработанные алгоритмы и поддерживать свои знания в актуальном состоянии. В случае этого исследования Twitter был выбран из-за его строгих правил относительно количества символов, разрешенных для одного твита, что делает его идеальной платформой для поисковых исследований. Тем не менее, методологический подход в этом исследовании должен быть применим и к другим каналам, поскольку сообщения в социальных сетях, как правило, короткие и неструктурированные (Kasperiuniene et al., 2020 ). Однако по-прежнему важно отметить, что природа социальных сетей различается с точки зрения демографии пользователей, представления текста или риторики, среди прочего. Таким образом, будущие исследования должны продолжить изучение эффективности алгоритмов моделирования тем на других платформах. Наконец, также важно признать эпистемологические проблемы больших данных; независимо от огромных объемов данных, которые могут показаться заманчивыми на первый взгляд, алгоритмы должны быть контекстуализированы в определенной социальной структуре (Egger and Yu, 2022 ). Хотя тематические модели количественно оценили короткие текстовые данные социальных сетей, как интерпретация, так и обоснование результатов идут в ущерб точности данных. Таким образом , наличие обширных знаний в области науки, основанной на данных (Canali, 2016 ), позволит ученым-социологам преобразовывать количественную аналитику в ценные идеи для приобретения знаний.