Wiki Hub

Topic Modeling trong nghiên cứu

3 min read

Topic Modeling trong Nghiên cứu — Literature Review bằng Machine Learning

Sử dụng trong vault: Paper #02 (Industry 4.0 → 5.0 review, 133 articles)

1. Topic Modeling là gì?

Thuật toán unsupervised machine learning phát hiện chủ đề ẩn (latent topics) trong corpus văn bản lớn — mỗi document là hỗn hợp nhiều topics.

Khác gì systematic review thủ công?

  • Thủ công: Đọc → phân loại → chủ quan, chậm, có thể miss patterns
  • Topic modeling: Thuật toán → phát hiện tự động → khách quan, nhanh, scalable

2. Thuật toán phổ biến

LDA (Latent Dirichlet Allocation) — phổ biến nhất

  • Mỗi document = hỗn hợp topics (VD: 40% topic A + 30% topic B + 30% topic C)
  • Mỗi topic = phân phối xác suất trên từ vựng (VD: topic A = {supply chain: 0.15, risk: 0.12, disruption: 0.08, …})
  • Hyperparameter: Số topics k (cần chọn trước)

Alternatives

Thuật toánKhi nào dùng
LDAMặc định, phổ biến nhất
BERTopicDùng transformer embeddings → tốt hơn cho văn bản ngắn
STM (Structural Topic Model)Khi muốn thêm metadata (năm, journal) vào model
NMFKhi muốn topics rõ ràng hơn (non-overlapping)

3. Quy trình thực hiện

1. THU THẬP DỮ LIỆU
   • Database: Scopus, WoS, hoặc cả hai (Paper #02: Scopus + WoS)
   • Search query: keywords + boolean operators
   • Số lượng: > 50 bài (Paper #02: 133 bài)
   └──→ Export: title, abstract, keywords, full text (nếu có)

2. TIỀN XỬ LÝ TEXT
   • Lowercase
   • Loại stopwords (the, is, and...)
   • Stemming/Lemmatization (running → run)
   • Loại từ quá hiếm hoặc quá phổ biến
   • Tạo Document-Term Matrix (DTM)

3. CHỌN SỐ TOPICS (k)
   • Coherence score: chọn k có coherence cao nhất
   • Perplexity: chọn k có perplexity thấp nhất
   • Thực tế: thử k = 3, 5, 7, 10, 15 → chọn interpretable nhất
   • Paper #02: 4 topics

4. CHẠY MODEL
   • Tool: Python (gensim, scikit-learn), R (topicmodels)
   • Iterations: ≥ 1,000

5. DIỄN GIẢI & ĐẶT TÊN
   • Xem top-10 words mỗi topic
   • Đọc representative documents
   • Đặt tên có ý nghĩa (VD: "Digital Transformation in Logistics")
   • ← Bước quan trọng nhất, đòi hỏi domain expertise

6. PHÂN TÍCH XU HƯỚNG
   • Topic prevalence over time → topic nào tăng/giảm?
   • Topic co-occurrence → topic nào hay đi cùng nhau?
   • Research gaps → topic nào thiếu nghiên cứu?

4. Cách viết trong paper

Section 3: Methodology

3.1 Data Collection
    "A total of 133 articles were retrieved from Scopus and 
    Web of Science using the search string: [keywords]. 
    Inclusion criteria: [year range, language, document type]."

3.2 Text Preprocessing
    "Abstracts and titles were processed using [tool]. 
    Stopwords were removed, and stemming was applied."

3.3 Topic Modeling
    "Latent Dirichlet Allocation (LDA) was applied with k=4 topics, 
    selected based on coherence score optimization. The model 
    was trained with 2,000 iterations."

Section 4: Results

4.1 Topic Identification
    "Four latent topics emerged from the analysis:
    Topic 1: [Name] (top words: ..., prevalence: X%)
    Topic 2: [Name] (top words: ..., prevalence: X%)
    ..."

4.2 Temporal Trends
    "Topic 4 (Human-Centric Operations) shows the lowest 
    prevalence, indicating a significant research gap."

5. Lỗi phổ biến cần tránh

  1. Chọn k tùy ý — phải justify bằng coherence score hoặc perplexity
  2. Không report preprocessing steps — reviewer cần biết bạn làm gì với text
  3. Diễn giải topic chỉ dựa trên top words — phải đọc representative documents
  4. Claim topic modeling = comprehensive review — nó bổ sung, không thay thế đọc kỹ papers
  5. Quên temporal analysis — topic modeling + trend analysis → phát hiện emerging topics

Graph View

Backlinks