TopicENA：通过基于主题的自动化编码实现规模化的认知网络分析
计算与语言
2026-03-05 v1 人工智能
摘要
认知网络分析（ENA）是一种用于检验文本中概念关系结构的方法，通过将共现概念表示为网络来实现。然而，传统的ENA方法高度依赖手动专家编码，这限制了其在大规模文本语料库上的可扩展性和实际应用。主题建模提供了一种从文本中自动提取概念层次表示的方法，可作为手动编码的替代方案。为解决这一局限性，本研究将BERTopic与ENA融合，引入TopicENA——一种基于主题的认知网络分析框架。TopicENA以自动生成的主题取代手动概念编码，同时保持ENA对概念之间结构关联建模的能力。为说明建模选择对TopicENA结果影响，本文呈现了三个分析案例。第一个案例评估了主题粒度的影响，表明粗粒度主题适用于大型数据集，而细粒度主题更适用于小型数据集。第二个案例检验了主题包含阈值的影响，发现阈值应根据主题质量指标调整，以平衡网络一致性和可解释性。第三个案例通过将其应用于远超前述ENA研究所用数据集的规模，测试了TopicENA的可扩展性。综合这些案例，表明TopicENA促进了规模化认知网络分析的实用性和可解释性，并为在大规模文本分析中配置基于主题的ENA管道提供了具体指导。
引用
@article{arxiv.2603.03307,
title = {TopicENA: Enabling Epistemic Network Analysis at Scale through Automated Topic-Based Coding},
author = {Owen H. T. Lu and Tiffany T. Y. Hsu},
journal= {arXiv preprint arXiv:2603.03307},
year = {2026}
}