The shifting sands of disciplinary development:

Analyzing North American Library and Information Science dissertations using latent Dirichlet allocation

以LDA法分析北美圖資學博士論文

Sugimoto, C. R., Li, D., Russell, T. G., Finlay, S. C., & Ding, Y. (2011). The shifting sands of disciplinary development: Analyzing North American Library and Information Science dissertations using latent Dirichlet allocation. Journal of the American Society for Information Science & Technology, 62(1), 185–204. doi:10.1002/asi.21435

政大圖檔所 陳勇汀 2013/12/31

重要名詞

• LDA: latenet Dirichlet allocation 隱性狄莉克雷分佈，用來描述文件的主題模型。屬無監督學習法，不需要訓練樣本。

Introduction [P.1]

• 傳統圖資學的文獻分析法，主要是在期刊論文上使用內容分析(content analysis)與共引分析(cocitation analysis)，但是這些方法不僅難以交互比較，而且還有不少限制

• 限制1：期刊論文的只能呈現單一類別。
• 限制2：不論是找尋高被引作者(highly cited athors)或是從期刊文章中取樣，都必須耗費大量人力，而且樣本較小。因此高被引文獻不一定具備有代表性，反之這些少量文獻會大量影響分析結果。
• 限制3：以上分析方式只能呈現綜合結果(synchonic)，而不能呈現歷史演變(diachronic)。要找尋趨勢只能重複方法進行分析，但很少人如此做。

• 本研究欲分析博士論文(dissertation)作為圖資領域的代表

• 博士論文需完成兩個目標：1. 定位圖資原有的研究領域；2. 開創新的研究疆域
• 博士是未來的教授(faculty)，有可能間接影響下一世代的學生

• 本研究採用LDA法分析1930-2009年的博士論文(本文是2011年發表)，研究目的為

• 辨識圖資學研究主題的歷史演變
• 檢視LDA法用於分析領域發展與轉變的作法

Method [P.3]

資料來源 MPACT Project

• 本研究是以MPACT資料庫為基礎，分析1930-2009年間ALA認可的學校，共3,121偏論文。
• 分析資料主要需要取得主題與摘要

• 缺漏資料則由ProQuest跟OCLC WorldCat補充，少部分寫信去問作者。
• 但是早期文章大多欠缺摘要

LDA法 (Latent Dirichlet Allocation)

• LDA主要作法是：大量文字資料的分類、偵測新字詞、摘要、相似度與關連判斷

• 基於貝氏演算法(Bayesian model)的進一步延伸

• 作法：bag-of-words 一籃子的文字

• 文件(document)中的每一個文字(words)被轉換成機率
• 散佈在各個文件中的多個文字，即可由人工解釋成為描述這些文件的主題詞(topic)
  →因此單一文獻包含多種主題、每個文字也可以呈現多種主題

• 呈現型態：Author-topic model

• 檢視每篇文章的主題機率分佈之外，也檢視每位作者的主題機率分佈
• 因此結果不僅能看到主題詞的轉變，也能看到與主題詞相關的作者

• LDA的author-topic model運作方式

• ϴ is the probability of a topic given an author x; α is a hyperparameter for ϴ.
• φ is the probability of a word w given a topic z; β is a hyperparameter for φ
• ad provides for the fact that multiple authors can write a single document; x is a randomly selected author from ad. (Note that there are only single authors in this selection; however, it is still necessary to identify author x.)
• Given author x, we identify the topic z most likely to be associated with the given author.
• Given topic z, we identify the words w most likely to be associated with the given topic.

• 貝氏網路(Bayesian network)的結合機率計算方式採用Gibbs sampling algorithm

• 適用於母體參數未知，且樣本機率已知的情況

• 混亂度分析 (Perplexity analysis)：決定多少主題詞可以群聚成一組。經抽樣部分資料進行測試，發現每個時期都以50個主題詞為佳。

• 歷史演變切割：分成五個時段

• 每個時段各找出50個主題詞，主題詞各自包含機率值，由出現機率高至低排序
• 選出最高機率的前五個主題詞，並帶出相關文字，給定一個主題詞
• 作者也依照機率值排序，選出給定主題詞底下最常出現的作者

Reslts [P.5]

Discussion [P.9]

• 歷史轉變：

• 圖書館史(Library history)只有出現在前兩個時期，包含於館藏與服務
• 館員專業(Profession of librarianship)中，1930-1969包含教育與徵選、1970-1979包含教育與學校圖書館、1980-1989包含評估與館員的認知(perception)、1990-1999包含管理、2000-2009主要是網際網路的影響。
• 資訊行為方面，1970-1979集中於資訊使用、1980-1989聚焦於科學使用、2000-2009著重傳播(dissemination)
• 知識組織方面，第一時期著重於分類，1970年代主要是索引，1990年代是針對媒體(media)，2000年則是分割成了使用者導向與其他分類法

• 研究限制：

• 限制1：第一時期的摘要不足，僅有18.6%的文獻有摘要
• 限制2：人工判斷主題詞並不容易，Topic 5c除了information、seeking、behavior之外，其他字都難以判斷

• 與其他採用編碼表進行內容分析的文獻、以及用引用分析的研究結果比較，LDA的分析結果大致上吻合。然而文獻內容與分析方式的差異導致研究結果仍有所不同

• 期刊偏向實驗性質的研究，博士論文偏向理論性質

• 此外，本研究的作者分析中，博士論文作者中過濾掉非本科系的人。不過圖資博士學位論文的作者也可能包含非本科系的人。

• 只看圖資博士的話，分析較為聚焦
• 不只看圖資博士的話，有可能可以找到其他相關領域的成員

• 圖書館研究議題的沒落：

• 
• 包含librar*的文獻日漸減少，圖資學的博士教育可能沒跟圖書館實務有很好的連接
• 也可能是圖書館用詞轉變成其他形式，研究成果也可以間接影響實務館員

Conclusion [P.12]

• 以LDA法分析代表圖資領域的博士論文，可以找到圖資領域的主要主題，包括資訊尋求、取用、組織與檢索；以及專業館員在提供服務上的教育與訓練。

心得

• 基於機率模型的LDA不需要訓練樣本，參數設定容易，適合跨領域比較，也能夠應用在不同的分析對象上。若要做學科歷史源流的話，可以先用LDA取得整體樣貌，再進行細部分析。