Topic-Modelle für qualitative Textanalysen

Topic-Modelle werden zur explorativen Datenanalyse genutzt. Sie können auf einer statistischen Grundlage von Wahrscheinlichkeitsverteilungen und Unabhängigkeitsannahmen gebildet werden, die als Bayessche Netzwerke bezeichnet werden. Alternativ können sie auf der Grundlage der linearen Algebra gebildet werden. Die Berechnung der Modelle wird als Optimierungsproblem formuliert, dessen Ergebnis die Zerlegung von einer Matrix ist, deren Zeilen die Dokumente und deren Spalten die Wörter des Vokabulars sind. Diese Matrix wird in ein Produkt mehrerer kleinerer Matrizen faktorisiert. Topic-Modelle fassen die in den Dokumenten vorkommenden Wörter in Gruppen zusammen und klassifizieren sie auf diese Weise. Diese Klassifikation bildet die wichtigsten strukturierenden Themen einer Textsammlung ab. Als explorative, Klassen bildende Methoden können Topic-Modelle mit anderen Klassen bildenden Methoden in den Sozialwissenschaften, insbesondere mit Cluster- und Faktorenanalysen, verglichen werden. In diesem Kapitel erklären wir zuerst wie Topic-Modelle funktionieren. Anschließend vergleichen wir sie mit den bekannteren Methoden der Cluster- und Faktorenanalyse.