短篇開放式調查回覆的主題模型比較：STM 與 BERTopic
arXiv - Computers and SocietyYan Jiang, Sihong Liu, Philip A. Fisher
本文比較 STM 與 BERTopic 在短篇開放式調查回覆上的效能，發現 BERTopic 在主題一致性與可解釋性上優於 STM，且上下文增強能顯著提升表現。
AI 幫你先抓重點
AI 重點 1
上下文增強是提升短篇回覆主題一致性的關鍵策略。
滑鼠懸停看 AI 判斷理由
它證明在資料極短的情況下，加入額外語義上下文能有效彌補資訊不足，為研究者提供實務上可操作的改進方法。
AI 重點 2
BERTopic 在可解釋性與穩定性上優於 STM，適合需要快速洞察的社會科學研究。
滑鼠懸停看 AI 判斷理由
此洞察指出在探索性分析中，BERTopic 能更快產出可直接解讀的主題，對於需要即時決策的教育科技實務具有重要參考價值。
核心研究發現
- 1
BERTopic 在所有測試條件下，主題一致性均高於 STM，特別是加入上下文增強時表現最佳。
- 2
高維嵌入雖未提升一致性，卻造成更多資料遺失。
- 3
BERTopic 產生更易解釋且穩定的主題；STM 主題較寬泛且混合，且更適合推論性協變分析，BERTopic 主要為描述性比較。
對教育工作者的啟發
對於教育科技或社會科學研究者，建議先使用 BERTopic 並啟用上下文增強，以獲得更高的一致性與可解釋性；若需進行協變推論，可將 STM 作為補充，利用其統計支持；在實作時，注意嵌入維度不宜過高以免資料遺失；同時可先進行文字校正與詞幹化，提升模型輸入品質。
原始文獻資訊
- 英文標題：
- A Comparative Evaluation of Structural Topic Models and BERTopic for Short, Open-Ended Survey Responses
- 作者：
- Yan Jiang, Sihong Liu, Philip A. Fisher
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。