Применение компьютерной лингвистики для анализа основных направлений исследований в журнале «Экономика региона»
DOI:
https://doi.org/10.17059/ekon.reg.2022-2-3Ключевые слова:
тематическое моделирование, машинное обучение, компьютерная лингвистика, анализ текста, обзор литературы, научный журнал, пространственная экономика, экономика природопользования, наукометрия, стороннее финансированиеАннотация
За последние десятилетия процесс создания новых знаний значительно ускорился, что обусловило появление огромного количества научных публикаций. Это делает обзор даже относительно узкой предметной области крайне затруднительным. Тем не менее новейшие инструменты анализа текстовых данных могут помочь исследователям выполнить эту задачу объективно и с минимальными временными затратами. При помощи методов тематического моделирования мы проводим обзор литературы по 1307 статьям, опубликованным в журнале «Экономика региона» с 2010 г. по 2021 г. Данная работа нацелена на описание основных направлений исследований в журнале, динамики их популярности и взаимосвязи с ключевыми количественными показателями. В ходе анализа мы определили 22 основные темы исследований, варьирующихся от сельского хозяйства и экономической географии до фискальной политики и предпринимательства. Мы оценили, как со временем менялась распространенность этих тем, и определили тематики, которые либо набрали наибольшую популярность с 2010 г. по 2021 г. (+17,61 %, «Пространственная экономика»), либо потеряли ее (-14,58 %, «Экономика инноваций»). Статьи на тему экономики природопользования чаще цитируются (в среднем, 3,64 цитирований на 1 статью), а темы денежно-кредитной политики и бедности наиболее часто встречаются среди работ на английском языке, а также публикаций с иностранной аффилиацией. Работы, вышедшие при поддержке стороннего финансирования, наиболее сконцентрированы в теме «Пространственная экономика» (около 11 % статей), а наименее — в теме «Сельское хозяйство». Полученные результаты, демонстрирующие эволюцию исследований в журнале «Экономика региона», могут помочь авторам найти перспективные направления будущих работ.
Библиографические ссылки
Aggarwal, C. C. (2018). Text Preparation and Similarity Computation. In: Machine Learning for Text (pp. 17–30). New York: Springer.
Ambrosino, A., Cedrini, M., Davis, J., Fioria, S., Guerzoni, M. & Nuccio, M. (2018). What topic modeling could reveal about the evolution of economics. Journal of Economic Methodology, 25(4), 329–348. DOI: 10.1080/1350178X.2018.1529215.
Asmussen, C. B. & Møller, C. (2019). Smart literature review: a practical topic modelling approach to exploratory literature review. Journal of Big Data, 6(1), 1–18. DOI: 10.1186/s40537–019–0255–7.
Baskakova, I. V., Podymova, A. S., Turgel, I. D. & Balandina, M. S. (2020). The Impact of HIV Infection on the Population’s Quality of Life in Regions. Ekonomika regiona [Economy of region], 16(1), 114–126. DOI: 10.17059/2020–1-9. (In Russ.)
Blei, D. M. (2012). Probabilistic Topic Models. Communications of the ACM, 55(4), 77–84. DOI: 10.1145/2133806.2133826.
Callaghan, M. W., Minx, J. C. & Forster, P. M. (2020). A topography of climate change research. Nature Climate Change, 10(2), 118–123. DOI: 10.1038/s41558 019 0684.
De Battisti, F., Ferrara, A. & Salini, S. (2015). A decade of research in statistics: a topic model approach. Scientometrics, 103(2), 413–433. DOI: 10.1007/s11192–015–1554–1.
Devitsyn, I. N. & Savin, I. V. (2020). Research Community Analytic Tool Based on Topic Modeling and Network Analysis. Uspekhi kibernetiki [Russian Journal of Cybernetics], 1(4), 13–21. DOI: 10.51790/2712–9942–2020–1-4–2. (In Russ.)
Drews, S., Savin, I. & van den Bergh, J. (2022). Climate change concern and policy support before and after COVID-19. Ecological Economics, 199, 107507. DOI:10.1016/j.ecolecon.2022.107507.
Fellbaum, C. D. (2005). WordNet and wordnets. In: K. Brown (Ed.), Encyclopedia of Language and Linguistics, Second Edition (pp. 665–670). Oxford: Elsevier.
Griffith, T. & Steyvers, M. (2004). Finding scientific topics. Proceedings of the National Academy of Sciences of the United States of America, 101, 5228–5235. DOI: 10.1073/PNAS.0307752101.
He, Q., Chen, B., Pei, J., Qiu, B., Mitra, P. & Giles, C. L. (2009). Detecting Topic Evolution in Scientific Literature: How Can Citations Help? In: CIKM ‘09: Proceedings of the 18th ACM conference on Information and knowledge management (pp. 957–966). Hong Kong, China. DOI: 10.1145/1645953.1646076.
Kochetkov, D. M., Vuković, D. B. & Kondyurina, E. A. (2021). Challenges in Developing Urban Marketing Strategies: Evidence from Ekaterinburg. Ekonomika regiona [Economy of regions], 17(4), 1137–1150. DOI: 10.17059/ekon.reg.2021–4-7.
Liu, G., Nzige, J. H. & Li, K. (2019). Trending topics and themes in offsite construction (OSC) research: The application of topic modelling. Construction Innovation, 19(3), 343–366. DOI: 10.1108/CI-03–2018–0013.
Lüdering, J. & Winker, P. (2016). Forward or backward looking? The economic discourse and the observed reality. Jahrbuecher fuer Nationaloekonomie und Statistik [Journal of Economics and Statistics] 236(4), 483–515.
Maier, D., Waldherr, A., Miltner, P., Wiedemann, G., Niekler, A., Keinert, A., … Adam, S. (2018). Applying LDA Topic Modeling in Communication Research: Toward a Valid and Reliable Methodology. Communication Methods and Measures, 12(2–3), 93–118. DOI: 10.1080/19312458.2018.1430754.
Mimno, D., Wallach, H. M., Talley, E. M., Leenders, M. & McCallum, A. (2011). Optimizing Semantic Coherence in Topic Models. In: Proceedings of the 2011 Conference on Empirical Methods in Natural Language Processing (pp. 262–272). Edinburgh, Scotland.
Mo, Y., Kontonatsios, G. & Ananiadou, S. (2015). Supporting systematic reviews using LDA based document representations, Systematic Reviews, 4(1), 172. DOI: 10.1186/s13643–015–0117–0.
Moskaleva, O., Pislyakov, V., Sterligov, I., Akoev, M. A. & Shabanova, S. (2018). Russian Index of Science Citation: Overview and review. Scientometrics, 116(1), 449–462. DOI: 10.1007/s11192–018–2758-y.
Murakami, A., Thompson, P., Hunston, S. & Vajn, D. (2017). ‘What is this corpus about?’: using topic modelling to explore a specialised corpus. Corpora, 12(2), 243–277. DOI: 10.3366/cor.2017.0118.
Muštra, V., Perovic, L. M. & Golem, S. (2014). Social attitudes and regional inequalities. Ekonomika regiona [Economy of region], 1, 66–73. DOI: 10.17059/2014–1-5.
Roberts, M. E., Stewart, B. M. & Tingley, D. (2019). STM: An R Package for Structural Topic Models. Journal of Statistical Software, 91(2), 1–40. DOI: 10.18637/jss.v091.i02.
Roberts, M. E., Stewart, B. M., Tingley, D., Lucas, C., Leder-Luis, J., Gadarian, S. K., … Rand, D. G. (2014). Structural topic models for open-ended survey responses. American Journal of Political Science, 58(4), 1064–1082. DOI: 10.1111/ajps.12103.
Savin, I. & van den Bergh, J. (2021). Main topics in EIST during its first decade: A computational linguistic analysis. Environmental Innovation and Societal Transition, 41, 10–17. DOI:10.1016/j.eist.2021.06.006.
Savin, I., Chukavina, K. & Pushkarev, A. (2022). Topic-based classification and identification of global trends for startup companies. Small Business Economics. DOI: 10.1007/s11187–022–00609–6.
Savin, I., Drews, S. & van den Bergh, J. (2021). Free associations of citizens and scientists with (green) economic growth: A computational linguistics analysis. Ecological Economics, 180, 106878. DOI: 10.1016/j.ecolecon.2020.106878.
Savin, I., Drews, S., Mestre Andrés, S. & van den Bergh, J. (2020). Public views on carbon taxation and its fairness: A computational linguistics analysis. Climatic Change, 162, 2107–2138. DOI: 10.1007/s10584 020 02842.
Savin, I., Ott, I. & Konop, C. (2021). Tracing the evolution of service robotics: Insights from a topic modeling approach. Technological Forecasting and Social Change, 174, 121280. DOI: 10.1016/j.techfore.2021.121280.
Sharma, V. & Mittal, A. (2021). Revisiting the Dynamics of the Fiscal Deficit and Inflation in India: the Nonlinear Autoregressive Distributed Lag Approach. Ekonomika regiona [Economy of Region], 17(1), 318–328. DOI: 10.17059/EKON.REG.2021–1-24.
Speier, W., Ong, M. K. & Arnold, C. W. (2016). Using phrases and document metadata to improve topic modeling of clinical reports. Journal of Biomedical Informatics, 61, 260–266. DOI: 10.1016/j.jbi.2016.04.005.
Uglanova, I. & Gius, E. (2020). The Order of Things. A Study on Topic Modelling of Literary Texts. In: CHR 2020: Workshop on Computational Humanities Research (pp. 57–76). Amsterdam, The Netherlands.
van den Bergh, J., Castro, J., Drews, S., Exadaktylos, F., Foramitti, J., Klein F., … Savin, I. (2021). Designing an Effective Climate-Policy Mix: Accounting for Instrument Synergy. Climate Policy, 21(6), 745–764. DOI: 10.1080/14693062.2021.1907276.
Voutilainen, A. (2003). Part-of-Speech Tagging. In: R. Mitkov (Ed.), The Oxford handbook of computational linguistics (pp. 219–232). New York: Oxford University Press Inc.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
