Методы классификации текстовых данных: можно ли потенциал количественного анализа использовать в качественном исследовании?

ИНТЕРакция. ИНТЕРвью. ИНТЕРпретация. 2021. Т. 13. № 2. С. 81–96.

Александрова М. Ю.

Интеллектуальный анализ текстовых данных, или текст-майнинг, продемонстрировал активное развитие в последние годы. В статье в качестве примера сравниваются методы классификации, пригодные для решения задач по прогнозированию частичных неответов, и на этом материале автор строит рассуждения о том, как может быть реализован анализ текстовых данных в более широком исследовательском поле. Автор рассматривает ряд метрик, адаптированных для текстового анализа в социальных науках: правильность (accuracy), точность (precision), полноту (recall), F-меру (F1-score), приводит примеры, которые могут помочь исследователю-социологу разобраться, на какую из них стоит обращать внимание в зависимости от поставленной задачи (классифицировать свои текстовые данные с равной точностью или же более полно описать один из интересующих классов). В статье предложена интерпретация результатов, полученных с помощью анализа текстов на материалах Европейского социального исследования (European Social Survey, ESS).

Ключевые слова: binary logistic regression, text analysis, decision tree, дерево решений, text mining, текстовый анализ, текстовые данные, текст-майнинг, наивный байесовский классификатор, item nonresponse, text data, Naive Bayes classifier, random forest, частичный неответ

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА: Социальная инклюзия после пандемии COVID-19: организационный и микросоциальный контексты (2021)