Text Mining technologies in sociological analysis (using the example of studying students`ideas about the mission of a modern university)

Cover Page

Cite item

Full Text

Abstract

There are discussed in the article the possibilities of using Text Mining methods in the practice of analyzing the information received on the base of open questionnaire questions. The paper presents an example of unigrams and bigrams analysis, as well as the search for latent topic using thematic modeling. Empirical materials present the data of survey conducted in 2022, in which 929 students of one Moscow economics university took part. In the open question of the questionnaire, it was proposed to define the mission of the university. Information made it possible to get the subjective interpretation of the main significancy of higher education in modern conditions. The frequency analysis of unigrams, supplemented by a qualitative analysis of respondents’ statements, allowed reflecting the vocabulary of student discourse about the mission of the university. The articulation of bigrams was carried out on the basis of several statistical metrics, which made it possible to rank phrases and highlight a key set of concepts. The procedure revealed that in the perception of students, the priorities of the university are aimed at the transferring of professional knowledge and skills, in a broad sense – the training of qualified specialists. The social functions of the university, focused on meeting the needs of society and the state, are less pronounced in the conceptual interpretations of the interviewed students. At the next stage of the study the task of articulation and research of latent topics was put forward. The specific feature of thematic modeling is that the words combined into one topic reflect the distribution of words identified by the program, but not a topic that is literally understandable to a person. Taking into account the specifics of the method used, the authors demonstrated the results of search analysis in the practice of processing an open question. As it turned out, the keywords concentrated in the core of the main topics are mainly related to meeting the needs of the students themselves, leaving on the periphery of the verbalized definitions any understanding of the importance of the university as a platform for innovation, scientific research, entrepreneurial and other initiatives for the benefit of society and the country. The results of the presented research can be useful in rethinking the research tools of sociologists in the context of the active development of digital technologies, which requires testing new methods, understanding their real capabilities and limitations in solving the tasks of sociological research.

About the authors

Antonina N. Pinchuk

Plekhanov Russian University of Economics

Email: antonina.pinchuk27@bk.ru
ORCID iD: 0000-0001-7842-7141
ResearcherId: J-8648-2018
Candidate of Sociology, Associate Professor, Senior Researcher Moscow, Russia

Svetlana G. Karepova

Institute of Sociology of FCTAS RAS

Email: Svetlran@mail.ru
ORCID iD: 0000-0002-0472-0924
ResearcherId: J-8658-2018
Candidate of Sociology, Leading Research Associate Moscow, Russia

Dmitry A. Tikhomirov

Plekhanov Russian University of Economics

Email: dat1983@yandex.ru
ORCID iD: 0000-0002-1872-6788
ResearcherId: AAS-4884-2021
Candidate of Sociology, Associate Professor, Leading Research Associate Moscow, Russia

References

  1. Классификация текстовых документов на основе Text Minig / А. А. Алексеев, А. С. Катасёв, А. Е. Кириллов, А. П. Кирпичников // Вестник технологического университета. 2016. Т. 19, № 18. C. 116–119. EDN WYBSGN.
  2. Hotho A., Nürnberger A., Paaß G. A Brief Survey of Text Mining // Journal for Language Technology and Computational Linguistics. 2005. Vol. 20, № 1. P. 19– 62. doi: 10.21248/jlcl.20.2005.68.
  3. Isaeva E., Aldarova D. Text-Mining in Terms of Methodology and Development // Proceedings of 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). (Moscow, 26–29 January 2021). Moscow : IEEE, 2021. P. 413–416. doi: 10.1109/ElConRus51938.2021.9396437. EDN SECGLN.
  4. Осочкин А. А., Фомин В. В., Флегонтов А. В. Метод частотно-морфологической классификации текстов // Программные продукты и системы. 2017. Т. 30, № 3. С. 478–486. doi: 10.15827/0236-235X.030.3.478-486. EDN ZDUXZD.
  5. Macanovic A. Text mining for social science – The state and the future of computational text analysis in sociology // Social Science Research. 2022. Vol. 108. P. 1–16. doi: 10.1016/j.ssresearch.2022.102784. EDN SXELZJ.
  6. Evans J. A., Aceves P. Machine Translation: Mining Text for Social Theory // Annual Review of Sociology. 2016. Vol. 42. P. 21–50. doi: 10.1146/annurevsoc-081715-074206.
  7. Does counting emotion words on online social networks provide a window into people’s subjective experience of emotion? A case study on Facebook / E. Kross, P. Verduyn, M. Boyer [et al.] // Emotion. 2019. Vol. 19, № 1. P. 97–107. doi: 10.1037/emo0000416.
  8. Karlgren J., Li R., Meyersson Milgrom E. M. Text mining for processing interview data in computational social science // arXiv : [сайт]. 28 Nov 2020. URL: https://arxiv.org/abs/2011.14037 (дата обращения: 26.10.2023). doi: 10.48550/arXiv.2011.14037.
  9. Дудина В. И., Юдина Д. И. Извлекая мнения из сети Интернет: могут ли методы анализа текстов заменить опросы общественного мнения? // Мониторинг общественного мнения: Экономические и социальные перемены. 2017. № 5 (141). С. 63–78. doi: 10.14515/monitoring.2017.5.05. EDN VTHJMT.
  10. Кольцова О. Ю., Маслинский К. А. Выявление тематической структуры российской блогосферы: автоматические методы анализа текстов // Социология: 4М. 2013. № 36. C. 113–139. EDN RCFOWJ.
  11. Кашина М. А., Ткач С. Социология ценностей: опыт построения таксономии путём использования технологии анализа естественного языка // Цифровая социология. 2023. Т. 6, № 1. С. 48–58. doi: 10.26425/2658-347X-2023-6-1-4858. EDN YROQXD.
  12. Оценка соответствия приоритетов стратегического развития регионов их отраслевой специализации на основе Text Mining / Е. В. Козоногова, Ю. В. Дубровская, М. Р. Русинова, П. В. Иванов // Вопросы государственного и муниципального управления. 2022. № 2. С. 106–133. doi: 10.17323/19995431-2022-0-2-106-133. EDN JRFOUQ.
  13. Kotsiantis S. B., Kanellopoulos D., Pintelas P. E. Data Preprocessing for Supervised Leaning // International Journal of Computer and Information Engineering. 2007. Vol. 1, № 12. P. 4091–4096.
  14. Bird S., Klein E., Loper E. Natural language processing with Python. Sebastopol : O’Reilly Media, 2009. 479 p. ISBN 978-0-596-51649-9.
  15. Воронцов К. В. Вероятностное тематическое моделирование. 2013. 28 с. URL: https://mathprofi.com/uploads/files/3314_f_41_veroyatnostnoe-tematicheskoe-modelirovanie.-k.v.voroncov-2013g.pdf?key=19789ad13cac2399925acb68b1e18d8e/ (дата обращения: 26.10.2023).
  16. Оберемко О. А. К типологии открытых вопросов // Мониторинг общественного мнения: Экономические и социальные перемены. 2018. № 4 (146). С. 97–108. doi: 10.14515/monitoring.2018.4.06. EDN UZQQIE.
  17. Ненько А. Е., Недосека Е. В., Галактионова А. А. Возможности семантического анализа ключевых биграмм для исследования дискурса соседского онлайн сообщества // International Journal of Open Information Technologies. 2021. Т. 9, № 12. С. 111–118. doi: 10.25559/INJOIT.2307-8162.09.202112.111-118. EDN QTJRPZ.
  18. Хохлова М. В. Статистический подход применительно к исследованию сочетаемости: от мер ассоциации к машинному обучению // Структурная и прикладная лингвистика: межвуз. сб. / Отв. ред. И. С. Николаев. СПб : Изд-во С.-Петерб. ун-та, 2019. Вып. 13. С. 106–122. EDN GKFUJY.
  19. Хохлова М. В. К вопросу о сходстве мер ассоциации применительно к задаче автоматического извлечения глагольных коллокаций // Компьютерная лингвистика и вычислительные онтологии. 2019. № 3. С. 9–18. doi: 10.17586/25419781-2019-3-9-18. EDN LCONAI.
  20. Kormacheva D., Pivovarova L., Kopotev M. Evaluation of collocation extraction methods for the Russian language // Quantitative approaches to the Russian language. New York : Routledge, 2018. P. 137–157. doi: 10.4324/9781315105048-7.
  21. Рассел М., Классен М. Data Mining. 3-е изд. СПб. : Питер, 2020. 464 с. ISBN 978-5-4461-1246-3.
  22. Кирина М. А. Сравнение тематических моделей на основе LDA, STM и NMF для качественного анализа русской художественной прозы малой формы // Вестник НГУ. Серия: Лингвистика и межкультурная коммуникация. 2022. Т. 20, № 2. С. 93–109. doi: 10.25205/1818-7935-2022-202-93-109. EDN MWZRKH.
  23. Тематическое моделирование в контексте медицинских текстов / С. А. Землянский, С. В. Аксёнов, И. А. Лызин, О. Г. Берестнева // Доклады ТУСУР. 2021. Т. 24, № 4. С. 58–64. doi: 10.21293/1818-0442-2021-24-4-58-64. EDN PWQTGR.
  24. Воронцов К. В., Потапенко А. А. Регуляризация, робастность и разреженность вероятностных тематических моделей // Компьютерные исследования и моделирование. 2012. Т. 4, № 4. С. 693–706. EDN PWNZXV.
  25. Pääkkönen J., Ylikoski P. Humanistic interpretation and machine learning // Synthese. 2021. Vol. 199, № 1. P. 1461–1497. doi: 10.1007/s11229-02002806-w. EDN CDPQZP.
  26. Луков В. А. Тезаурусная социология : в 4 т. М. : Изд-во Моск. гуманит. ун-та, 2018. Т. 1. 608 с. ISBN 978-5-907017-45-0.

Supplementary files

Supplementary Files
Action
1. JATS XML


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».