5.3 Ένα ερευνητικό τυπολόγιο

Έχοντας ολοκληρώσει και το τελευταίο από τα τρία στάδια προετοιμασίας των κειμένων, ο μελετητής μπορεί πλέον να ανοίξει άφοβα την εξορυκτική του εργαλειοθήκη και να οπλιστεί με τα απαραίτητα ώστε να εντοπίσει, να συγκρίνει, να ερμηνεύσει και να οριοθετήσει, προκειμένου να προβλέψει.

Η ποσοτική ανάλυση του λόγου των ιδεολογιών είναι μία κατεξοχήν ταξινομική πρόκληση, με κύριο στόχο τη διαμόρφωση ενός εννοιολογικού μοντέλου, το οποίο να μπορεί να χρησιμεύσει για την εξέταση γραπτών τεκμηρίων σε επαναλαμβανόμενες έρευνες (longitudinalstudies), οι οποίες να τροφοδοτούνται τακτικά με νέο υλικό, σε όποια μορφή και από όποια πηγή κι αν διατίθεται (Διαδίκτυο, ΒΔ, τοπικά).

Ένα εννοιολογικό μοντέλο χαρακτηρίζεται από προσεκτικά καθορισμένες ταξινομικές κλάσεις, καθώς και ένα σύνολο προ-ταξινομημένων (pre-classified) δειγμάτων κειμένων. Επομένως, τόσο μεθοδολογικά όσο και εργαλειακά, η δημιουργία του αντιμετωπίζεται σαν μία διαδικασία ανάπτυξης, ελέγχου και αναθεώρησης ενός κατηγοριοποιητή του γραπτού λόγου (classifier).

Η παραπάνω διαδικασία επαγωγικής μάθησης (inductive learning) περιλαμβάνει τρία βήματα:

1. Επιλογή αλγορίθμου
2. Εποπτευόμενη μάθηση
3. Αξιολόγηση μοντέλου

Κατά το πρώτο βήμα, ο μελετητής καλείται να επιλέξει από ένα ευρύ φάσμα υπαρχόντων αλγορίθμων κατηγοριοποίησης ή, εναλλακτικά, να αναπτύξει έναν δικό του αλγόριθμο ακολουθώντας κάποιο διαδεδομένο μοντέλο κατηγοριοποίησης:

• Bayesian: κατηγοριοποιεί κάθε νέο έγγραφο σύμφωνα με τη θεωρία των προτέρων πιθανοτήτων του Bayes. Οι αλγόριθμοι naive Bayes, semi-naive Bayes, μη περιορισμένος Bayes, τα Bayesian Belief Networks, καθώς και αλγόριθμοι που συνδυάζουν τους παραπάνω με αλυσίδες Markov ακολουθούν αυτό το μοντέλο.
• Δέντρα απόφασης: κατηγοριοποιούν κάθε νέο έγγραφο μέσα από μία διαδικασία διαδοχικών ελέγχων σε κάθε κόμβο του δέντρου, ξεκινώντας από τη ρίζα του και καταλήγοντας στα φύλλα του. Οι αλγόριθμοι ID3, C4.5, SLIQ και SPRINT ακολουθούν αυτό το μοντέλο.
• Νευρωνικά δίκτυα: κατηγοριοποιούν κάθε νέο έγγραφο προβάλλοντας μία αρχική, σχεδόν αυθαίρετη, εκτίμηση και βελτιώνοντάς την επαναληπτικά, σε αναλογία με τα βιοηλεκτρικά δίκτυα που δημιουργούνται στον εγκέφαλο ανάμεσα στους νευρώνες και τις συνάψεις. Οι αλγόριθμοι Rprop, BFGS και CG ακολουθούν αυτό το μοντέλο.
• k-NearestNeighbour (k-NN): κατηγοριοποιεί κάθε νέο έγγραφο βρίσκοντας τα πλέον όμοια με αυτό έγγραφα σύμφωνα με το μέτρο ομοιότητας συνημιτόνου (cosine similarity). Οι αλγόριθμοι k-MSN, Kd-tree, LSH και RBV ακολουθούν αυτό το μοντέλο.
• SupportVectorMachine (SVM): κατηγοριοποιεί κάθε νέο έγγραφο επιλύοντας ένα σύνθετο πρόβλημα τριγωνομετρικής βελτιστοποίησης, κατά το οποίο αναζητείται μία επιφάνεια η οποία να διαχωρίζει με το μέγιστο περιθώριο (maximum margin property) ένα σύνολο θετικών εκτιμήσεων (επιτυχίες κατηγοριοποίησης) από ένα σύνολο αρνητικών εκτιμήσεων (αποτυχίες κατηγοριοποίησης). Οι αλγόριθμοι LS-SVM, v-SVM και TTF-MCSVM ακολουθούν αυτό το μοντέλο.

Κατά το δεύτερο βήμα, ο μελετητής επιλέγει και κατατάσσει ένα αντιπροσωπευτικό δείγμα δοκιμής από τη συλλογή κειμένων, ορίζοντας έτσι ένα προκαθορισμένο σύνολο ταξινομικών κλάσεων.

Κατά το τρίτο βήμα, ο μελετητής χρησιμοποιεί εκ νέου το δείγμα του για να αξιολογήσει την ακρίβεια του κατηγοριοποιητή, συγκρίνοντας τα αποτελέσματα της εποπτευόμενης μάθησης με τις εκτιμήσεις του κατηγοριοποιητή.

Η διαδικασία επαγωγικής μάθησης επαναλαμβάνεται έως ότου η ακρίβεια του μοντέλου θεωρηθεί αποδεκτή, ώστε να μπορεί πλέον να χρησιμοποιείται για την ταξινόμηση αγνώστων κειμένων.