[論文レビュー] A Neural Topic Method Using a Large-Language-Model-in-the-Loop for Business Research

Stephan Ludwig, Peter J. Danaher+1 more|arXiv (Cornell University)|Mar 4, 2026

Computational and Text Analysis Methods被引用数 0

ひとこと要約

LX Topic は大規模言語モデルをループに組み込み、校正された文書レベルのトピック分布を生成する神経トピック手法。トピック品質を改善しつつクラスタリング/分類性能を維持する。

ABSTRACT

The growing use of unstructured text in business research makes topic modeling a central tool for constructing explanatory variables from reviews, social media, and open-ended survey responses, yet existing approaches function poorly as measurement instruments. Prior work shows that textual content predicts outcomes such as sales, satisfaction, and firm performance, but probabilistic models often generate conceptually diffuse topics, neural topic models are difficult to interpret in theory-driven settings, and large language model approaches lack standardization, stability, and alignment with document-level representations. We introduce LX Topic, a neural topic method that conceptualizes topics as latent linguistic constructs and produces calibrated document-level topic proportions for empirical analysis. LX Topic builds on FASTopic to ensure strong document representativeness and integrates large language model refinement at the topic-word level using alignment and confidence-weighting mechanisms that enhance semantic coherence without distorting document-topic distributions. Evaluations on large-scale Amazon and Yelp review datasets demonstrate that LX Topic achieves the highest overall topic quality relative to leading models while preserving clustering and classification performance. By unifying topic discovery, refinement, and standardized output in a web-based system, LX Topic establishes topic modeling as a reproducible, interpretable, and measurement-oriented instrument for marketing research and practice.

研究の動機と目的

• 非構造化のビジネステキスト（レビューやオープンエンド調査）を測定手段としてのトピックモデリングを動機づける。
• LX Topic を開発し、実証分析に適した校正済みの文書レベルのトピック比を生成する。
• トピック語レベルでの LLm refine ment を統合し、整列と信頼度ウェイト付けを用いて意味的整合性を向上させつつ文書-トピック分布の歪みを避ける。
• マーケティングリサーチにおける再現性と解釈性を促進するため、ウェブベースのシステムでトピック発見、改良、標準出力を統合する。

提案手法

• FASTopic に基づいて文書表現の代表性を確保する。
• トピック語レベルでの大規模言語モデル refinement を導入する。
• 意味的整合性を改善するための整列と信頼度ウェイト付けのメカニズムを実装する。
• 文書-トピック分布の完全性を保ちつつ、LLM駆動の refine ment を可能にする。
• 再現性のあるトピックモデリングの標準出力を提供するウェブベースのシステムを提供する。

実験結果

リサーチクエスチョン

• RQ1 RQ1: LX Topic は大規模なレビューD ataset（Amazon、Yelp）で主要モデルと比較して全体的なトピック品質を高めることができるか。
• RQ2 RQ2: LX Topic はトピックを改良しつつクラスタリングと分類の性能を保持するか。
• RQ3 RQ3: 整列と信頼度ウェイト付けのメカニズムはトピックの一貫性と安定性にどのように影響するか。
• RQ4 RQ4: LX Topic はマーケティングリサーチと実務の再現性があり解釈可能で測定指向の手段として機能するか。

主な発見

• LX Topic は大規模な Amazon および Yelp のレビュー データセットに対して、主要モデルと比較して全体的なトピック品質を最高レベルで達成する。
• LX Topic はトピックを改良しつつクラスタリングと分類の性能を保持する。
• 整列と信頼度ウェイト付けのメカニズムは、文書-トピック分布を歪めることなく意味的整合性を高める。
• 本手法はトピックの発見、改良、標準化出力をウェブベースのシステムで統合し、マーケティングリサーチにおける再現性と解釈性を支援する。