[論文レビュー] Advances in Science Visualization: Social Networks, Semantic Maps, and Discursive Knowledge

Loet Leydesdorff|arXiv (Cornell University)|Jun 17, 2012

Complex Network Analysis Techniques参考文献 45被引用数 10

ひとこと要約

本稿は、潜在的意味解析（LSA）と社会的ネットワーク解析（SNA）を統合することで、ベクトル空間における意味の処理とネットワーク空間における関係構造の処理をモデル化することにより、科学的可視化の分野を前進させた。この二つのトポスの結合—観察可能なネットワークにおける情報処理と、ベクトル空間における意味処理—が、複数のコードに沿った動的変動を経て、複雑性が増すのに対応できる自己組織的で進化的に分化したシステムの構築を可能にする。

ABSTRACT

Positional and relational perspectives on network data have led to two different research traditions in textual analysis and social network analysis, respectively. Latent Semantic Analysis (LSA) focuses on the latent dimensions in textual data; social network analysis (SNA) on the observable networks. The two coupled topographies of information-processing in the network space and meaning-processing in the vector space operate with different (nonlinear) dynamics. The historical dynamics of information processing in observable networks organizes the system into instantiations; the systems dynamics, however, can be considered as self-organizing in terms of fluxes of communication along the various dimensions that operate with different codes. The development over time adds evolutionary differentiation to the historical integration; a richer structure can process more complexity.

研究の動機と目的

• 情報と意味に関する両者の異なる視点を統合することで、テクスト解析と社会的ネットワーク解析の間のギャップを埋めること。
• 時間の経過とともに構造的および意味的次元の両方で進化する複雑な知識システムをモデル化する課題に取り組むこと。
• ネットワークダイナミクスとベクトル空間の意味論の結合が、科学的知識のより豊かで適応的な表現を可能にする仕組みを明らかにすること。

提案手法

• 本稿は、テキストデータから潜在的意味次元を抽出するため、潜在的意味解析（LSA）を用いる。これにより、意味が連続的ベクトル空間に表現される。
• 観察可能な関係的構造をモデル化するため、社会的ネットワーク解析（SNA）を適用する。ここでは、ネットワークデータにおける位置的および関係的パターンに注目する。
• LSAとSNAの統合により、ベクトル空間における意味処理とネットワーク空間における情報処理を同時に分析することが可能になる。
• 時間的進化は、複数の次元にわたるコミュニケーションの変動によって駆動される歴史的統合と進化的分化的プロセスとしてモデル化される。
• コミュニケーションダイナミクスが異なるコードに沿って作用することで、時間の経過とともに構造的複雑性が生じる自己組織的システムとして、システムを概念化する。
• 本手法は、観察可能なネットワークトポロジーと抽象的な意味的表現との間の動的相互作用を扱い、複雑性のより豊かな処理を可能にする。

実験結果

リサーチクエスチョン

• RQ1 潜在的意味解析と社会的ネットワーク解析をどのように統合することで、科学的知識における意味と関係的構造の両方をモデル化できるか？
• RQ2 時間的ダイナミクスとコミュニケーションの変動は、知識システムの自己組織的形成にどのような役割を果たすか？
• RQ3 ベクトル空間の意味論とネットワーク空間の関係性の結合が、複雑な情報処理のための処理能力をどのように向上させるか？
• RQ4 進化的分離と歴史的統合は、時間の経過とともに知識ネットワークの構造をどのように形作るか？
• RQ5 複数の次元にわたるコミュニケーションコードが異なる場合、システム全体の複雑性にどのような影響を与えるか？

主な発見

• LSAとSNAの統合により、情報処理と意味処理が、それぞれネットワーク空間とベクトル空間において、別個ではあるが密接に結合されたダイナミクスによって行われることが明らかになった。
• 時間的進化は、歴史的統合と進化的分離の両方を生じさせ、システムがより高い複雑性を処理できるようにする。
• 複数の次元に沿ったコミュニケーションの変動を通じて、システムは自己組織的行動を示す。各次元は異なるコードに従って作用する。
• トポスの結合により、観察可能なネットワークと意味的表現との間の動的相互作用が促進され、より豊かな構造的発展が可能になる。
• モデルは、複雑性が単なる加法的積み重ねではなく、意味的領域と関係的領域の間の非線形ダイナミクスの相互作用から生じることを示している。
• この枠組みは、複雑な情報処理タスクに適応可能な、進化的に分化した自己組織的知識システムの出現を支援する。