跨学科话语图谱：用LLM和BERTopic分析教育研究十年演变

本文介绍一个计算社会科学创新项目，利用大语言模型（LLM）和BERTopic主题建模技术，对2015-2025年间学习科学与教育技术领域的期刊摘要进行跨学科话语分析，构建话语图谱，为理解教育研究演变趋势提供数据驱动视角，展示计算社会科学在学术趋势洞察中的应用。

学习科学源于认知科学与教育心理学，关注学习深层机制；教育技术聚焦技术工具设计与应用。过去十年两领域快速发展，但知识流动、概念交叉与话语分化缺乏量化研究。传统人工编码内容分析耗时费力，自然语言处理技术虽提供新可能，但结合领域知识的主题发现及算法效度验证仍是方法论挑战。

核心目标：回答两领域核心主题、主题演变、跨领域共享与分歧、LLM辅助主题标注的可解释性提升问题。 数据范围：2015-2025年两领域主要期刊摘要，覆盖十年趋势。 技术流程：1.文本预处理（清洗、分词、去停用词）；2.BERTopic主题建模；3.LLM辅助主题标注；4.跨领域对比分析；5.统计验证（Bootstrap推断、敏感性分析）。

BERTopic主题建模：通过Sentence-BERT嵌入文档 嵌入、UMAP降维+HDBS�BSCAN聚类、c-TF-ID 代表性词汇 汇生成主题，相比LDA优势：捕捉语义关系、 词袋假设设，自动确定主题数，，细粒度子主题 发现。 LLM辅助 助标注：提取主题题簇 代表性文档与关键词，输入LLM生成标签，人工审核修正，解决主题命名难题。。 统计验证 Bootstrap推断 感性分析**：Bootstrap重复抽样估计置信区间；改变UMAP邻居数、HDBSCAN最小簇大小等参数验证结果稳健性。

领域特异性主题：学习科学关注认知负荷、情境学习、元认知等；教育技术关注在线学习平台、移动学习、VR等。 跨学科交汇：共享设计型研究、基于证据的实践、学习分析等主题。 时间演变：传统主题（如行为主义）衰退，新兴主题（如生成员AI教育应用）崛起，个性化学习等周期性回归。

贡献：1.LLM增强主题建模流程，提升自动化与可解释性；2.跨领域比较框架可推广至其他学科；3.Bootstrap与感性分析提升结果可靠性。 局限：仅分析期刊摘要遗漏细节；若仅英文数据忽略非英语贡献；主题趋势仅示相关性，无法推断因果。

应用场景：学术趋势监测辅助资源配置；跨学科合作发现；课程内容更新；研究选题辅助。 拓展方向：多语言分析；结合引文网络分析知识流动；全文分析；实时监测实现持续追踪。