Introducción

LDAShiny es una aplicación web desarrollada con Shiny (Chang et al., 2017) y el framework golem (Fay et al., 2022). Permite realizar una revisión exploratoria de la literatura científica mediante el modelo de Asignación Latente de Dirichlet (LDA; Blei, Ng y Jordan, 2003) sin necesidad de escribir código: desde la carga de datos bibliográficos hasta la interpretación de tópicos y el análisis de su evolución temporal.

Esta guía recorre cada pestaña de la aplicación en el orden recomendado:

Instalación e inicio

El paquete requiere R >= 4.1.0. Una vez instalado, la aplicación se inicia con una sola función:

library(LDAShiny)
run_LDAShiny()

Los archivos bibliográficos (por ejemplo, exportaciones de Scopus) pueden ser grandes. Shiny limita las cargas de archivos a 5 MB por defecto; si sus archivos son mayores, aumente el límite antes de iniciar la aplicación:

options(shiny.maxRequestSize = 1024 * 1024^2)  # 1 GB
run_LDAShiny()

Paso 0. Acerca de (About)

La pestaña About resume qué hace la aplicación, sus especificaciones técnicas (versión, framework y paquetes principales), la forma recomendada de citar LDAShiny, e información sobre el grupo de investigación y el autor.

Paso 1. Importación de datos (Import Data)

Primero elija una acción en el menú Select an action:

Los campos utilizados por el resto de la aplicación son title, abstract, year, Journal, doi y database; la limpieza PRISMA también usa affiliations. Para archivos Excel, los nombres de columna se comparan sin distinción de mayúsculas y se aceptan los alias habituales (por ejemplo, TI, AB, PY, SO, DI, DB, C1). El archivo Excel debe incluir una columna database, porque el módulo de entrenamiento la usa para calcular la intensidad de tópicos por fuente.

Paso 1b. Análisis geográfico y de revistas (Geographic & Journal Analysis)

Este módulo está disponible en cuanto se han importado los datos. Ofrece tres vistas complementarias del corpus y no afecta al flujo de modelado.

Paso 2. Preprocesamiento del texto (Preprocess)

Este módulo convierte el texto en una matriz documento-término. Todo se configura en la pestaña Settings y se ejecuta con Run Preprocessing.

El texto siempre se convierte a minúsculas y siempre se eliminan las palabras vacías en inglés, junto con las del archivo cargado y las añadidas de forma interactiva. Por esta razón la aplicación está diseñada para corpus en inglés.

Las otras pestañas del módulo muestran y permiten refinar el resultado:

• DTM Summary: dimensiones de la matriz antes y después del filtro de dispersión. Si la DTM queda vacía, o el filtro elimina todos los términos, la aplicación lo informa; en el segundo caso, pruebe un nivel de dispersión menos estricto.
• Term Frequency (tf_mat): tabla de términos con su frecuencia total y frecuencia de documentos.
• Refine Stopwords: tabla ordenada por frecuencia de documentos descendente. Los términos que aparecen en muchos documentos suelen ser candidatos a palabras vacías. Seleccione las filas, haga clic en Add Selected & Reprocess y la DTM se reconstruye automáticamente. La lista acumulada de palabras añadidas durante la sesión puede descargarse en Excel o borrarse con Clear Custom Stopwords.
• Downloads: la tabla de frecuencias completa (tf_mat.xlsx) y la DTM final (dtm_final_sparse.rds).

Paso 3. Elección del número de tópicos (LDA Inference)

El módulo ajusta un modelo LDA para cada valor de K en el rango elegido, en paralelo, y calcula la coherencia de cada tópico (Mimno et al., 2011). La medida resumen para cada modelo es la coherencia media de sus tópicos.

Haga clic en Run LDA Inference. Cuando termina, el estado informa el K con mayor coherencia media y el tiempo transcurrido. Los resultados aparecen en dos pestañas:

• Coherence Table: valor de coherencia para cada K, descargable en Excel (coherence_mat.xlsx).
• Coherence Plot: curva de coherencia frente a K, con opciones de personalización (etiquetas, tema, color y ancho de línea, puntos) y exportación como PNG, TIFF, JPEG o PDF.

El K con coherencia máxima es un punto de partida, no una decisión final. Las curvas de coherencia suelen tener varias regiones con valores similares, razón por la cual el siguiente paso evalúa la robustez de la elección.

Paso 4. Estabilidad y sensibilidad (Stability & Sensitivity)

Este módulo comprueba si el K elegido es robusto, utilizando tres ideas:

1. Estabilidad frente a la inicialización. Para cada K candidato se entrenan varios modelos y se mide la variabilidad de su coherencia y el Índice de Rand Ajustado (ARI; Hubert y Arabie, 1985) entre las asignaciones de tópico dominante de cada documento. Antes de comparar las ejecuciones, los tópicos de cada una se alinean con los de la primera ejecución mediante la similitud del coseno de sus distribuciones de términos.
2. Puntuación compuesta. Cada K recibe una puntuación que combina cuatro criterios.
3. Sensibilidad a los pesos. El módulo comprueba si el K ganador cambia bajo esquemas alternativos de ponderación.

Paso 5. Entrenamiento del modelo final (Final LDA Model)

model <- readRDS("lda_final_model.rds")

names(model)            # componentes del modelo
dim(model$phi)          # K tópicos x términos
dim(model$theta)        # documentos x K tópicos
round(model$prevalence, 1)

# Diez términos principales de cada tópico
textmineR::GetTopTerms(model$phi, M = 10)

Paso 6. Tendencias temporales (Topic Trends)

Este módulo parte de la intensidad de cada tópico por año, calculada como la gamma media de los documentos de ese año, y evalúa su evolución con dos pruebas complementarias:

• Regresión de mínimos cuadrados ordinarios (MCO) de la intensidad sobre el año: pendiente (reportada multiplicada por 1000), R-cuadrado y valor p.
• Prueba de Mann-Kendall (Mann, 1945), no paramétrica: coeficiente τ y valor p.

Archivos generados por la aplicación

Consejos y solución de problemas

• Documente sus decisiones. Conserve la tabla PRISMA, la lista de palabras vacías añadidas, el K elegido y los parámetros del modelo (pestaña Model Evaluation Metrics), y guarde el archivo .rds del modelo final.
• Lea los tópicos, no solo las métricas. La coherencia y la puntuación compuesta orientan la elección de K, pero la decisión final debe basarse en la lectura de los términos y los documentos representativos de cada tópico.
• Refine las palabras vacías de forma iterativa. Tras un primer ajuste, use Refine Stopwords para eliminar términos genéricos del dominio y ejecute el flujo de trabajo de nuevo.
• La DTM está vacía o no tiene términos. Compruebe la columna de texto elegida y relaje el filtro de dispersión (Sparse filter).
• No se puede cargar un archivo grande. Aumente shiny.maxRequestSize antes de iniciar la aplicación (ver «Instalación e inicio»).
• LDAvis no se abre. Permita las ventanas emergentes en el navegador para la dirección de la aplicación.
• Topic Trends no muestra resultados. Entrene primero el modelo final: este módulo usa la intensidad tópico-año calculada en Final LDA Model, que requiere que los datos importados tengan columnas year y database.
• Los cálculos tardan mucho. LDA Inference y Stability & Sensitivity entrenan muchos modelos. Reduzca el rango de K, use un paso mayor que 1 para una primera exploración y asigne más núcleos de CPU.

Cómo citar

Si utiliza LDAShiny en su investigación, por favor cite:

De la Hoz-M., J., Fernandez-Gomez, M. J. y Mendes, S. (2021). LDAShiny: An R Package for Exploratory Review of Scientific Literature Based on a Bayesian Probabilistic Model and Machine Learning Tools. Mathematics, 9(14), 1671. https://doi.org/10.3390/math9141671

Referencias

Benjamini, Y. y Hochberg, Y. (1995). Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B, 57(1), 289-300.

Blei, D. M., Ng, A. Y. y Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993-1022.

Chang, W., Cheng, J., Allaire, J. J., Sievert, C., Schloerke, B., Xie, Y., et al. shiny: Web Application Framework for R. Paquete de R.

Fay, C., Rochette, S., Guyader, V. y Girard, C. (2022). Engineering Production-Grade Shiny Apps. Chapman & Hall/CRC.

Hubert, L. y Arabie, P. (1985). Comparing partitions. Journal of Classification, 2, 193-218.

Mann, H. B. (1945). Nonparametric tests against trend. Econometrica, 13(3), 245-259.

Mimno, D., Wallach, H., Talley, E., Leenders, M. y McCallum, A. (2011). Optimizing semantic coherence in topic models. Proceedings of EMNLP, 262-272.

Page, M. J. et al. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, 372, n71.

Sievert, C. y Shirley, K. (2014). LDAvis: A method for visualizing and interpreting topics. Proceedings of the Workshop on Interactive Language Learning, Visualization, and Interfaces, 63-70.