社會科學的文本分析：R的應用
作　　者╱
 曾文鐽
出版社別╱
 五南
書　　系╱
 研究&方法
出版日期╱
2025/08/19   (1版 1刷)
  
即日起五南舊官網僅提供書籍查詢，如欲購書，請至五南新官網 https://www.wunan.com.tw/
I  S  B  N ╱
 978-626-423-701-7
書　　號╱
 1HAZ
頁　　數╱
 196
開　　數╱
 16K
定　　價╱
 420
教學資源╱
 投影片((外加))


☉系統化學習路徑
從文本分析基礎概念、語料庫結構探索、文本資料視覺化，到聚類辨識文本相似性、情感分析與機器學習，循序漸進，逐步搭建完整框架。
☉理論結合實作
透過豐富案例與步驟式操作指南，引導讀者使用R及quanteda等套件，立即動手建立可複製的文本分析工作流程。
☉橫跨社科、文學與商業
聚焦「以問題為導向」的應用場景，協助研究者與實務工作者有效解讀文本數據，洞察人類行為與社會脈動。

     在數據驅動的時代，文本分析是揭示人類語言奧祕的關鍵方法。本書以R與quanteda生態系為核心，示範如何從語料庫中挖掘模式、趨勢與洞見，助力學術研究，也為政策、商業與社會決策提供實證基礎。
　　全書循序漸進：
1. 語料庫結構與預處理：分詞、N-gram、TF-IDF等基礎技術。
2. 聚類與相似性分析：以階層與K-means等方法刻畫文本關係。
3. 情感分析與機器學習：結合SVM、隨機森林等模型，完成精細分類與預測。
     每章均附完整R程式碼、真實案例與圖形化流程，讀者可即學即用，迅速將方法轉化為學術或業界成果。

曾文鐽

現職：
國立臺灣科技大學應用外語系教授

學歷：
英國諾丁漢大學博士

經歷：
國立臺灣師範大學英語系助理教授、副教授
國立臺灣科技大學應用外語系副教授

第1章　文本分析簡介
什麼是文本分析？
透過文本洞察力提取數據
結語
文本分析工作流程
　原始文本
　矩陣表示
　分析
準備：練習使用R進行文本分析
　步驟1：載入quanteda套件
　步驟2：使用print()探索語料庫
　步驟3：使用tokens()對語料庫進行字元化處理
　步驟4：使用dfm()創建文檔-特徵矩陣
　步驟 5：使用textplot_wordcloud()創建文字雲
第1章總結

第2章　探索語料庫的結構
　步驟1：載入quanteda
　步驟2：檢視語料庫並提取文件變數
　步驟3：使用SOTU語料庫重現分析
詞彙字元化
　步驟1：載入quanteda
　步驟2：對語料庫進行詞彙字元化處理
　步驟3：使用kwic()探索字元化的語料庫
在R中創建文檔-特徵矩陣
　步驟1：載入quanteda
　步驟2：對語料庫進行字元化處理
　步驟3：創建文檔-特徵矩陣
　步驟4：選擇dfm特徵
第2章總結

第3章　文本數據的視覺化呈現
條形圖
詞彙分布圖
關鍵度繪圖
相關描述性統計
摘要統計
　頻率
　可讀性
　詞彙多樣性
關鍵詞分析
　步驟1：載入套件
　步驟2：對語料庫進行字元化處理
　步驟3：創建文檔-特徵矩陣
　步驟4：執行命令獲取摘要統計資料
　步驟5：將匯總統計資料轉換為相關的視覺化圖形
第3章總結

第4章　在R中應用聚類技術識別文本相似性
視覺化聚類算法
K-均值聚類
　選擇一個K值
　手肘法
　層次聚類
　終止點的確認
　樹狀圖
　方法比較
計算R中的二元統計量
　步驟1：加載套件和語料庫
　步驟2：字元化並創建文檔-特徵矩陣
　步驟3：使用textstat_simil()進行相似度計算
　步驟4：使用textstat_dist()進行距離計算
聚類美國總統演講
　步驟1：加載套件和語料庫
　步驟2：字元化並創建文檔-特徵矩陣
　步驟3：K-均值聚類和層次聚類
　繪製距離和K-均值聚類
繪製層次聚類
第4章總結

第5章　情感分析
情感分析工作流程
執行情感分析
　步驟1：載入和探索語料庫
　步驟2：對資料進行字元化
　步驟3：識別極端文本中最常見的單詞
　步驟4：應用情感詞典進行情感分析
　步驟5：情感分析
　步驟6：視覺化
第5章總結

第6章　機器學習
分類的應用案例
單純貝氏分類模型
線性支援向量機（Linear Support Vector Machines）
混淆矩陣（Confusion Matrix）
評估R中的分類模型
　步驟1：載入套件和語料庫
　步驟2：對資料進行字元化並創建dfm
　步驟3：創建訓練集和測試集
　步驟4：擬合單純貝氏分類器
　步驟5：進行準確性測試
　步驟6：進行交叉驗證
第6章總結

第7章　結論與未來研究展望
旅程回顧
實踐之旅
展望未來
第7章總結

第8章　附件：R指令整理
第1章：文本分析簡介
　1. 基本操作函數
　2. quanteda套件函數
第2章：探索語料庫的結構
　1. 語料庫處理
　2. 字元化處理
　3. 關鍵詞文脈分析（KWIC）
　4. 文檔-特徵矩陣（DFM）
　5. 其他分析與應用
第3章：文本數據的視覺化呈現
　1. 文字雲相關函數
　2. 條形圖與相關統計函數
　3. 詞彙分布與關鍵度繪圖函數
　4. 可視化繪圖函數
第4章：在R中應用聚類技術識別文本相似性
　1. 文本預處理相關函數
　2. 相似性與距離計算函數
　3. K-均值聚類相關函數
　4. 層次聚類相關函數
　5. 視覺化繪圖相關函數
第5章：情感分析
　1. 載入與探索語料庫相關指令
　2. 資料字元化相關指令
　3. 文檔-特徵矩陣（DFM）操作相關指令
　4. 關鍵字和文字雲相關指令
　5. 情感詞典相關指令
　6. 資料框轉換與操作指令
　7. 視覺化相關指令
第6章：機器學習
　1. 載入與探索數據相關指令
　2. 資料分割與訓練測試集相關指令
　3. 單純貝氏分類相關指令
　4. 支援向量機（SVM）相關指令
　5. 模型性能評估相關指令
　6. 交叉驗證相關指令
　7. 可視化相關指令
管理學質性與量
化混合研究方法
概論
如何撰寫文獻回
顧：給社會與行
為科學領域學生
的寫作指南
整合分析軟體C
MA：簡介與操
作實務
Python量
化研究實作：D
eepnote
雲端平台應用
SPSS操作與
應用：問卷統計
分析實務（附資
料檔）
結構方程模型分
析：JASP的
運用
投影片((外加))

若要索取未隨書附送(外加)且未於此提供下載的教學資源，請詳洽業務人員(02-27055066#824)(僅提供教師使用)

第1章　文本分析簡介
準備：練習使用R進行文本分析
　　在本節的練習活動中，我們將使用R語言的quanteda套件進行文本分析的準備。本節使用的範例文本為美國總統的就職演說。
　　每個程式碼區塊前都有解釋文字。我們需要閱讀這些文字並自行執行每個步驟的程式碼。程式碼中使用的語法和標點符號會影響R中命令的功能，因此將它們記錄下來是很重要的。
步驟1：載入quanteda套件
　　首先，使用library()函數載入每個會話中所使用的套件。library()函數會在預先安裝的套件庫中尋找指定套件的名稱。因此，我們必須先安裝該套件，然後才能使用library()函數載入它。載入套件後，將其命名空間附加到當前會話，使我們可以使用套件中的所有功能。在載入quanteda套件時，可以使用tokens()參數和其他資料物件，如美國總統就職演說語料庫（data_corpus_inaugural）。語料庫是一個資料物件，包含演說的內容。
　　第一次載入套件時，輸出會顯示我們所使用的版本。因此，quanteda套件的版本應該≥3.0。
步驟2：使用print()探索語料庫
　　現在我們可以存取美國總統就職演說語料庫，這是quanteda套件中的一個語料庫（文本數據集）。可以執行data(package="quanteda")來查看quanteda套件中的五個數據集。透過對資料物件（即語料庫）執行print()函數，我們可以看到資料物件的簡要摘要，包括文檔數量和文檔內的變數。摘要中列出了每個文檔的標題，以年分為開頭，接著是演講的總統，以及每個項目的第一行。這個語料庫是quanteda套件的一部分，因此我們只需引用它的名稱data_corpus_inaugural即可。
　　讓我們來探索一個內置的語料庫物件，這個物件將在本書許多示例中使用到。這個語料庫稱為data_corpus_inaugural，使用單詞「data」告訴我們這是一個數據物件。名稱的第二部分「corpus」告訴我們這是一個語料庫數據類型。名稱的第三部分「inaugural」表示該語料庫包含了就職演講。在Quanteda中，為每個特殊類型的物件定義了輸出方法，當我們輸出它時，會得到一些摘要資訊，讓我們對物件有些微的了解，了解它包含的一些資訊。在這種情況下，它包含了59個文檔。它顯示了前6個文檔的片段。它還告訴我們還有53個文檔沒有完整顯示。在頂部，它還告訴我們有4個文檔變量，或者說文檔級別的詮釋資料。
步驟3：使用tokens()對語料庫進行字元化處理
　　現在我們可以嘗試對語料庫進行字元化。再次使用print()函數，檢查新建的tokens物件中前幾個文檔的前幾個字元。字元（token）是一系列以有意義的語意單位（如單詞和命名實體）為組的字符序列，通常以空格隔開。透過使用tokens()函數將字元化的語料庫賦值給新建的物件（在本例中為toks），可以使用物件名（即toks）檢索該物件。在這種情況下，物件是要執行該函數的語料庫。
　　我們可以使用tokens函數對這個語料庫進行字元化。當我們執行這個代碼塊並列印結果時，我們可以看到物件已被字元化，透過將它們根據分隔不同單詞、標點符號、數字等的空格進行分割。以字符向量的形式顯示了由tokens命令字元化或分割的字元。並提醒我們在這個物件中有4個文檔變量。這些文檔變量存在語料庫中，在tokens物件中也存在。
步驟4：使用dfm()創建文檔-特徵矩陣
　　現在我們可以運用這個tokens物件使用dfm()函數來創建文檔-特徵矩陣（dfm）。dfm編譯了語料庫中字元類型和文檔的計數。關於dfm的具體內容，我們將在第2章中進一步了解。
　　為了使用dfm命令創建一個文檔-特徵矩陣，我們需要先使用tokens命令將物件進行字元化。在這種情況下，我們將其賦值給toks。我們可以將這個dfm物件賦值給DFmat。然後我們可以列印它，這會調用quanteda的一個特殊方法，給我們展示從dfm命令創建的矩陣物件的一小部分。再次，它告訴我們有59個文檔和4個文檔變量。9,437個特徵告訴我們這些字元現在成為了我們矩陣的列，我們稱之為特徵。我們可以看到列印出的前10個特徵。特徵本身是跨越矩陣頂部列的標簽。文檔的名稱是我們在矩陣左側看到的欄名。在顯示中，由於不能將所有10個特徵放在一行上，所以它們被簡單地換行。在底部，再次提醒我們還有53個文檔沒有顯示出來，另外9,427個特徵也沒有顯示。
　　91.84%的稀疏度表示在這個矩陣中有91.84%的單元格為空。例如：1793年的華盛頓演講中沒有使用「fellow citizens」這個詞，儘管他1789年的演講中使用了這個詞。quanteda中的稀疏矩陣特性讓單元格的計數為零時，我們不必記錄任何內容。透過將其記錄為稀疏矩陣，而不是密集矩陣，我們能夠節省91.84%的存儲空間。這也使得處理速度更快。