Integrating Social Network Analysis and Topic Modeling in Social Media Research: A Systematic Literature Review of Open-Access Scopus Studies (2016-2026)
Cette revue systématique de la littérature portant sur 194 études en libre accès issues de Scopus de 2016 à 2026 révèle que, bien que l'intégration de l'analyse de réseaux sociaux et de la modélisation thématique dans la recherche sur les médias sociaux soit en pleine croissance et principalement axée sur la santé et la politique via Twitter, les applications actuelles restent largement superficielles et parallèles, incitant l'auteur à proposer une taxonomie, un modèle de recherche et un agenda complets afin de faire progresser la profondeur méthodologique et les normes de validation.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les réseaux sociaux laissent derrière eux deux types de traces distinctes chaque fois que nous faisons défiler, publions ou partageons du contenu. Une trace est le contenu lui-même : les mots que nous tapons, les opinions que nous exprimons et les histoires que nous racontons. L'autre est la connexion : l'acte de republier, de répondre ou de suivre quelqu'un, ce qui révèle qui écoute qui et comment les idées circulent entre les individus. Pendant des années, les chercheurs ont étudié ces traces séparément. Certaines équipes ont cartographié les connexions pour voir comment les communautés se forment et comment l'influence se propage, tandis que d'autres ont analysé le texte pour comprendre ce que les gens disent réellement. Mais pour véritablement comprendre le monde numérique, il faut regarder à la fois la carte des relations et la carte de la conversation en même temps. Le défi a été de trouver comment tisser ces deux cartes différentes sans perdre les détails de l'une ou de l'autre.
Une récente revue systématique de Dwi Jaya Saputra, chercheur à l'Université de Brawijaya, propose un examen complet de la manière dont les scientifiques ont tenté de combiner ces deux méthodes au cours de la dernière décennie. L'étude a examiné 194 articles de recherche en accès libre publiés entre 2016 et 2026 qui tentaient de fusionner l'analyse des réseaux sociaux avec la modélisation thématique. L'objectif n'était pas seulement de compter le nombre d'études existantes, mais de comprendre comment elles ont été construites, ce qu'elles ont trouvé et vers quoi le domaine se dirige. La revue révèle un domaine qui connaît une croissance rapide mais qui s'arrête souvent à la surface, là où les chercheurs effectuent deux analyses distinctes côte à côte plutôt que de les tisser en une compréhension unique et plus profonde.
La revue a commencé par interroger une base de données académique majeure pour trouver les études utilisant à la fois l'analyse de réseau et la modélisation thématique sur des données de réseaux sociaux. Après avoir filtré les articles en langue anglaise disponibles librement, les chercheurs ont réduit une liste de 560 articles potentiels à 194 répondant à des critères stricts. Ces études couvraient un large éventail de sujets, allant des discussions sur la santé et les débats politiques aux tendances commerciales et aux préoccupations environnementales. Les données provenaient de nombreuses plateformes, bien qu'une plateforme, X (anciennement Twitter), ait fourni les informations pour plus de la moitié des études. Au fil du temps, l'utilisation d'autres plateformes comme Reddit, YouTube et Weibo a augmenté, suggérant un élargissement du paysage de la recherche au-delà d'une source unique.
Lorsque les chercheurs ont examiné la manière dont ces études ont été menées, ils ont trouvé un schéma clair dans la façon dont les deux méthodes sont combinées. Dans la grande majorité des cas, soit environ 71 pour cent, les chercheurs utilisent une approche « parallèle ». Cela signifie qu'ils ont effectué une analyse thématique pour voir de quoi les gens parlaient et une analyse de réseau pour voir qui était connecté, puis ont simplement comparé les deux résultats. C'est comme regarder séparément une carte des routes d'une ville et une liste de ses magasins populaires, puis noter qu'ils semblent se chevaucher, sans réellement tracer comment les routes mènent aux magasins. Bien que cette méthode soit courante et utile pour obtenir un aperçu général, la revue a constaté qu'elle testait rarement si les connexions entre les deux étaient réelles ou s'il ne s'agissait que d'une coïncidence.
Seule une petite fraction des études, environ 9 pour cent, a tenté une approche « conjointe », où le réseau et le texte sont analysés ensemble dans un cadre mathématique unique. Ces études sont plus complexes car elles tentent d'estimer simultanément la structure de la communauté et le contenu de la conversation. Un autre groupe d'études a utilisé une approche « du réseau vers le thème », où ils ont d'abord identifié des groupes de personnes, puis analysé ce que ces groupes spécifiques disaient. Un quatrième groupe, plus rare, représentant moins de 5 pour cent, a utilisé une approche « du thème vers le réseau », construisant les connexions entre les personnes sur la base de la similitude des thèmes qu'elles ont discutés. La revue suggère que bien que le domaine se dirige vers des méthodes plus sophistiquées, l'approche parallèle simple reste la norme pour la plupart des chercheurs.
Les outils utilisés pour analyser le texte ont également évolué. Pendant longtemps, une méthode appelée Latent Dirichlet Allocation, ou LDA, a été la norme pour trouver des thèmes cachés dans de vastes collections de textes. Elle est apparue dans environ un tiers des études examinées. Cependant, de nouvelles méthodes utilisant une compréhension linguistique avancée, telles que BERTopic, ont commencé à apparaître plus fréquemment, surtout ces dernières années. Malgré ce changement technologique, la revue a noté un manque important de transparence : la moitié des études n'ont pas nommé l'algorithme spécifique utilisé dans leurs résumés. De plus, très peu d'études ont inclus une explication claire de la manière dont elles ont vérifié l'exactitude de leurs résultats. La plupart des résumés ne mentionnaient pas si les chercheurs avaient testé si leurs résultats changeraient si l'on utilisait des paramètres ou des outils différents.
Les chercheurs ont conclu que, bien que la combinaison de ces deux méthodes soit devenue une partie routinière de la recherche sur les réseaux sociaux, l'intégration est souvent superficielle. Le domaine est passé d'un seul article en 2016 à 36 articles en 2025, montrant une accélération claire de l'intérêt. Pourtant, la manière dont ces études sont conçues n'a pas suivi la croissance. La revue propose un nouveau cadre pour la recherche future qui encourage les scientifiques à aller au-delà de la simple exécution de deux analyses distinctes. Au lieu de cela, ils devraient choisir un chemin spécifique pour la façon dont le réseau et le texte interagissent, que ce soit en construisant un réseau à partir de thèmes ou en analysant des thèmes au sein de communautés spécifiques. Crucialement, l'auteur soutient que les chercheurs doivent valider leurs résultats combinés, en testant si le lien entre les personnes et les mots tient bon sous différentes conditions.
En regardant vers l'avenir, la revue trace un agenda pour la prochaine décennie de recherche. Elle appelle à davantage d'études sur des plateformes autres que X, incluant les sites basés sur la vidéo et les applications de messagerie qui sont actuellement sous-représentés. Elle exhorte également les chercheurs à étendre leurs travaux pour inclure des langues et des régions qui ont été largement ignorées, dépassant ainsi la dominance des études provenant des États-Unis et de la Chine. Enfin, la revue suggère que la voie la plus prometteuse réside dans le développement de modèles qui traitent la structure du réseau et le contenu de la conversation comme un système unique et interconnecté. Ce faisant, les chercheurs peuvent passer de la simple description de ce qui se passe sur les réseaux sociaux à une compréhension réelle de la manière dont les connexions entre les personnes façonnent les idées qu'elles partagent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.