仮想ブレインストーミングの創造性を分析するための意味論駆動型トピックモデリング

概要: 仮想ブレインストーミングセッションは協働的な問題解決の中核的な要素となっていますが、アイデアの大量さと不均一な分布は、価値ある洞察を効率的に抽出するのを難しくします。アイデアの手動コード化は時間がかかり主観的であるため、グループ創造性の評価を支援する自動アプローチの必要性が強調されます。本研究では、セマンティック主導のトピックモデリングフレームワークを提案します。四つのモジュール型コンポーネントを統合します：トランスフォーマーベースの埋め込み（Sentence-BERT）、次元削減（UMAP）、クラスタリング（HDBSCAN）、および洗練化を伴うトピック抽出。フレームワークは文レベルの意味的類似性を捉え、ブレインストーミングの記録から一貫したテーマを発見するとともに、ノイズを除去し外れ値を識別します。自大学の改善を任務とする学生グループを対象とした構造化されたZoomブレインストーミングセッションで評価します。結果は、LDA、ETM、BERTopicなどの既存手法と比較して、当モデルがより高いトピックコヒーレンスを達成することを示しています。平均コヒーレンススコアは0.687（CV）で、ベースラインより有意に上回ります。パフォーマンスの向上を超えて、モデルは探究されたトピックの深さと多様性に関する解釈可能な洞察を提供し、グループ創造性の収束的および発散的次元の両方を支援します。本研究は、埋め込みベースのトピックモデリングが協働的なアイデア創出の分析における潜在力を示し、同期的な仮想会議における創造性を研究するための効率的でスケーラブルなフレームワークを提供します。）