Questionário de modelagem de tópicos

As respostas e explicações aparecem conforme você responde ao teste.

1. In the LDA formulation, how is a modeled topic represented over the vocabulary?
   • As one mandatory human-written keyword only
   • As a probability distribution over words
   • As a grammatical parse of every sentence
   • As a sentiment value with no vocabulary representation
2. Why can an unsupervised LDA topic model be fit to documents without topic labels?
   • It requires a verified category for every document first
   • It reads only documents with identical titles
   • It necessarily uses a classifier trained on the same task labels
   • It infers unobserved topic structure from the observed words
3. Como é que a LDA trata um documento individual?
   • Como pertencente a exatamente um tópico
   • Como uma sequência onde a ordem das palavras é essencial
   • Como uma mistura de vários tópicos em diferentes proporções
   • Como uma imagem de texto a ser digitalizada
4. Qual é a suposição de 'saco de palavras' usada pelo LDA clássico?
   • Ele ignora a ordem das palavras e usa apenas contagens de palavras
   • Mantém apenas a primeira frase de cada documento
   • Ele traduz primeiro todos os documentos para o inglês
   • Requer que as palavras estejam em ordem alfabética
5. Qual decisão você normalmente deve tomar antes de executar o LDA?
   • O título exato de cada tópico
   • O autor de cada documento
   • A fonte em que os documentos foram escritos
   • O número de tópicos K para encontrar
6. Which stage commonly starts BERTopic's grouping of documents rather than relying only on raw word counts?
   • Assigning every document a manually required topic label
   • Clustering representations derived from document embeddings
   • Removing all text before computing any representation
   • Treating every document as an identical image file
7. When inspecting LDA's high-probability words, who can supply a descriptive topic name such as election coverage?
   • An analyst interpreting the weighted words and documents
   • A probability value that necessarily proves one official name
   • A required government approver for every model run
   • A document filename that always determines the meaning
8. After BERTopic groups documents, what does c-TF-IDF help produce for each cluster?
   • The original input image pixels
   • A required dependency parse for every token
   • Characteristic weighted words representing the group
   • Proof that every cluster has exactly one true theme