面向 2047 发达印度的计算前瞻性：来自信息系统研究的洞察

《Futures》：Computational foresight for Vikshit Bharat 2047: Insights from Information Systems research

　　

•识别塑造印度数字未来的主要信息系统研究领域。
•绘制对实现“繁荣印度 2047"愿景至关重要的未充分探索的信息系统领域图谱。
•运用计算文本分析揭示新兴和潜在的研究主题。
•为包容性政策、创新和研究规划提供数据驱动的前瞻性洞察。
•将学术见解与国家数字发展和治理重点联系起来。

引言
印度的数字化转型正在加速进行。这得益于“数字印度”和“智慧城市计划”等雄心勃勃的国家举措的推动。Aadhaar、统一支付接口（UPI）和 CoWIN 等技术的快速扩展便是其中几例（Gupta 等人，2021，Khera，2017，Saini 和 Kharb，2025）。作为“繁荣印度 2047"愿景的基石，这一转型得到了日益壮大的信息系统（IS）研究生态系统的支撑，该生态系统以印度理工学院（IITs）、印度管理学院（IIMs）和国家信息学中心（NIC）等机构为锚点。这些机构产出大量关于印度本土挑战的研究成果，范围从弥合农村医疗数字鸿沟到农业供应链中的区块链应用（Kamble 等人，2020，Venkatesh 和 Sykes，2013）。此类研究为包容性和创新驱动的发展提供了重要见解。然而，将这些研究综合成连贯的主题集群仍然困难（Jones 等人，2011）。手动方法耗时且主观，而自动主题建模往往无法达到所需的稳健性和精度水平（Goyanes 等人，2025）。这限制了其在支持“繁荣印度 2047"等长期战略议程方面的效用。本研究通过评估主题建模算法在印度社会技术背景下从结构化信息系统摘要中生成连贯且具有政策相关性的主题方面的实用性来解决这一挑战。

从大型文本库中自动提取主题的前景使主题建模成为研究和工业领域的重要工具（Zimmermann 等人，2024）。潜在狄利克雷分配（LDA）和非负矩阵分解（NMF）已被广泛应用于主题建模研究。最近，基于大型语言模型的方法（如 BERTopic，采用基于 Transformer 的嵌入）也已出现（Chen 等人，2019）。然而，BERTopic 的性能取决于数据类型。BERTopic 通常能很好地处理社交媒体帖子等嘈杂、非结构化的文本，但在包含技术细节和主题同质性的结构化学术摘要中，其适用性有限（Son 和 Park，2025）。

对信息系统摘要的初步检查表明，BERTopic 在处理领域特定术语（如"Aadhaar"和“数字治理”）方面可能存在潜在局限性，这一观察结果激发了系统性的比较评估。同样，尽管 LDA 具有理论优势，但它不稳定，不同的运行会产生不一致的主题。这降低了其在快速演变的信息系统领域进行纵向趋势分析的实用性（Ballester 和 Penner，2022）。计算文本分析在扩展定性意义构建以及解决信息系统研究中的可重复性和偏见问题方面具有潜力（Mettler，2025）。在缺乏稳健的建模框架的情况下，政策制定者容易做出缺乏经验保护的决策，研究人员也难以跨研究连接研究结果。

信息系统研究是直接关注信息技术在组织和社会背景下如何被设计、采用、治理和评估的学科。“繁荣印度 2047"的五大支柱，如数字基础设施、包容性治理、创新经济、可持续发展和网络安全，每一支柱都对应于信息系统中一个既定的研究流。因此，了解信息系统学者目前研究什么，以及印度信息系统学术研究与全球同行相比有何差异，可以为将研究投资和政策关注点引向印度的长期数字议程提供前瞻性洞察。从未来学研究的角度来看，本研究产生的是探索性前瞻性——它绘制当前的知识景观以识别结构性差距，填补这些差距将扩大印度预测、治理和适应数字未来的能力。它并非预测具体结果，而是揭示那些限制预测性治理的研究缺失，通过使尚未被研究但急需研究的内容可见化，从而为未来素养做出贡献。

核心问题在于算法假设与学术文本结构之间的不匹配。LDA 假设是词汇广泛长篇文档，这不符合充满术语且共现稀疏的简短摘要（Zuo 等人，2016）。诸如 BERTopic 等神经网络模型捕获语义变异，但往往优先考虑上下文相似性，而牺牲了主题清晰度（Raman 等人，2024，Wang 等人，2024）。这可能导致主题碎片化或嘈杂，从而降低可解释性。此类局限性在印度信息系统领域尤为棘手，该领域的研究摘要涉及"AI 驱动的农业科技”或“去中心化身份框架”等小众主题。例如，如果聚类将"UPI"与“云计算”或“电子政务”等通用类别结合，那么结果对于国家转型委员会（NITI Aayog）或印度储备银行等机构而言几乎没有实用价值。这凸显了对强调稳定性、连贯性和与领域重点一致性的框架的需求。先前的研究表明，信息系统研究主题会随时间演变。管理和公共服务一直占据核心地位，同时对可持续性、新兴技术和社会实践的关注度日益增加（ZareRavasan 和 Jeyaraj，2023）。识别印度特定研究中的此类转变对于预测未来轨迹至关重要。

本研究探讨了计算语言学与社会技术前瞻性之间的重叠。它询问如何严格评估和适应主题建模算法，以从印度为中心的信息系统研究中生成稳定和可操作的主题。为此，我们基于表征理论（Griffiths 等人，2007）和认知匹配理论（Vessey，1991），对 LDA、NMF 和 BERTopic 进行了理论驱动的比较分析。前者强调模型捕获文本语义结构的程度。后者强调了可解释的输出如何支持高效的决策。使用来自主要期刊的 6755 篇全球和 207 篇印度特定信息系统摘要数据集，在理论视角的指导下，根据连贯性、稳定性和主题相关性评估算法性能。该分析挑战了神经网络模型普遍优越的常见假设。基于这些观察，我们构建了以下研究问题：

RQ1：哪种主题建模算法（NMF、LDA 或 BERTopic）能从结构化信息系统研究摘要中产生最稳定和连贯的主题，以及在结构化和小语料库设置中，哪些方法学条件解释了性能差异？
RQ2：从全球和印度特定的出版物语料库中涌现出哪些信息系统研究主题，它们在时间和主题上如何不同，这些模式对于与“繁荣印度 2047"对齐的证据驱动的研究优先事项有何建议？

本文结构如下：第 2 节详细研究现有的主题建模算法及其商业用例的工作。研究设计和理论框架在第 3 节中呈现。第 4 节解释了研究方法论。第 5 节介绍了不同数据类别下主题建模算法的实验结果。第 6 节讨论了研究的关键发现，包括理论和实践意义。最后，第 7 节总结了论文，并讨论了局限性和未来方向。

章节片段
相关工作
自动文本挖掘，将主题建模与统计技术相结合，已成为信息系统研究中分析大规模文本数据的核心（Debortoli 等人，2016）。对主题建模的日益依赖以提取可操作的见解，在学术界和工业界引发了辩论。这场辩论的核心在于，当应用于结构化或非结构化文本时，哪种算法能最好地平衡稳定性、可解释性和领域一致性。这里称为“模型”的挑战。

理论框架
主题建模在商业和研究中的效用取决于文本的计算表征与用户认知需求之间的一致性。这种关系通过表征理论和认知匹配理论的整合得到了正式化。表征理论认为，只有当模型的内部结构反映数据的语义和句法模式时，该模型才是有效的（Griffiths 等人，2007）。在主题建模中，这意味着算法必须捕获

方法论
本研究采用多方面的方法论框架，评估 NMF、LDA 和 BERTopic 在两个经过验证的信息系统研究语料库和两个代表半结构化和非结构化业务文本的验证数据集上的性能。基于表征理论和认知匹配理论，该方法论结合了实证严谨性与实践前瞻性。如表 4 中操作化所示，每个理论构念都映射到特定的指标和算法参数，创建了一个

实验结果分析
主题建模算法的可靠性是依赖结构化文本的前瞻性应用中的关键因素，可重复性和语义连贯性决定了见解是否能支持持续的政策和研究规划。本研究在两个主要信息系统研究语料库（全球：n=6755；印度：n=207）和两个验证数据集上评估了三种算法，（i）NMF，（ii）LDA 和（iii）BERTopic，在多个随机种子、三种预处理变体上进行评估，并且

讨论与意义
结果揭示了两个核心见解，直接回应了研究问题。针对 RQ1，证据证实，在计算前瞻性方面，上下文一致性比算法复杂性更重要：NMF 在所有四个数据集中始终产生比 LDA 和 BERTopic 更稳定和可解释的主题，差异确认为统计显著且具有实际意义（见表 9，表 10）。这挑战了主流的假设，即 结论

结论、局限性与未来展望
本研究表明，通过研究预见的未来取决于知识如何被系统性地解释和综合。本文所实践的计算前瞻性是一种探索性预测智能的形式：它不预测具体的未来，而是识别结构性条件，包括当前的研究差距、主题优先级的转变以及学术研究与国家议程之间的错位，这些将塑造到 2047 年印度哪些数字未来成为可能。

CRediT 作者贡献声明
Pradeep Kumar Roy：写作 – 初稿，可视化，验证，方法论，调查，形式分析，数据管理，概念化。
Abhinav Kumar：写作 – 审阅与编辑，可视化，验证，方法论，调查，概念化。

资金：本研究未获得资金支持。

利益冲突声明
作者声明他们没有已知的竞争经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。

Pradeep Kumar Roy|Abhinav Kumar