We thank the editorial board for the opportunity to discuss our methodological contribution in a symposium dialogue as well as the two commentators for their inspiring and challenging comments. We are especially delighted that the commentators agree on the relevance of analyzing the dynamics of manifest and latent meanings in big data using different textmining tools in general and for map analysis in particular. According to our reading, the commentators focused on quality criteria, namely, two different but highly relevant aspects of transparency in research processes. Laura K. Nelson (this volume, pp. 139–143) focused on transparency in the context of research foci and analytical steps in a text-analysis project to ensure the reproducibility of results, whereas Burt L. Monroe (this volume, pp. 132–139) focused on transparency regarding data inspection and thus the credibility of results. We structured our rejoinder as follows: First, we draw on selected aspects Nelson and Monroe posed that we believe they consider to be most important to reflect on transparency in the context of big data and text-mining tools. Second, because quality criteria such as transparency do not exist in isolation, we complement the discussion on quality by adding general issues regarding overarching textmining methodology. Finally, we conclude by providing a prospect for further establishment of big data analysis in the social sciences.

中文翻译：

---

Rejoinder：在计算社会科学中寻求透明和可重复的文本挖掘方法

我们感谢编辑委员会有机会在研讨会对话中讨论我们的方法论贡献以及两位评论员的鼓舞人心和具有挑战性的评论。我们特别高兴的是，评论员同意使用不同的文本挖掘工具，特别是地图分析来分析大数据中显性和潜在含义的动态的相关性。根据我们的阅读，评论员关注质量标准，即研究过程透明度的两个不同但高度相关的方面。Laura K. Nelson（本卷，第 139-143 页）专注于文本分析项目中研究焦点和分析步骤背景下的透明度，以确保结果的可重复性，而 Burt L. Monroe（本卷，第 139 页）。132-139）侧重于数据检查的透明度以及结果的可信度。我们的反驳结构如下：首先，我们借鉴了 Nelson 和 Monroe 提出的选定方面，我们认为他们认为在大数据和文本挖掘工具的背景下反映透明度最重要。其次，因为透明度等质量标准不是孤立存在的，我们通过添加有关总体文本挖掘方法的一般问题来补充对质量的讨论。最后，我们为在社会科学中进一步建立大数据分析提供了前景。我们借鉴了 Nelson 和 Monroe 提出的选定方面，我们认为他们认为在大数据和文本挖掘工具的背景下反映透明度最重要。其次，因为透明度等质量标准不是孤立存在的，我们通过添加有关总体文本挖掘方法的一般问题来补充对质量的讨论。最后，我们为在社会科学中进一步建立大数据分析提供了前景。我们借鉴了 Nelson 和 Monroe 提出的选定方面，我们认为他们认为在大数据和文本挖掘工具的背景下反映透明度最重要。其次，因为透明度等质量标准不是孤立存在的，我们通过添加有关总体文本挖掘方法的一般问题来补充对质量的讨论。最后，我们为在社会科学中进一步建立大数据分析提供了前景。