Analiza mediów społecznościowych 3502-SCC-Fams
Dostępność dużych zbiorów danych z platform typu Social Networking Sites, SNS (Social Media Big Data) stała się impulsem do rozwoju nowych podejść badawczych w naukach społecznych, bazujących m.in. na metodach maszynowego przetwarzania języka naturalnego. W efekcie informacje pozyskane z SNS są z powodzeniem wykorzystywane do analizy mechanizmów rozprzestrzeniania się teorii spiskowych na temat wybuchu pandemii COVID-19 czy do monitorowania nastrojów społecznych w kontekście wyborów parlamentarnych lub prezydenckich. Praca z tego rodzaju danymi stwarza jednak liczne wyzwania i wymaga podjęcia szeregu decyzji metodologicznych, które wpływają na rezultaty analizy.
Kurs adresowany jest do studentów/ek zainteresowanych uzyskaniem zaawansowanej wiedzy na temat analizy danych z mediów społecznościowych. Nacisk położony zostanie na prezentację metodologii oraz najnowszych technik badawczych w obszarze analizy komunikacji cyfrowej, pozwalających na efektywne przetwarzanie dużych zbiorów danych – zarówno ustrukturyzowanych, jak i nieustrukturyzowanych. Uczestnicy/czki dowiedzą się, jak w sposób automatyczny pozyskiwać treści z platform SNS (m.in. Twitter, Facebook, YouTube) i jak przygotować je do dalszej pracy. Poznają najpopularniejsze metody analizy mediów społecznościowych – text mining, opinion mining/analizę sentymentu, analizę sieciową – oraz wizualizacji wyników. Dowiedzą się też, jakie problemy można napotkać w pracy z danymi nieustrukturyzowanymi i zaszumionymi (noisy), jak decyzje podjęte na etapie zbierania i przetwarzania danych wpływają na uzyskane wyniki i w jaki sposób dostosować istniejące rozwiązania z zakresu automatycznej analizy tekstu do specyfiki danych z platform SNS.
Kurs obejmie 16 godzin zajęć dydaktycznych o charakterze warsztatowym (hands-on workshop) z elementami wykładu oraz 4 godziny konsultacji, w trakcie których uczestnicy/czki będą mieli/ały możliwość omówienia własnych pomysłów badawczych. Na zajęciach korzystać będziemy z bibliotek pracujących w środowisku Pythona i R oraz z narzędzi webowych i desktopowych (m.in. Facepager, Netlytic, Gephi).
Rodzaj przedmiotu
Tryb prowadzenia
Założenia (opisowo)
Efekty kształcenia
Student/ka
K_W05 rozumie funkcjonujące w świecie cyfrowym mechanizmy i źródła danych, jakie można wykorzystywać albo wygenerować
K_W12 rozumie założenia metodologiczne stojące za wybranymi metodami zbierania i analizy danych cyfrowych
K_U01 potrafi samodzielnie zaplanować i prowadzić badania społeczne z zastosowaniem nowoczesnych narzędzi przystosowanych lub stworzonych specjalnie na potrzeby świata cyfrowego
K_U02 potrafi analizować dane ilościowe i jakościowe o charakterze cyfrowym
K_U07 potrafi wyszukiwać, gromadzić i przygotować do analizy za pomocą wybranych narzędzi dane dotyczące określonych zjawisk społecznych
K_U11 samodzielnie wyszukuje informacje o narzędziach służących analizie danych cyfrowych i dokształca się w zakresie korzystania z nich
K_U12 potrafi posługiwać się danym programem komputerowym do analizy danych cyfrowych korzystając z jego zaawansowanych funkcji
K_K03 potrafi krytycznie selekcjonować dane cyfrowe umożliwiające opracowanie wybranego problemu badawczego
K_K05 jest gotów do pracy zespołowej i współpracy również międzydziedzinowej w ramach wykonywanych zadań
K_K06 potrafi dokonać krytycznej oceny własnej pracy (badawczej, wykonanych analiz)
Kryteria oceniania
Zaliczenie na podstawie przygotowania projektu badawczego
Dopuszczalna liczba nieobecności podlegających usprawiedliwieniu: 1 spotkanie (4 godz. dydaktyczne)
Zasady zaliczania poprawkowego: takie same jak w I terminie
Kryteria doboru w przypadku większej liczby chętnych - list motywacyjny
Literatura
Ahmed, W. 2018. Using Social Media Data for Research: An Overview of Tools. Journal of Communication Technology, 1(1), 77–93.
Alsaeedi, A., Zubair, M.N. 2019. A Study on Sentiment Analysis Techniques of Twitter Data, International Journal of Advanced Computer Science and Applications, 10(2), 361–374.
Collins, L.C. 2019. Corpus Linguistics for Online Communication. New York: Routledge.
Giahanou, A., Crestani, F. 2016. Like It or Not: A Survey of Twitter Sentiment Analysis Methods. ACM Computing Surveys, 49, 2, 1–41.
Kennedy, H. 2016. Post, Mine, Repeat. London: Palgrave Macmillan UK.
Szabó, G., Boykin, O. 2019. Social media data mining and analytics. Hoboken: John Wiley & Sons.
Scheffler, T. 2017. Conversations on Twitter. In: D. Fišer, M. Beißwenger, Investigating Computer-Mediated Communication: Corpus-Based Approaches To Language In The Digital World, Ljubljana: University Press, 124–144.
Stieglitz, S., Dang-Xuan, L. 2012. Social media and political communication: a social media analytics framework. Social Network Analysis and Mining, 3, 1277–1291.
Stieglitz, S., Mirbabaie, M., Ross, B., Neuberger, Ch. 2018. Social Media Analytics – Challenges in Topic Discovery, Data Collection, and Data Preparation. International Journal of Information Management, 39, 156–168.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: