Analiza tekstu w badaniach ekonomicznych z wykorzystaniem modeli ekonometrycznych i algorytmów uczenia maszynowego 2400-PL3SL338A
W pierwszej kolejności omówione zostaną zasady pracy nad tekstem naukowym, w tym specyfika formułowania problemów, celów, pytań i hipotez badawczych, przeprowadzania przeglądu literatury, doboru metod badawczych, interpretacji wyników, a finalnie właściwej redakcji pracy licencjackiej. Ponadto, przedstawione zostaną podstawy teoretyczne i metodologiczne analizy tekstu, w tym źródła danych tekstowych, metody przetwarzania języka naturalnego, modele ekonometryczne wykorzystujące dane tekstowe oraz wybrane algorytmy uczenia maszynowego. W szczególności studenci zostaną zapoznani z metodyką analizy sentymentu, modelowania tematów, konstruowania modeli ekonometrycznych i algorytmów predykcyjnych na bazie zmiennych tekstowych. Następnie, seminarium prowadzone będzie w formie warsztatów koncentrujących się na praktycznej realizacji projektów badawczych, pozyskiwaniu i przygotowaniu danych tekstowych, implementacji wybranych metod analitycznych, prezentacji wyników oraz konsultacjach dotyczących kolejnych etapów przygotowania pracy licencjackiej.
Typ aktywności K (kontaktowe) S (samodzielne)
wykład (zajęcia) 15 0
ćwiczenia (zajęcia) 15 0
egzamin 0 0
konsultacje 30 0
przygotowanie do ćwiczeń 0 15
przygotowanie do wykładów 0 0
praca z materiałami dodatkowymi umieszczanymi na platformie Moodle 0 0
przygotowanie do kolokwium 0 0
przygotowanie do egzaminu 0 0
Razem 60 15 = 75
Koordynatorzy przedmiotu
Rodzaj przedmiotu
Efekty uczenia się
Student zna zasady przygotowania pracy licencjackiej, posiada wiedzę tj. z zakresu poprawnego formułowania problemów, celów, pytań i hipotez badawczych, przeprowadzania przeglądu literatury, doboru metod badawczych, interpretacji wyników, właściwej redakcji pracy licencjackiej. Student zna podstawy teoretyczne i metodologiczne analizy tekstu, potrafi dobrać metody odpowiednie do zdefiniowanego problemu badawczego. Student rozumie specyfikę metod ekonometrycznych i algorytmów uczenia maszynowego, potrafi konstruować proste modele.
Kryteria oceniania
Podstawą zaliczenia semestru zimowego jest ustalenie tematu pracy licencjackiej, prezentacja planu pracy licencjackiej w trakcie seminarium, dostarczenie rozdziału pracy licencjackiej składającego się na przegląd literatury, z którego wynikają hipotezy badawcze. Podstawą zaliczenia semestru letniego jest złożenie pracy licencjackiej.
Literatura
Bird, S., Klein, E., & Loper, E. (2009). Natural language processing with Python: analyzing text with the natural language toolkit. O'Reilly Media.
Blei, D. M., Ng, A. Y. & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of machine learning research, 3(Jan), 993-1022.
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint, DOI: 10.48550/arXiv.1810.04805.
Friedman, J., Hastie, T., & Tibshirani, R. (2009). The elements of statistical learning: data mining, inference and prediction. Springer Series in Statistics.
Goodfellow, I., Bengio, Y., & Courville, A. (2016) Deep learning. MIT Press.
Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure. arXiv preprint arXiv:2203.05794.
Kherwa, P., & Bansal, P. (2020). Topic modelling: a comprehensive review. EAI Endorsed transactions on scalable information systems, 7(24).
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams engineering journal, 5(4), 1093-1113, DOI: 10.1016/j.asej.2014.04.011.
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training. Retrieved from: cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf.
Ramos, J. (2003). Using tf-idf to determine word relevance in document queries. In Proceedings of the first instructional conference on machine learning (Vol. 242, No. 1, pp. 29-48).
Reimers, N., & Gurevych, I. (2019). Sentence-bert: Sentence embeddings using siamese bert-networks. arXiv preprint, DOI: 10.48550/arXiv.1908.10084.
Stevens, K., Kegelmeyer, P., Andrzejewski, D., & Buttler, D. (2012). Exploring topic coherence over many models and many topics. In Proceedings of the 2012 joint conference on empirical methods in natural language processing and computational natural language learning (pp. 952-961).
Tunstall, L., Von Werra, L., & Wolf, T. (2022). Natural language processing with transformers. Building Language Applications with Hugging Face. 1st Edition. O'Reilly Media.
Wankhade, M., Rao, A.C.S. & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review 55, 5731-5780, DOI: 10.1007/s10462-022-10144-1.