Obliczenia naukowe w naukach społecznych 4010-ONSa
Moduł 1: Wprowadzenie - cyfrowe ślady i fundamenty obliczeniowych nauk społecznych
Moduł będzie składał się z trzech części. W pierwszej zostanie wprowadzony paradygmat „Big Data” w naukach społecznych oraz kluczowe ograniczenia wnioskowania na danych zastanych: problem reprezentatywności (kto jest obecny w sieci, a kogo brakuje), data generating process dla „found data”, re-aktywność (zmiana zachowań pod wpływem pomiaru), błędy selekcji i coverage bias, rola metadanych oraz typowe patologie „brudnych danych” (duplikaty, drift, brakujące pola, niejednoznaczne jednostki analizy). W drugiej części omówione zostaną podstawowe praktyki odpowiedzialnego przetwarzania danych cyfrowych: prywatność kontekstowa, zasada data minimization, rozróżnienie anonimizacji i pseudonimizacji oraz intuicje stojące za differential privacy jako techniką ograniczania ryzyka ujawnienia informacji.
Część trzecia dotyczy symulacji komputerowych w naukach społecznych (po co i kiedy) oraz rozróżnienia analityki predykcyjnej i preskryptywnej w kontekście modelowania na potrzeby polityk publicznych (case studies).
Moduł 2: Analiza sieciowa
Moduł będzie składał się z dwóch części. W pierwszej wprowadzona zostanie perspektywa sieciowa w analizie zjawisk społecznych oraz podstawowe własności sieci społecznych. Omówione zostaną klasyczne intuicje i wyniki empiryczne: hipoteza „sześciu stopni oddalenia”, sieci małych światów oraz problem “szukania w sieci” jako zadanie na grafie. Przedstawione zostaną kluczowe modele generatywne: Wattsa–Strogatza (small-world), Barabasiego–Alberta (preferencyjne przyłączanie / skale potęgowe) oraz Kleinberga (nawigowalność i warunki efektywnego wyszukiwania).
W drugiej części modułu omówione zostaną mechanizmy i interpretacje społeczne struktur sieciowych: siła słabych więzi (Granovetter), kapitał społeczny (bonding vs bridging), assortativity oraz embeddedness. Zostanie też wprowadzona analiza pozycji jednostki w sieci poprzez różne miary centralności oraz podejścia do wnioskowania statystycznego w sieciach: null models, randomizacje i testy istotności dla własności sieci i metryk węzłów.
Moduł 3: Procesy społeczne w sieciach
W pierwszej części omówione zostaną podstawowe mikro-mechanizmy kształtujące strukturę i dynamikę relacji: triadic closure oraz równowaga strukturalna, a następnie homofilia rozumiana jako rezultat selekcji społecznej lub wpływu społecznego (problem identyfikacji: selekcja vs wpływ). W tej części wprowadzane będą także proste formalizacje procesów społecznych (automaty komórkowe i symulacje) jako narzędzia do badania konsekwencji lokalnych reguł interakcji dla wzorców makro (np. klastrowanie, segregacja, stabilność struktur).
W drugiej części modułu omówione zostaną procesy dyfuzji, mobilizacji i polaryzacji w sieciach. Zostaną przedstawione: kaskady informacyjne i viralowość, modele progowe mobilizacji (threshold models), echo chambers, proste vs złożone zarażenia (simple/complex contagion) oraz „information disorder” (mis-/dis-/mal-information) w powiązaniu z ekonomią uwagi i projektowaniem feedów/rekomendacji. Wprowadzone zostaną metryki ekspozycji wykraczające poza „zasięg” (np. intensywność, powtarzalność, zróżnicowanie źródeł, sąsiedztwo sieciowe ekspozycji).
Moduł 4: Sieci organizacyjne - innowacyjność, władza, zarządzenie.
W trakcie modułu zostaną przedstawione koncepcje sici multiplex, luk strukturalnych, formalnych i nieformalnych sieci, silosy i boudary spanning, brokerów, sieci dwudzielnych. Zajęcie uzupełnione zostaną o część warsztatową, w której studenci będą pracować z danymi z organizacji.
Moduł 5: Uprzedzenia i nierówności systemowe.
Moduł będzie składał się z dwóch części, w pierwszej pokazane zostaną różnice skrzeywienia (bias) w badaniach społecznych oraz sposoby ich ominięcia. W drugiej części omówione zostaną problemy związane z technicznymi wymiarami nierówności takie jak uprzedzenia algorytmiczne, sprawiedliwość maszynowa, utrwalanie stereotypów w modelach językowych, bias w procesie zbierania danych. Moduł zawiera część warsztatową.
Kolejność podejmowanych zagadnień oraz szczegółowość ich realizacji może ulec nieznacznym zmianom.
Założenia (opisowo)
Koordynatorzy przedmiotu
Rodzaj przedmiotu
Tryb prowadzenia
Efekty kształcenia
student zna i rozumie:
W1 - opis efektu dla przedmiotu [K_W10] - w sposób pogłębiony wybrane metody i narzędzia modelowania przebiegu wybranych zjawisk i procesów społecznych
student potrafi:
U1 - opis efektu dla przedmiotu [K_U05] - zaplanować i przeprowadzać symulacje komputerowe, analizować ich wyniki oraz formułować wnioski w odniesieniu do nauk społecznych
U2 - opis efektu dla przedmiotu [K_U07] - ocenić przydatność oraz potencjał zastosowania nowych rozwiązań sprzętowych i programistycznych w kontekście rozwiązywania problemów obliczeniowych w naukach społecznych
U3 - opis efektu dla przedmiotu [K_U09] - dokonać analizy wybranych problemów w naukach społecznych i określić algorytmy i metody obliczeniowe przydatne do ich rozwiązywania
Kryteria oceniania
Student uzyskuje zaliczenie zajęć na podstawie:
- obecności na zajęciach (15%),
- raportów cząstkowych z zajęć (20%),
- pracy końcowej (65%).
Ocena końcowa z przedmiotu ustalana jest na podstawie punktów uzyskanych z 3 powyższych składowych.
UWAGA
1. Zwolnienie lekarskie nie zwalnia ze znajomości materiału. Uprawnia jedynie do zindywidualizowanej formy zaliczenia.
2. Osoby, które otrzymały zgodę na indywidualny tok studiów, mają obowiązek zgłosić się koordynatora przedmiotu w celu ustalenia sposobu realizacji wszystkich efektów uczenia się przypisanych do zajęć. W przypadku braku możliwości realizacji wyżej wymienionych efektów koordynator może odmówić zaliczenia przedmiotu.
3. Obecności na zajęciach jest obowiązkowa. W sytuacjach uzasadnionych nieobecności, student zobowiązany jest do niezwłocznego kontaktu z koordynatorem przedmiotu.
Praktyki zawodowe
Nie dotyczy.
Literatura
- Lazer, D., Pentland, A., Adamic, L. A., Aral, S., Barabasi, A.-L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D., & Van Alstyne, M. (2009). Computational Social Science. Science, 323(5915), 721–723. https://doi.org/10.1126/science.1167742
- Wu, A. X., Taneja, H., Boyd, D., Donato, P., Hindman, M., Napoli, P., & Webster, J. (2020). Computational social science: On measurement. Science, 370(6521), 1174.2-1175. https://doi.org/10.1126/science.abe8308
- Conte, R., Gilbert, N., Bonelli, G., Cioffi-Revilla, C., Deffuant, G., Kertesz, J., Loreto, V., Moat, S., Nadal, J. P., Sanchez, A., Nowak, A., Flache, A., San Miguel, M., & Helbing, D. (2012). Manifesto of computational social science. The European Physical Journal Special Topics, 214(1), 325–346. https://doi.org/10.1140/epjst/e2012-01697-8
- Watts, D. J., & Strogatz, S. (1998). Collective dynamics of small-world networks. Nature, 393, 440–442.
- Newman, M. E. J., Watts, D. J., & Strogatz, S. H. (2002). Random graph models of social networks. Proc. Natl. Acad. Sci. USA, 99, 2566–2572.
- Barabási, A. L., & Albert, R. (1999). Emergence of scaling in random networks. Science, 286, 509–512.
- Newman, M. E. J. (2002). Assortative mixing in networks. Phys. Rev. Lett., 89, 208701.
- Girvan, M., & Newman, M. E. J. (2002). Community structure in social and biological networks. Proc. Natl. Acad. Sci. USA, 99, 7821–7826.
- Newman, M. E. J. (2006). Modularity and community structure in networks. Proceedings of the National Academy of Sciences, 103(23), 8577–8582. https://doi.org/10.1073/pnas.0601602103
- Ronald Burt: Structural Holes: The Social Structure of Competition – absolutny fundament teorii brokera.
- David Krackhardt: Informal networks: The company behind the chart
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: