Artificial Intelligence and Big Data in Scientific Research 1600-SZD-WM-NZI

Lecture 20 hours

The information potential of Artificial Intelligence (AI) and large information resources (Big Data). In research. The critical role of (1) information technology (computing, computational and communication potential), (2) Big Data in the expected effects of using (3) AI tools/applications and (4) statistics. AI tools for analysing large sets of information and effective computer-human communication. Illustration of the importance of resource ownership using the example of a key functionality of artificial intelligence - Machine Learning (ML). The essence of the process of building a model/description of the studied object/phenomenon in the past, in real time and prediction, as well as discovering trends, relationships, regularities in the data describing the studied object - the subject of scientific research. Illustrating the potential of Big Data, AI and statistics with case studies: media, education, history, presidential/parliamentary elections, fake news, medicine, new technologies and others.

Type of course

general courses
Ph. D. seminars
Master's seminars
elective courses
elective seminars
elective monographs

Course coordinators

Włodzimierz Gogołek

Course dedicated to a programme

4EU+Courses

Learning outcomes

Knowledge of basic tools on AI, Big Data and statistics functions in terms of the possibility of practical use of these functions with examples of case studies of scientific and commercial research

Assessment criteria

description of requirements related to participation in classes, including the
permitted number of explained absences;
Activity during the class. Two absences allowed

principles for passing the classes and the subject (including resit session);
Evaluate the concept of using artificial intelligence and Big Data in your own thesis or other research work of your choice.

methods for the verification of learning outcomes;
The result of the evaluation of activity during the class (conversation, problem tasks) and the evaluation of the concept for the use of Artificial Intelligence and Big Data

evaluation criteria
Execution and completion of the conception of for the indicated research work.

Practical placement

lack-of

Bibliography

1. Campos, R., Mangaravite V., Pasquali A., Jorge A.M., Nunes C., Jatowt A. (2018). YAKE! Collection-Independent Automatic Keyword Extractor. In Pasi G., Piwowarski B., Azzopardi L., Hanbury A. (Eds) Advances in Information Retrieval. ECIR 2018. Lecture Notes in Computer Science, vol. 10772. Springer, Cham. https://doi.org/10.1007/978-3-319-76941-7_80.
2. Gogołek W. i inni,; Citizen Big Data Refining on the example of the capital city of Warsaw. Analiza zasobów informacyjnych Big Data. Citizen Science na przykładzie miasta stołecznego Warszawy. Urban Development Issues, vol. 73 (2022), 08 https://doi.org/10.51733/udi.2022.73.08. https://drive.google.com/file/d/1d5sCFJSm6k6GN9XnUiPwp2ay_owsRacg/view?usp=sharing.
3. Gogołek W. Big Data o mediach. Dominanty świata mediów. „Studia Medioznawcze”, Tom 23 Nr 2, Opublikowane: 2022-06-30. Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu) Widok Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu)
4. Gogołek W. i inni, Machine learning. Edukacja i koronawirus. W: Teoretyczne i praktyczne aspekty pedagogiki medialnej, (red.) D. Siemieniecka, K. Majewska, Wydawnictwo UMK, Toruń 2021, s.189-204. ISBN 978-83-231-4551-6, eISBN 978-83-231-4552-3, https://doi.org/10.12775/978-83-231-4552-3.
5. Gogołek W. Refining Big Data, Bulletin of Science, Technology & Society; 1–6, © The Author(s) 2019; Article reuse guidelines: sagepub.com/journals-permissions; DOI: 10.1177/0270467619864012; journals.sagepub.com/home/bst.

6. Gogołek W. i inni, Z badań nad wykorzystaniem rafinacja informacji sieciowej. Wybory prezydenckie i parlamentarne 2015. Studia Medioznawcze nr 3(62) 2015, Instytut Dziennikarstwa UW, Warszawa 2015, s. 31 – 43. From the research – refining the information from the net. Presidential and parliamentary elections in 2015, 2015 no. 3(62).
http://studiamedioznawcze.pl/article.php?date=2015_3_62&content=gogolek&lang=en
7. Gogołek W., i inni,, Z badań nad systemem rafinacji sieciowej Identyfikacja sentymentów, Studia Medioznawcze Media Studies 4 (67) 2016. http://studiamedioznawcze.pl/article.php?date=2016_4_67&content=gogolek&lang=pl
8. Gogołek W. i inni, Rafinacja informacji sieciowych na przykładzie wyborów parlamentarnych. Część 2. Portale internetowe, konteksty medialne i merytoryczne, Studia Medioznawcze nr 3(54) 2013, Instytut Dziennikarstwa UW, Warszawa 2013, s. 153 - 161. http://studiamedioznawcze.pl/Numery/2013_3_54/pelny.pdf
9. Gogołek W., i inni, Media Studies: Refining Network Information on the Example of Parliamentary Elections. Part 1. Blogs, Forums, Sentiment Analysis, 2012, no. 2(53) http://studiamedioznawcze.pl/article.php?date=2013_2_53&content=gogolek&lang=en.
10. Gogołek W., i inni, Refining Network Information on the Example of Parliamentary Elections. Part 2, Internet Portals, Media and Content, 2012, no 3(53) http://studiamedioznawcze.pl/article.php?date=2013_3_54&content=gogolek&lang=en.
11. Mayer-Schonberger, V., & Cukier, K. (2017). Big Data, Rewolucja która zmieni nasze myślenie pracę i życie. Warszawa: MT Biznes.
12. PwC. (2018). Perspektywy Rozwoju Branży Rozrywki I Mediów W Polsce 2018-2022. Link https://www.pwc.pl/pl/pdf/publikacje/2018/media-i-rozrywka-2018-raport-pwc.pdf.
13. Pruchnik, P., Identyfikacja trendów w polskich mediach na przykładzie kwartalnika „Studia Medioznawcze” (2019). Wykorzystanie narzędzi Big Data, Studia Medioznawcze, Warszawa 2019. Link https://studiamedioznawcze.eu/index.php/studiamedioznawcze/article/view/113/116
14. Silge, J., & Robinson, D. (2019). Text Mining with R A Tidy Approach. Link z https://www.tidytextmining.com/.

Term 2023L:

2. Gogołek W. i inni,; Citizen Big Data Refining on the example of the capital city of Warsaw. Analiza zasobów informacyjnych Big Data. Citizen Science na przykładzie miasta stołecznego Warszawy. Urban Development Issues, vol. 73 (2022), 08 https://doi.org/10.51733/udi.2022.73.08. https://drive.google.com/file/d/1d5sCFJSm6k6GN9XnUiPwp2ay_owsRacg/view?usp=sharing.

3. Gogołek W. Big Data o mediach. Dominanty świata mediów. „Studia Medioznawcze”, Tom 23 Nr 2, Opublikowane: 2022-06-30. Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu) Widok Big Data o mediach. Dominanty świata mediów (studiamedioznawcze.eu)

4. Gogołek W. i inni, Machine learning. Edukacja i koronawirus. W: Teoretyczne i praktyczne aspekty pedagogiki medialnej, (red.) D. Siemieniecka, K. Majewska, Wydawnictwo UMK, Toruń 2021, s.189-204. ISBN 978-83-231-4551-6, eISBN 978-83-231-4552-3, https://doi.org/10.12775/978-83-231-4552-3.

5. Gogołek W. Refining Big Data, Bulletin of Science, Technology & Society; 1–6, © The Author(s) 2019; Article reuse guidelines: sagepub.com/journals-permissions; DOI: 10.1177/0270467619864012; journals.sagepub.com/home/bst.

http://studiamedioznawcze.pl/article.php?date=2015_3_62&content=gogolek&lang=en

7. Gogołek W., i inni,, Z badań nad systemem rafinacji sieciowej Identyfikacja sentymentów, Studia Medioznawcze Media Studies 4 (67) 2016. http://studiamedioznawcze.pl/article.php?date=2016_4_67&content=gogolek&lang=pl

8. Gogołek W. i inni, Rafinacja informacji sieciowych na przykładzie wyborów parlamentarnych. Część 2. Portale internetowe, konteksty medialne i merytoryczne, Studia Medioznawcze nr 3(54) 2013, Instytut Dziennikarstwa UW, Warszawa 2013, s. 153 - 161. http://studiamedioznawcze.pl/Numery/2013_3_54/pelny.pdf

9. Gogołek W., i inni, Media Studies: Refining Network Information on the Example of Parliamentary Elections. Part 1. Blogs, Forums, Sentiment Analysis, 2012, no. 2(53) http://studiamedioznawcze.pl/article.php?date=2013_2_53&content=gogolek&lang=en.

10. Gogołek W., i inni, Refining Network Information on the Example of Parliamentary Elections. Part 2, Internet Portals, Media and Content, 2012, no 3(53) http://studiamedioznawcze.pl/article.php?date=2013_3_54&content=gogolek&lang=en.

11. Mayer-Schonberger, V., & Cukier, K. (2017). Big Data, Rewolucja która zmieni nasze myślenie pracę i życie. Warszawa: MT Biznes.

12. PwC. (2018). Perspektywy Rozwoju Branży Rozrywki I Mediów W Polsce 2018-2022. Link https://www.pwc.pl/pl/pdf/publikacje/2018/media-i-rozrywka-2018-raport-pwc.pdf.

13. Pruchnik, P., Identyfikacja trendów w polskich mediach na przykładzie kwartalnika „Studia Medioznawcze” (2019). Wykorzystanie narzędzi Big Data, Studia Medioznawcze, Warszawa 2019. Link https://studiamedioznawcze.eu/index.php/studiamedioznawcze/article/view/113/116

14. Silge, J., & Robinson, D. (2019). Text Mining with R A Tidy Approach. Link z https://www.tidytextmining.com/.

Notes

Term 2023L:

Additional information

Additional information (registration calendar, class conductors, localization and schedules of classes), might be available in the USOSweb system:

Description of 1600-SZD-WM-NZI in USOSweb