Social media analysis
General data
Course ID: | 3502-SCC-Fams |
Erasmus code / ISCED: |
14.2
|
Course title: | Social media analysis |
Name in Polish: | Analiza mediów społecznościowych |
Organizational unit: | Faculty of Sociology |
Course groups: |
(in Polish) Przedmioty fakultatywne, socjologia cyfrowa, 2 rok, stacjonarne, drugiego stopnia |
ECTS credit allocation (and other scores): |
(not available)
|
Language: | Polish |
Type of course: | elective courses |
Prerequisites (description): | (in Polish) Wymagana jest znajomość języków programowania (R i/lub Python) na poziomie podstawowym lub wyższym. |
Mode: | Remote learning |
Short description: |
(in Polish) Kurs adresowany jest do studentów/ek zainteresowanych uzyskaniem zaawansowanej wiedzy na temat pracy z danymi pochodzących z platform typu SNS [Social Networking Sites]. Nacisk położony zostanie na prezentację metodologii oraz najnowszych technik badawczych w obszarze analizy komunikacji cyfrowej. Uczestnicy/czki dowiedzą się, jak w sposób automatyczny pozyskać treści z platform SNS i jak przygotować je do dalszej pracy. Poznają również wiodące metody analizy mediów społecznościowych oraz wizualizacji wyników. Na zajęciach korzystać będziemy z bibliotek pracujących w środowisku Pythona i R oraz z narzędzi webowych i desktopowych. |
Full description: |
(in Polish) 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). |
Bibliography: |
(in Polish) 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. |
Learning outcomes: |
(in Polish) 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) |
Assessment methods and assessment criteria: |
(in Polish) 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 |
Copyright by University of Warsaw.