Competencias / Resultados do título |
Código
|
Competencias / Resultados do título
|
Resultados de aprendizaxe |
Resultados de aprendizaxe |
Competencias / Resultados do título |
Os estudantes serán capaces de deseñar e executar un proxecto de investigación baseado no uso do Big Data con fins científicos, facendo achegas orixinais e sendo capaz de resolver problemas teóricos e prácticos utilizando estratexias innovadoras. |
AM1 AM6 AM7 AM8 AM11 AM15 AM16 AM17 AM20 AM22 AM24 AM27 AM28
|
|
|
O alumnado será capaz de obter, xestionar e analizar bases de datos masivas utilizando as ferramentas informáticas e linguaxes de programación necesarios, especialmente a linguaxe R avanzada, así como as técnicas estatísticas adecuadas para a súa análise. |
AM8 AM24 AM28
|
|
|
O alumnado será capaz de avaliar criticamente a calidade do coñecemento científico producido mediante a análise de datos masivos e reflexionar sobre a súa importancia e impacto socioeconómico. |
AM19 AM20
|
|
|
O alumnado poderá utilizar as ferramentas máis avanzadas para a visualización de datos e para a presentación dos resultados da investigación. |
AM7 AM14 AM24
|
|
|
Contidos |
Temas |
Subtemas |
TEMA 1: Fundamentos da ciencia social computacional
|
Discusións teóricas, metodolóxicas e éticas arredor do Big Data |
TEMA 2: Obtención, xestión e almacenamento de datos masivos |
Tipos e arquitecturas de big data. Obtención de datos masivos: web, APIs, etc. |
TEMA 3: Tratamento e análise de datos masivos |
Análise de sentimentos, análise de redes sociais, análise de redes sociais, aprendizaxe automática, etc. |
TEMA 4: Ferramentas avanzadas de visualización masiva de datos |
R (ggplot2), Gephi, etc. |
Planificación |
Metodoloxías / probas |
Competencias / Resultados |
Horas lectivas (presenciais e virtuais) |
Horas traballo autónomo |
Horas totais |
Portafolios do alumno |
A6 A7 A11 A14 A15 A16 A17 A19 A20 A22 A24 A27 A28 |
0 |
53 |
53 |
Obradoiro |
A1 A6 A7 A8 A11 A14 A15 A16 A17 A19 A20 A22 |
21 |
21 |
42 |
Presentación oral |
A7 A14 |
8 |
24 |
32 |
Sesión maxistral |
A1 A6 A8 A11 A16 A17 A19 A20 |
21 |
0 |
21 |
|
Atención personalizada |
|
2 |
0 |
2 |
|
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado |
Metodoloxías |
Metodoloxías |
Descrición |
Portafolios do alumno |
Os diferentes exercicios que se desenvolverán nas sesións de “Obradoiro”, así como os exercicios que se propoñan realizar de forma autónoma, incorporaranse a unha “carpeta do alumno” que se entregará ao remate do curso e estará suxeita a avaliación.. |
Obradoiro |
Ao longo do curso realizaranse diferentes sesións prácticas nas que se realizarán exercicios nos que o alumnado aprenderá os procedementos básicos para obter, estruturar, almacenar, analizar e visualizar datos masivos.
As sesións prácticas realizaranse de forma presencial. Para aqueles que poidan asistir de forma virtualmente sincrónica, as sesións transmitiranse a través de Teams. Para os que non poidan asistir de forma sincronizada, e para o resto do alumnado, as sesións gravaranse en vídeo e a súa visualización estará dispoñible a través do Campus Virtual. |
Presentación oral |
Ao remate do curso, dedicarase unha sesión á exposición dalgúns dos exercicios que forman parte do portfolio do alumno, especialmente aqueles dirixidos á visualización e presentación de resultados. Para o alumnado en modalidad virtual, farase via TEAMS. |
Sesión maxistral |
Haberá clases maxistrais nas que o peso da actividade recae principalmente no profesor. Este método pedagóxico compleméntase coa introdución doutras actividades e métodos que permitan un papel máis activo ao alumnado.
Dado o contido eminentemente orientado á práctica investigadora desta materia, as sesións maxistrais terán frecuentemente un contido técnico, orientado á aprendizaxe dos procedementos de investigación baseados no Big Data máis habituais. Esta orientación técnica complementarase cunha reflexión sobre os fundamentos epistemolóxicos, éticos e teóricos deste tipo de investigacións.
As clases maxistrais realizaranse de forma presencial. Para aqueles que poidan asistir de forma virtualmente sincrónica, as sesións transmitiranse a través de Teams. Para os que non poidan asistir de forma sincronizada, e para o resto do alumnado, as sesións gravaranse en vídeo e a súa visualización estará dispoñible a través do Campus Virtual. |
Atención personalizada |
Metodoloxías
|
Sesión maxistral |
Portafolios do alumno |
Obradoiro |
Presentación oral |
|
Descrición |
A atención personalizada desta materia desenvolverase de forma virtual. Para a comprensión das lecturas e a correcta elaboración dos exercicios prácticos, os alumnos contarán coa presenza virtual do profesor durante a retransmisión das sesións de clase e, ademais, poderán programar as titorías virtuais que consideren necesarias no horario que se comunicará ao comezo de curso. O profesor tamén estará dispoñible a través do correo electrónico (e tamén a través do Campus Virtual). |
|
Avaliación |
Metodoloxías
|
Competencias / Resultados |
Descrición
|
Cualificación
|
Portafolios do alumno |
A6 A7 A11 A14 A15 A16 A17 A19 A20 A22 A24 A27 A28 |
Ao longo do curso realizaranse diferentes sesións prácticas nas que se realizarán exercicios nos que o alumnado aprenderá os procedementos básicos para obter, estruturar, almacenar, analizar e visualizar datos masivos. Os diferentes exercicios que se desenvolverán nestas sesións, así como os que se propoñan para realizar de forma autónoma, incorporaranse a unha “carpeta do alumno” que se entregará ao final do curso e será obxecto de avaliación. |
90 |
Presentación oral |
A7 A14 |
Ao remate do curso, dedicarase unha sesión á exposición dalgúns dos exercicios que forman parte do portfolio do alumno, especialmente aqueles dirixidos á visualización e presentación de resultados. Para o alumnado en modalidad virtual, farase via TEAMS. |
10 |
|
Observacións avaliación |
|
Fontes de información |
Bibliografía básica
|
Marr, B. (2016). Big data in practice: how 45 successful companies used big data analytics to deliver extraordinary results. John Wiley & Sons
Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt
Salganik, M. J. (2019). Bit by bit: Social research in the digital age. Princeton University Press
Flache, A., Mäs, M., & Keijzer, M. A. (2022). Computational approaches in rigorous sociology: agent-based computational modeling and computational social science. In Handbook of Sociological Science (pp. 57-72).. Edward Elgar Publishing
Lazer D, et al. (2009). Computational social science. Science, 323(5915):721–723..
Spaiser, V. (2021). Digital data and methods. In Research Handbook on Analytical Sociology (pp. 352-363).. Edward Elgar Publishing
Ruths, D., & Pfeffer, J. (2014). Social media for large studies of behavior. Science, 346(6213), 1063-1064. |
|
Bibliografía complementaria
|
|
|
Recomendacións |
Materias que se recomenda ter cursado previamente |
Análise Estatística Descritiva e Inferencial/615545001 | Fundamentos da Análise Social en R/615545003 | Análise Estatística Avanzada/615545007 |
|
Materias que se recomenda cursar simultaneamente |
|
Materias que continúan o temario |
|
|