DAES

Lingua Insegnamento:

Le lezioni saranno svolte in italiano.
Le slides sono in italiano. I libri di testo consigliati sono in inglese.
Testi di riferimento:

Il materiale didattico, comprendente slide, riferimenti e ulteriori risorse, sarà fornito durante le lezioni, presentato dal docente e reso disponibile tramite il sito del corso per il download.

Testi consigliati:
Menczer, F., Fortunato, S., & Davis, C. A. (2020). A First Course in Network Science. Cambridge: Cambridge University Press.
Borgatti, S. P., Everett, M. G., Johnson, J. C., & Agneessens, F. (2022). Analyzing social networks using R. Sage.
Obiettivi formativi:

Il corso di Social Network Analysis fornisce competenze teoriche e pratiche per l'analisi delle reti sociali e dei dati provenienti dai social media, con particolare attenzione all'estrazione, alla modellizzazione e alla visualizzazione delle relazioni. L'analisi si concentrerà principalmente sulle relazioni e interazioni digitali, sviluppando la capacità di estrarre e analizzare autonomamente dati dai principali social media e piattaforme digitali.
Obiettivi formativi
1. Comprendere i concetti fondamentali della Social Network Analysis (SNA)
Distinguere le diverse tipologie di reti e legami (egonetwork, connessioni dirette e indirette).
Analizzare l’impatto dei metodi di estrazione sulla struttura e sull’interpretazione della rete.
Applicare indici statistici e tecniche per caratterizzare le reti sociali.
2. Utilizzare metodi e strumenti per la raccolta e l’analisi dei dati nei social media
Estrarre e analizzare autonomamente dati dai social media utilizzando linguaggi di programmazione e/o piattaforme online.
Elaborare dati non strutturati per il confronto e la caratterizzazione delle reti sociali.
3. Applicare tecniche di analisi statistica e machine learning ai dati di rete
Modellare le relazioni e caratterizzare fenomeni sociali.
Identificare tendenze, attori influenti e pattern ricorrenti.
4. Sviluppare competenze di data visualization e comunicazione dei risultati
Rappresentare le reti con tecniche di visualizzazione, garantendo un’interpretazione solida basata sulla teoria.
Analizzare criticamente gli output e le implicazioni per le decisioni strategiche.
Comunicare efficacemente i risultati dell’analisi.
5. Adottare un approccio critico e metodologico all’analisi dei fenomeni digitali
Progettare e condurre autonomamente studi empirici basati sulla Social Network Analysis su grandi moli di dati.
L’apprendimento avverrà attraverso lezioni teoriche, esercitazioni pratiche con software specifici e lavori di gruppo su dataset reali.
Prerequisiti:

Conoscenze di: programmazione, statistica descrittiva e inferenziale, metodi quantitativi per le Scienze Sociali
Metodi didattici:

Il corso sarà articolato in lezioni teoriche ed esercitazioni pratiche svolte utilizzando il linguaggio di programmazione R. Sarà inoltre introdotto il software Gephi per la visualizzazione e rappresentazione delle reti. La frequenza alle attività didattiche non è obbligatoria, ma fortemente consigliata.
Gli studenti con disturbi specifici dell'apprendimento (DSA) o disabilità temporanee/permanenti sono tenuti a contattare l'ufficio competente dell'Università e concordare con la docente le strategie più efficaci per seguire le lezioni e prepararsi all'esame.
Gli studenti impossibilitati a seguire le lezioni sono invitati a contattare la docente per concordare le strategie più efficaci per prepararsi all'esame.
Modalità di verifica dell'apprendimento:

Svolgimento di un progetto che prevede la raccolta e l'analisi di dati di rete, integrato da un approfondimento orale sulle tematiche trattate nel corso.
Sostenibilità:
Altre Informazioni:

E-mail: lara.fontanella@unich.it
Giorni ed orari di ricevimento studenti: dopo le lezioni e per appuntamento da concordarsi via e-mail

Il corso prevede l'approfondimento dei seguenti argomenti per il raggiungimento dei risultati di apprendimento attesi: introduzione alla Social Network Analysis; principali tipologie di reti e indici fondamentali; metodi di estrazione e raccolta dei dati di rete; strumenti e tecniche per l’analisi delle reti sociali; utilizzo di R e Gephi per la manipolazione e visualizzazione dei dati di rete; tecniche di visualizzazione delle reti e interpretazione dei risultati; metodi di partizione della rete, clustering di nodi e rilevamento delle comunità; identificazione di attori influenti e pattern strutturali; estrazione e analisi di dati da social media e piattaforme digitali. Infine, verranno presentati ulteriori ambiti di applicazione, quali marketing, scienze politiche, bioinformatica, biostatistica, neuroscienze.

1. Introduzione al concetto di rete: definizione di rete: attori (nodi) e legami (archi). Tipi di legami e reti. Costruzione e analisi della matrice di adiacenza per reti dirette e indirette.
2. Tipologie di rete Reti unipartite, bipartite, egonetwork e reti complete.
3. Indici di rete e applicabilità Centralità. Introduzione ai concetti di hubs, authorities, cliques e comunità.
4. Individuazione di gruppi tramite algoritmi di partizione. Identificazione delle comunità.
5. Utilizzo di R per l’analisi delle reti - Pacchetti R (igraph, gggraph) per la manipolazione e visualizzazione delle reti.
6. Utilizzo di Gephi per la visualizzazione delle reti - Creazione, analisi e visualizzazione delle reti con Gephi.
7. Tecniche di visualizzazione delle reti - Layout delle reti (force-directed, circular, etc.) e personalizzazione della visualizzazione.
8. Web scraping per l'estrazione dei dati dai social media - Strumenti di web scraping. Estrazione di dati da social platforms.
9. Analisi dei dati sociali - Interpretazione dei dati raccolti e identificazione degli attori influenti.
10. Machine Learning per l'analisi delle reti sociali - Clustering e community detection nelle reti sociali.
11. Discussione di casi di studio reali - Studio di casi reali in vari settori (marketing, salute, politica).