INFORMATION VISUALIZATION, DATA SCIENCE AND SOCIAL MEDIA ANALYTICS MOD.1

Il corso fornisce una panoramica di metodi e tecniche per l’esplorazione, l’analisi e la visualizzazione dei dati, con particolare attenzione ai dati provenienti da piattaforme social e digitali. Attraverso un approccio teorico e pratico, il corso introduce strumenti per l’analisi dei dati digitali e offre una prima introduzione alla network analysis, evidenziandone il potenziale applicativo nello studio dei fenomeni sociali online.

Conoscenza e comprensione:
- Comprendere i concetti chiave legati alla raccolta, organizzazione, visualizzazione e interpretazione di big data.
- Sviluppare una preparazione teorica e pratica nell’ambito della data science, con particolare riferimento all’analisi di dati provenienti dalle piattaforme digitali.
- Familiarizzare con le principali tecniche di network analysis, approfondendone le basi concettuali e le applicazioni nei contesti online.

Capacità di applicare conoscenza e comprensione:
- Utilizzare strumenti e metodologie per analizzare dati digitali eterogenei, sia strutturati che non strutturati.
- Sviluppare analisi su reti e contenuti sociali attraverso l’uso di linguaggi di programmazione (R, Python).
- Valutare criticamente gli output analitici e comunicarne i risultati in modo efficace e formalmente corretto.

Capacità di apprendimento:
- Essere in grado di accedere, comprendere e utilizzare materiali tecnici e documentazione relativa a strumenti di analisi dei dati.
- Coltivare un approccio autonomo e critico all’apprendimento di nuove tecniche analitiche.

Si richiede una conoscenza di base dei seguenti argomenti:
- Programmazione: concetti fondamentali di programmazione strutturata e utilizzo di almeno un linguaggio di programmazione (es. Python).
- Statistica: elementi di statistica descrittiva, probabilità di base e nozioni essenziali di inferenza statistica.

- Introduzione alla data science e alla social media analysis
- Lavorare con API
- Data e information visualisation
- Text analysis e topic modeling
- Sentiment analysis
- Network analysis

(La lista dei contenuti potrà subire variazioni)

Easley, David, and Jon Kleinberg. Networks, crowds, and markets. Cambridge University Press, 2010.
Barabási, Albert-László. Network Science. Cambridge University Press, 2016

L’esame finale consiste in una prova orale e nella realizzazione di un progetto concordato con la docente. La prova orale (circa 20 minuti) prevede la presentazione e la discussione del progetto. Gli studenti sono tenuti a sviluppare un’analisi originale, applicando metodi, strumenti e tecniche trattati durante il corso. Il progetto può essere svolto individualmente o in gruppo. La valutazione finale terrà conto della qualità dell’analisi rispetto alle linee guida fornite, della chiarezza espositiva e del livello di complessità tecnica del lavoro.

orale

Voti 18–21: Sufficiente
Comprensione parziale degli argomenti teorici, esposizione incerta e linguaggio con imprecisioni. Il progetto rispetta solo in parte le linee guida e presenta un’analisi basilare, con possibili errori metodologici. Complessità tecnica limitata ma sufficiente a dimostrare una minima applicazione dei concetti trattati.

Voti 22–24: Discreto
Risposte corrette ma non sempre approfondite, linguaggio generalmente adeguato. Il progetto è coerente con le linee guida, la metodologia è corretta ma priva di particolare originalità. La complessità tecnica è moderata e dimostra una buona comprensione dei contenuti del corso.

Voti 25–27: Buono
Argomentazione chiara e ben strutturata, buon uso del linguaggio tecnico e sicurezza nell’esposizione. Il progetto è accurato e solido nell’applicazione di metodi e strumenti, con elementi di originalità. La complessità tecnica è ben sviluppata e appropriata agli obiettivi formativi.

Voti 28–30: Ottimo / Eccellente
Risposte articolate e complete, ottima padronanza degli argomenti, uso preciso del linguaggio specialistico e capacità di ragionamento critico. Il progetto è approfondito e originale, con un’applicazione rigorosa dei metodi e, se presente, l’introduzione di estensioni o miglioramenti. Elevata complessità tecnica e avanzate capacità di problem solving.

30 e Lode
Eccellenza complessiva nella comprensione e nella presentazione dei contenuti, esposizione impeccabile e contributo progettuale particolarmente innovativo. Dimostrazione di autonomia, spirito critico e capacità analitiche avanzate.

L’insegnamento si basa su lezioni frontali interattive, durante le quali i concetti teorici vengono introdotti e approfonditi attraverso esempi pratici e discussioni guidate.

Le lezioni combinano:
- Presentazione teorica dei principi fondamentali dell’analisi delle reti e delle metodologie di riferimento.
- Esempi applicativi, utilizzati per illustrare in modo concreto l’uso dei metodi e strumenti trattati.
- Interazione con gli studenti, favorendo la partecipazione attiva attraverso domande, riflessioni critiche e analisi di casi studio.

Questo insegnamento tratta argomenti connessi alla macroarea "Capitale umano, salute, educazione" e concorre alla realizzazione dei relativi obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile