NETWORK SCIENCE

Anno accademico
2025/2026 Programmi anni precedenti
Titolo corso in inglese
NETWORK SCIENCE
Codice insegnamento
PHD192 (AF:552552 AR:330706)
Modalità
Crediti formativi universitari
6
Livello laurea
Corso di Dottorato (D.M.226/2021)
Settore scientifico disciplinare
SECS-S/03
Periodo
2° Periodo
Anno corso
2
Sede
VENEZIA
Spazio Moodle
Link allo spazio del corso
Alla fine del Corso gli studenti saranno in grado di applicare i metodi descrittivi e i modelli per l’analisi di dati relazionali raccolti in diversi contesti. In particolare, gli studenti potranno: - descrivere I metodi introdotti e analizzare i loro aspetti comuni e differenze - identificare i metodi adeguati ad analizzare i dati e rispondere ad una particolare domanda di ricerca - effettuare l’analisi usando il software: analisi descrittive, stima dei parametri, interpretazione, e revisione critica dei risultati ottenuti - spiegare I modelli ed illustrare I risultati anche a coloro che non hanno familiarità con i metodi di analisi delle reti
- Corso “Mathematics for management studies'”, prof. Marco Tolotti - A sound understanding of estimation methods, hypothesis testing and linear regression models (OLS)
Il corso tratta i seguenti argomenti: - Introduzione ai dati relazionali, alla notazione e ai concetti di base, e al software R - Statistiche descrittive di rete (distribuzioni dei gradi, centralità e clustering) - Introduzione ai modelli per dati reticolari - Exponential Random Graph Models - Stochastic actor-oriented models per le dinamiche di network e outcome individuali - Estensioni dei modelli introdotti e altri modelli
- Slides e materiale fornite dal docente - Robins, G., Pattison, P., Kalish, Y., and Lusher, D. (2007). An introduction to exponential random graph ($p^*$) models for social networks. Social networks, 29(2): 173-191. - Lusher, D., Koskinen, J., and Robins, G. (Eds.). (2013). Exponential random graph models for social networks: Theory, methods, and applications. Cambridge University Press. - Snijders, T. A. B., Van de Bunt, G.G., and Steglich, C. (2010). Introduction to stochastic actor-based models for network dynamics. Social networks 32(1): 44-60.
Un elaborato (massimo 3,000 parole) che consiste nell'analisi di dati di rete in un contesto specifico da concordare con il docente.
Scritto

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

A. I punteggi nella fascia 18-22 verranno attribuiti in presenza di: - Sufficiente conoscenza e capacità di comprensione applicata in riferimento al programma; - Sufficiente capacità di risolvere i problemi proposti; - Sufficiente competenza nell'uso di Python; - Limitata capacità di spiegare il procedimento matematico sotteso alla risoluzione degli esercizi proposti. B. I punteggi nella fascia 23-26 verranno attribuiti in presenza di: - Discreta conoscenza e capacità di comprensione applicata in riferimento al programma; - Discreta capacità di risolvere i problemi proposti; - Discreta competenza nell'uso di Python; - Discreta capacità di spiegare il procedimento matematico sotteso alla risoluzione degli esercizi proposti. C. I punteggi nella fascia 27-30 verranno attribuiti in presenza di: - Buona o ottima conoscenza e capacità di comprensione applicata in riferimento al programma; - Buona o ottima capacità di risolvere i problemi proposti; - Buona o ottima competenza nell'uso di Python; - Buona o ottima capacità di spiegare il procedimento matematico sotteso alla risoluzione degli esercizi proposti. D. La lode verrà attribuita in presenza di: - Ottima conoscenza e capacità di comprensione applicata in riferimento al programma; - Eccellente capacità di risolvere i problemi proposti; - Eccezionale competenza nell'uso di Python; - Eccellente capacità di esposizione e spiegazione nella risoluzione degli esercizi.
Lezioni frontali e laboratori. I laboratori illustrano i metodi introdotti nelle lezioni frontali usando dati raccolti in differenti contesti e il software R
Programma definitivo.