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

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.

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