|
Lehrende: Olaf Kellermeier
Veranstaltungsart:
Vertiefungsseminar
Anzeige im Stundenplan:
24-408.84
Semesterwochenstunden:
2
Credits:
6,0
Unterrichtssprache:
Deutsch
Min. | Max. Teilnehmerzahl:
10 | 20
Anmeldegruppe: Spezielle Soziologien
Weitere Informationen:
B.A.-Soziologie Hauptfach: VM - Spezielle Soziologien
B.A.-Soziologie Nebenfach: VM - Spezielle Soziologien
M.Ed.-Lehramt Sozialwissenschaften: VM - Spezielle Soziologien
M.Ed. Lehramt Sozialwissenschaften: Sozialwissenschaftlicher Wahlschwerpunkt
Kommentare/ Inhalte:
In digitalen Daten bilden sich soziale Zusammenhänge und Phänomene ab: In Social Media-Plattformen werden tagesaktuelle Konflikte ausgetragen; im World Wide Web positionieren sich Organisationen und Initiativen mit aktuellen Beiträgen, Mission Statements und längeren Erläuterungen; in Newsforen werden intensive Debatten zu gesellschaftlichen Fragen geführt.
Um diese Phänomene empirisch analysieren zu können, sind fundierte Kenntnisse zur Funktionsweise und Entwicklung von Algorithmen eine wichtige Voraussetzung. Am Beispiel der Programmiersprache Python werden daher grundlegende Konstrukte für Algorithmen und Datenstrukturen vorgestellt und ausprobiert. Anhand von großzahligen Datensätzen aus aktuellen Forschungsprojekten wie zum Beispiel zu Klimawandel-Debatten im World Wide Web oder zur Wissensgenerierung auf Wikipedia werden unterschiedliche semantische Analysen (z.B. soziale und semantische Netzwerkanalysen und Topic Modeling) durchgeführt, um kulturelle und politische Positionen, die sich in Texten widerspiegeln, zu verstehen.
Für Studierende, die Digital Social Science vertiefen und ggf. in diesem Bereich später eigenständige Projekte (z.B. im Rahmen der Bachelorarbeit, bei Praktika oder im Beruf) durchführen wollen, wird empfohlen, die Veranstaltung 24-408.83 im gleichen Semester zu besuchen, da dort ergänzende Theorien und Ansätze zum tieferen Verständnis der hier analysierten Daten diskutiert werden. Veranstaltungen vorheriger Semester werden nicht vorausgesetzt.
Lernziel:
- Fähigkeiten zur selbständigen Entwicklung von Algorithmen
- Kenntnisse zur Durchführung von semantischen Analysen auf digitalen Daten
- Erste Erfahrungen mit eigenen Digital Social Science-Forschungsprojekten
Vorgehen:
Die Veranstaltung richtet sich an Studierende, die lernen wollen, wie Algorithmen aufgebaut werden und wie man sozialwissenschaftliche Analysen mittels Programmierung von Algorithmen durchführen kann. Dabei werden keine Programmierkenntnisse vorausgesetzt. Auch ist weder ein gesteigertes Interesse an Mathematik noch an Statistik notwendig, um erfolgreich Programmieren zu lernen. Allerdings sind Ausdauer, Frustrationstoleranz und kontinuierliches Arbeiten nötig, um die Lernziele zu erreichen.
Übungsaufgaben: Alle zwei Wochen müssen Übungsaufgaben zur Programmierung bzw. zur Datenanalyse erledigt und digital abgegeben werden. In den Wochen dazwischen besteht die Chance, Aufgaben gemeinsam mit anderen TeilnehmerInnen über Online-Tools zu bearbeiten und Probleme zu diskutieren. Erfahrene Entwickler stehen dabei online als Betreuer zur Verfügung.
Hausarbeit: In den letzten Veranstaltungsterminen werden reale Datensätze für Digital Social Science-Projekte vorgestellt. Auf Basis dieser Datensätze werden dann Fragestellungen für Hausarbeiten erarbeitet und zur Diskussion gestellt. Die Digital Social Science-Projekte für die Hausarbeiten können in Gruppen mit Studierenden dieser Veranstaltung und der Veranstaltung „24-408.83 Digital Social Science: Theorien und Ansätze II“ durchgeführt werden. Wer beide Veranstaltungen im gleichen Semester belegt, kann ein Projekt über die beiden Veranstaltungen hinweg theoretisch und empirisch bearbeiten.
Literatur:
Auszug aus der Literaturliste:
- Hovey, D. (2020). Text Analysis in Python for Social Scientists: Discovery and Exploration. Cambridge University Press.
- Sarkar, D. (2019). Text Analytics with Python: a Practitioner's Guide to Natural Language Processing Second Edition. Apress. (https://katalogplus.sub.uni-hamburg.de/vufind/Record/1666722812)
- Scott, J. (2017). Social Network Analysis. 4th Edition. SAGE. (https://katalogplus.sub.uni-hamburg.de/vufind/Record/879889349)
- Hunt, J. (2019). A Beginners Guide to Python 3 Programming (1st ed. 2019.). Springer. (https://katalogplus.sub.uni-hamburg.de/vufind/Record/1676313761)
- Freeman, E. 1., & Lang, J. W. (2018). Programmieren lernen von Kopf bis Fuß (1. Auflage.). O´Reilly. (https://katalogplus.sub.uni-hamburg.de/vufind/Record/1019199113)
Weitere Literatur wird zu Beginn des Seminars angegeben.
Zusätzliche Hinweise zu Prüfungen:
Prüfungsart: Hausarbeit
Bewertungsschema: RPO (benotet)
Projekte für Hausarbeiten können alleine oder in Teams mit 2-3 Studierenden (ggf. auch mit TeilnehmerInnen aus der Veranstaltung „24-408.83 Digital Social Science: Theorien und Ansätze II“) erbracht werden.
Umfang der Hausarbeit: 10-15 Seiten pro Person
Abgabetermin: 30.09.2022
Weitere in der Veranstaltung zu erbringende (unbenotete) Studienleistungen:
- Aktive Teilnahme
- Bearbeitung von Übungsaufgaben
|
