Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie - Centralny System Uwierzytelniania
Strona główna

Big Data w psychologii społecznej

Informacje ogólne

Kod przedmiotu: WSE-BD-BDPS
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Big Data w psychologii społecznej
Jednostka: Wydział Społeczno-Ekonomiczny
Grupy:
Punkty ECTS i inne: 0 LUB 2.00 (w zależności od programu) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: (brak danych)
Poziom przedmiotu:

podstawowy

Symbol/Symbole kierunkowe efektów uczenia się:

Zgodnie z programem studiów uchwalonym przez Senat UKSW:

https://monitor.uksw.edu.pl/docs/search

BDAS2_W16, BDAS2_U15, BDAS2_K03

Skrócony opis:

To konwersatorium ma na celu dostarczenie studentom zaawansowanej wiedzy na temat technik pozyskiwania, przetwarzania i analizy danych psychologicznych, włączając algorytmy Text Mining, analizę skupień, drzewa decyzyjne oraz uczenie maszynowe. Poprzez aktywny udział w dyskusjach i praktyczne zastosowanie tych technik, studenci rozwijają umiejętności analityczne i krytyczne myślenie w badaniach psychologicznych. Dodatkowo, kurs pozwala na wymianę poglądów i refleksję nad etycznymi aspektami badań psychologicznych w erze cyfrowej. Przedstawiane są także różnorodne techniki analizy danych, włączając przetwarzanie danych jakościowych, diagnozę zaburzeń osobowości przy użyciu algorytmów sztucznej inteligencji oraz analizę skupień. Omawia się również odkrywanie wzorców w danych liczbowych, wykorzystanie drzew decyzyjnych, predykcję zachowań i sieci społeczne.

Pełny opis:

Celem konwersatorium jest zapewnienie studentom zaawansowanej wiedzy na temat technik pozyskiwania, przetwarzania i analizy danych psychologicznych, w tym algorytmów Text Mining, analizy skupień, drzew decyzyjnych oraz uczenia maszynowego. Poprzez aktywne uczestnictwo w dyskusjach i praktyczne zastosowanie omawianych technik, studenci rozwijają umiejętności analityczne, interpretacyjne oraz krytyczne myślenie w kontekście prowadzenia badań psychologicznych. Dodatkowo, konwersatorium umożliwia studentom wymianę poglądów oraz refleksję nad etycznymi i metodologicznymi aspektami badań psychologicznych w erze cyfrowej.

1. Pozyskiwanie Danych Psychologicznych z Internetu (Web Crawling) i Innych Źródeł

- Wprowadzenie do pozyskiwania danych psychologicznych z różnych platform internetowych oraz prowadzenia badań własnych.

- Zagadnienia dotyczące poufności i etyki badań psychologicznych w erze cyfrowej.

2. Przetwarzanie Danych Jakościowych na Dane Ilościowe: Algorytmy Text Mining

- Techniki przekształcania danych jakościowych (np. z wywiadów, ankiet, stron internetowych) na dane ilościowe przy użyciu algorytmów Text Mining.

- Konwersja danych nieustrukturalizowanych na ustrukturalizowane: metody i narzędzia.

3-4. Analiza Danych Jakościowych przy Użyciu Algorytmów Text Mining

- Określanie frekwencji słów, analiza skupień słów, identyfikacja relacji między słowami oraz analiza głównych składowych.

- Przykłady zastosowań w badaniach psychologicznych: eksploracja tematyczna i wykrywanie wzorców.

5. Prezentacja Wyników Analizy Danych Jakościowych**

- Techniki prezentacji wyników analizy danych jakościowych przy użyciu algorytmów: wizualizacje i interpretacja.

6. Odkrywanie Wzorców w Danych Liczbowych: Algorytmy Analizy Wzorców

- Problematyka generalizowalności wyników, złożoność modeli i ich upraszczanie w kontekście odkrywania wzorców w danych liczbowych.

7. Diagnoza Zaburzeń Osobowości przy Użyciu Algorytmów Sztucznej Inteligencji

- Wykorzystanie algorytmów AI do diagnozy i klasyfikacji zaburzeń osobowości na podstawie danych psychologicznych.

8. Interpretacja Profili Osób Badanych: Analiza Skupień

- Interpretacja wyników badań dla wielu zmiennych i profilowanie osób badanych przy użyciu analizy skupień.

9. Dopasowanie Krzywej Modelowej do Krzywych Empirycznych

- Techniki określania dopasowania krzywej teoretycznej do empirycznych profili w celu identyfikacji charakterystycznych skupisk w populacji.

10-11. Odkrywanie Reguł w Badaniach Psychologicznych: Drzewa Decyzyjne

- Wykorzystanie drzew decyzyjnych do odkrywania reguł klasyfikacyjnych i regresyjnych w badaniach psychologicznych.

12-13. Predykcja w Naukach Psychologicznych: Uczenie Maszynowe

- Wykorzystanie sztucznych sieci neuronowych oraz maszyn wektorów nośnych do predykcji zachowań i diagnozy osobowości.

- Przykłady zastosowań w kontekście analizy grafologicznej.

14. Analityka Sieciowa (Social Network Analysis) w Badaniach Psychologicznych

- Odkrywanie i opisywanie relacji w grupach społecznych przy użyciu analizy sieciowej: wykorzystanie grafów do analizy struktury społecznej.

15. Wykorzystanie Sieci Kohonena i Lasu Losowego w Badaniach Psychologicznych

- Praktyczne zastosowanie sieci Kohonena i lasu losowego w analizie danych psychologicznych: wykrywanie wzorców i predykcja.

Literatura:

Barabasi, A. L. (2002). Linked: The new science of networks. Basic books. (Zajęcia 6)

Bartczak, M., Bokus, B., Chronowska, R., Szymańska, A., & Ważyńska, A. (2017). The Dialogical Self’s Round Table: Who Sits at It and Where? Psychology of Language and Communication, 21(1), 84–108. Zajęcia 5

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. (Zajęcia 5)

Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of machine Learning research, 3(Jan), 993-1022. (Zajęcia 3)

Elder, J., Hill, T., Miner, G., Nisbet, B., Delen, D., & Fast, A. (2012). Practical Text Mining and Statistical Analysis for Non-structured Text Data Application. Oxford: Elsevier. Zajęcia 1, 2, 3, 5

Grzesiuk, L., Jastrzębska, J., Rutkowska, M., & Szymańska, A. (2022). The Relationship Between the Manifestations of Mobbing and the Reactions of Mobbing Victims. Medycyna Pracy, 73(1), 1–12. Zajęcia 8

Groves, R. M., Fowler Jr, F. J., Couper, M. P., Lepkowski, J. M., Singer, E., & Tourangeau, R. (2009). Survey methodology. John Wiley & Sons. (Zajęcia 1)

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer Science & Business Media. (Zajęcia 4)

James, G., Hastie, T., Tibshirani, R., & Witten, D. (2013). An introduction to statistical learning. Springer Science & Business Media. (Zajęcia 4)

Kosinski, M., Matz, S. C., Gosling, S. D., Popov, V., & Stillwell, D. (2015). Facebook as a research tool for the social sciences: Opportunities, challenges, ethical considerations, and practical guidelines.

Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. Cambridge University Press. (Zajęcia 2)

Mayer-Schönberger, V., & Cukier, K. (2013). Big Data: A Revolution That Will Transform How We Live, Work, and Think. Houghton Mifflin Harcourt.

Nisbet, R., Elder, J., & Miner, G. (2009). Handbook of statistical analysis and data mining applications. Burlington, MA: Academic Press (Elsevier). Zajęcia 7, 10, 11

Pennebaker, J. W., Boyd, R. L., Jordan, K., & Blackburn, K. (2015). The development and psychometric properties of LIWC2015. (Zajęcia 3)

Raschka, S., & Mirjalili, V. (2017). Python Machine Learning. Packt Publishing Ltd. (Zajęcia 5)

Szymańska, A. (2012). Parental Directiveness as a Predictor of Children’s Behavior at Kindergarten. Psychology of Language and Communication, 16(3), 1–24. Zajęcia 10, 11

Szymańska, A. (2017a). Wykorzystanie algorytmów Text Mining do analizy danych tekstowych w psychologii [Usage of text mining algorithms to analyze textual data in psychology]. Socjolingwistyka, 33, 99–116. Zajęcia 3, 4, 5

Szymańska, A. (2017b). Wykorzystanie Analizy Skupień Metodą Data Mining Do Wykreślania Profili Osób Badanych. Studia Psychologiczne, 55, 26–42. https://doi.org/10.2478/V1067-010-0160-1 Zajęcia 8, 9

Szymańska, A. (2018). Predicting model for aggressive directiveness in the light of Tadeusz Tomaszewski’s theory of action: structural and data mining approach. Psychology of Language and Communication, 22(1), 354–371. https://doi.org/10.2478/plc-2018-0016 Zajęcia 12, 13

Szymańska, A. (2019). The transfer of parental mistakes in the family of origin of mothers of pre-school children:54 A structural and artificial intelligence approach. Warszawa: Wydawnictwo Naukowe Uniwersytetu Kardynała Stefana Wyszyńskiego. Zajęcia 3, 4, 5, 8, 12, 13

Szymańska, A. (2023). Przemoc wobec dziecka: błędy agresji, obojętności oraz ulegania a kształtowanie się osobowości antyspołecznej u kobiet. Studia z Teorii Wychowania, 42(1), 147–164. Zajęcia 9

Szymańska, A., & Aranowska, E. (2019). Parental Stress in the Relationship with the Child and Personality Traits that Parents Shape in their Children. Early Child Development and Care. https://doi.org/10.1080/03004430.2019.1611569 Zajęcia 8

Szymańska, A., & Aranowska, E. (2022). Raising a child to live in society – Personality traits parents develop and prevent from developing in their preschool children. Studia z Teorii Wychowania, 41(4), 409–431. Zajęcia 5

Tufekci, Z. (2014). Big data: Misunderstandings and misinformation. Information Communication & Society, 17(5), 526-535. (Zajęcia 1)

Efekty kształcenia i opis ECTS:

Przedmiotowe efekty uczenia się tego kursu można podzielić na trzy główne obszary: wiedzę, kompetencje i umiejętności.

Wiedza:

1. Zrozumienie różnych technik pozyskiwania danych psychologicznych z Internetu i innych źródeł.

2. Znajomość algorytmów i narzędzi do przetwarzania danych jakościowych na dane ilościowe, w tym technik Text Mining.

3. Poznanie metod analizy danych jakościowych, takich jak określanie frekwencji słów, analiza skupień, identyfikacja relacji między słowami oraz analiza głównych składowych.

4. Świadomość sposobów prezentacji wyników analizy danych jakościowych.

Kompetencje:

1. Umiejętność przygotowania i przeprowadzenia prezentacji na temat wybranych zagadnień związanych z danymi psychologicznymi i ich analizą.

2. Umiejętność aktywnego uczestnictwa w moderowanych dyskusjach, wymiany poglądów oraz analizy różnych perspektyw.

3. Umiejętność stosowania poznanych technik i narzędzi do analizy rzeczywistych przypadków z dziedziny psychologii.

Umiejętności:

1. Umiejętność przetwarzania danych jakościowych na dane ilościowe przy użyciu algorytmów Text Mining.

2. Umiejętność analizy danych jakościowych i prezentacji wyników analizy.

3. Umiejętność krytycznej analizy oraz interpretacji wyników badań psychologicznych w oparciu o poznane techniki.

Te przedmiotowe efekty uczenia się mają na celu wyposażyć studentów w niezbędną wiedzę, kompetencje i umiejętności do skutecznego przeprowadzania analizy danych psychologicznych oraz prezentowania wyników swoich badań.

Metody i kryteria oceniania:

Ocena zajęć jest zaliczana na podstawie opracowanej i wygłoszonej przez studenta prezentacji podczas zajęć oraz jego aktywności w trakcie dyskusji. Kryteria oceny obejmują:

1. Zawartość merytoryczna prezentacji: Ocena będzie uwzględniała klarowność i kompletność przekazu oraz głębokość omówienia wybranych zagadnień związanych z tematem zajęć, prezentowanych przez studenta podczas prezentacji.

2. Zrozumienie materiału: Ocena będzie uwzględniała stopień zrozumienia materiału prezentowanego podczas zajęć oraz umiejętność przekazania tego zrozumienia w sposób przystępny dla innych uczestników, w ramach prezentacji studenta.

3. Jakość prezentacji: Ocena będzie uwzględniała strukturę, czytelność i atrakcyjność wizualną prezentacji oraz umiejętność efektywnego wykorzystania dostępnych narzędzi przez studenta.

4. Umiejętność odpowiedzi na pytania: Ocena będzie uwzględniała umiejętność trafnej odpowiedzi na pytania oraz klarowność w wyjaśnianiu zagadnień podczas dyskusji, prowadzonej po prezentacji studenta.

5. Aktywny udział w dyskusji: Ocena będzie uwzględniała aktywny udział w dyskusji podczas zajęć, w tym zadawanie pytań, wnoszenie ciekawych uwag oraz udzielanie konstruktywnej opinii na temat prezentowanych materiałów przez studenta.

6. Krytyczne myślenie: Ocena będzie uwzględniała zdolność do krytycznej analizy prezentowanych materiałów oraz wyrażania własnych poglądów zgodnie z zasadami merytorycznej dyskusji naukowej przez studenta.

7. Etyka i szacunek w dyskusji: Ocena będzie uwzględniała szacunek dla opinii innych uczestników oraz przestrzeganie zasad etyki dyskusji akademickiej przez studenta.

8. Czas i organizacja prezentacji: Ocena będzie uwzględniała efektywne zarządzanie czasem oraz organizację prezentacji w sposób sprzyjający zrozumieniu i przyswajaniu informacji przez uczestników, przeprowadzonej przez studenta.

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-15 - 2024-06-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Konwersatorium, 30 godzin, 25 miejsc więcej informacji
Koordynatorzy: Agnieszka Szymańska
Prowadzący grup: Agnieszka Szymańska
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Konwersatorium - Zaliczenie na ocenę
Opis nakładu pracy studenta w ECTS:

Zajęcia te są oceniane na podstawie 2 punktów ECTS. Pierwszy punkt jest przyznawany za uczestnictwo w zajęciach, co odpowiada około 30 godzinom pracy studenta. Drugi punkt ECTS przyznawany jest za samodzielną pracę poza zajęciami, obejmującą poznanie literatury, opracowywanie prezentacji oraz inne związane zadania, również na poziomie około 30 godzin.

Typ przedmiotu:

obowiązkowy

Grupa przedmiotów ogólnouczenianych:

nie dotyczy

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie.
ul. Dewajtis 5,
01-815 Warszawa
tel: +48 22 561 88 00 https://uksw.edu.pl
kontakt deklaracja dostępności USOSweb 7.0.3.0-1 (2024-04-02)