99087 - DATA ANALYSIS PER I MEDIA (1) (LM)

Conoscenze e abilità da conseguire

Il corso si propone di fornire agli studenti una chiara comprensione del ruolo dei dati nel panorama mediale contemporaneo. Gli studenti impareranno a utilizzare metodologie data driven per analizzare i prodotti mediali, la loro produzione e circolazione e i discorsi sociali ad essi collegati. Una parte di approfondimento teorico sarà dedicata al modo in cui l'enorme disponibilità di dati, nel contesto digitale, ha trasformato sia la filiera dei media che le metodologie di valutazione, previsione e analisi. Allo studente verranno poi fornite competenze specifiche relative all'estrazione, trasformazione e caricamento di dati e agli di strumenti di modellazione nell'ambito dei media. Non è richiesta nessuna conoscenza pregressa di linguaggi di programmazione o software specifici. Al termine del corso lo studente avrà acquisito competenze relative a: - estrazione di dati sia da database dedicati che da social media e pagine web; - analisi dei dati, valutazione della loro qualità, pulizia e costruzione di dataset; - modellazione qualitativa e quantitativa; - implementazione di semplici script per la manipolazione dei dati; - introduzione all'uso di database; - elementi di base di data visualization.

Contenuti

Il corso è strutturato in tre parti, ciascuna delle quali affronta aspetti progressivamente più complessi dell'analisi dei dati nel settore audiovisivo. L'approccio metodologico si basa sull'utilizzo di di LLM (ChatGPT) come strumento principale di analisi, consentendo agli studenti di condurre analisi dei dati senza ricorrere alla programmazione tradizionale.

Parte 1: Fondamenti dell'analisi dei dati (3 lezioni)

Questa sezione introduce i concetti fondamentali dell'analisi dei dati applicata ai media. Gli studenti esamineranno l'importanza dell'analisi basata sui dati nel panorama mediatico contemporaneo, i metodi di raccolta e le tecniche di pulizia dei dataset. Particolare attenzione sarà dedicata all'analisi esplorativa dei dati (EDA) e alla visualizzazione, strumenti necessari per identificare pattern e comunicare risultati in modo efficace.

Parte 2: Metodi statistici e machine learning (5 lezioni)

Gli studenti acquisiranno competenze nell'applicazione di metodi statistici, dalla formulazione di ipotesi ai test di significatività, esplorando diverse tecniche di analisi e misure di efficacia. Il percorso prosegue con lo studio dei modelli di regressione, dalle forme classiche alle estensioni più recenti, fino a un'introduzione al machine learning e all'intelligenza artificiale generativa applicata ai media.

Parte 3: Progetti applicativi (2 lezioni)

Il segmento finale consiste in applicazioni pratiche su casi di studio reali del settore audiovisivo. Gli studenti analizzeranno dataset concreti, come quello sulle disuguaglianze di genere nella produzione di serie TV italiane, e svilupperanno un progetto finale di analisi e interpretazione di dati cinematografici. Queste attività consolidano le competenze acquisite attraverso l'applicazione diretta delle metodologie studiate.

Il corso fornisce agli studenti le competenze necessarie per condurre analisi dei dati nel settore audiovisivo utilizzando strumenti di intelligenza artificiale conversazionale.

Testi/Bibliografia

Il corso è improntato a una interazione diretta con gli studenti. Pertanto i materiali di studio e di esercitazione verranno forniti a lezione e rilasciati attraverso la piattaforma Virtuale. Per ogni lezione verranno indicati i materiali necessari per la preparazione all’esame e eventuali approfondimenti facoltativi. Gli studenti sono invitati a frequentare, senza la frequenza e senza significative conoscenze pregresse la preparazione dell'esame potrebbe presentare difficoltà significative. Per lo svolgimento delle esercitazioni è opportuno che gli studenti abbiano accesso a un account ChatGPT Plus, almeno uno ogni due studenti.

Gli studenti che volessero approfondire in maniera sistematica le tematiche del corso possono riferirsi al testo di Joel Grus, Data science con python. Dai fondamenti al machine learning, Egea, Milano 2021. Lo studio di questo testo facoltativo non è necessario per sostenere l’esame.

Studenti/esse con DSA o disabilità temporanee o permanenti: si suggerisce di mettersi subito in contatto con l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it) e con il/la docente, per cercare insieme le strategie più efficaci nel seguire le lezioni e/o nel preparare l’esame.

Metodi didattici

Il corso prevede una costante interazione con gli studenti, sia per la discussione dei temi teorici, sia per la concreta realizzazione di progetti applicativi e esercitazioni. Si consiglia agli studenti di utilizzare un proprio computer per seguire le lezioni e poter continuare le esercitazioni in maniera autonoma. Le esercitazioni sono parte integrante del corso.

Modalità di verifica e valutazione dell'apprendimento

La verifica consiste in una prova in itinere e un esame finale.

La prova in itinere prevede domande a scelta multipla da svolgersi in aula nel corso della lezione 8. La prova prevede 31 domande che verranno così valutate: 1 punto per ogni risposta esatta, -0,5 punti per ogni risposta sbagliata, 0 punti per ogni domanda senza risposta.

Per l’esame finale lo studente dovrà realizzare, da solo o in gruppo, un progetto di Data Analysis concordato con il docente. Il progetto verrà presentato al termine del corso (compatibilmente con la numerosità della classe) o in sede d’esame. L’esame prevede un colloquio orale dedicato sia all’analisi del progetto che alla verifica dell’apprendimento dei temi del corso.

Il voto sarà dato dalla media dei risultati della prova in itinere e dell'esame finale.

Studenti/esse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/alle studenti/esse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/la docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Strumenti a supporto della didattica

Le lezioni prevedono presentazioni Prezi accessibili agli studenti, mentre per la parte di coding, esercitazione e sviluppo dei progetti verranno utilizzati notebook (Jupyter Notebook) collaborativi in cloud. Materiale aggiuntivo verrà fornito attraverso la piattaforma Virtuale.

Orario di ricevimento

Consulta il sito web di Guglielmo Pescatore