B5589 - ANALISI DELLA COMUNICAZIONE DIGITALE

Conoscenze e abilità da conseguire

Il corso mira a fornire agli studenti una cassetta degli attrezzi – composta da quadri teorici, strumenti concettuali e metodi - per analizzare la crescente mole di informazioni e flussi comunicativi disponibili in formato digitale. Al termine del corso lo studente: (i) conosce le principali caratteristiche delle tracce digitali create dai processi comunicativi, dalle interazioni tra persone, dalle relazioni tra persone, ambiente e strumenti tecnologici; (ii) è in grado di scegliere ed utilizzare i quadri teorici ed analitici appropriati per l’analisi delle informazioni, dati, testi e immagini digitali; (iii) conosce ed utilizza le principali tecniche di analisi delle informazioni, testi, dati e immagini digitali; (iv) sa disegnare una ricerca, di mercato o accademica, che utilizzi tecniche e strumenti propri dell’era digitale; (v) conosce e sa gestire gli aspetti etici legati alla raccolta e utilizzo dei dati digitali.

Contenuti

Il corso si articola in due parti: 

(i) nella prima parte del corso verranno introdotti i principali aspetti teorici e metodologici della ricerca sociale nell'era digitale, ad esempio: la definizione di traccia digitale, le caratteristiche salienti delle tracce digitali e le principali strategie di ricerca utilizzate per sfruttare le opportunità offerte dalle science sociali computazionali (inclusi esperimenti e collaborazioni di massa).

Questa prima parte del corso alternerà lezioni frontali basate sul testo di Salganik, a lezioni in cui il docente presenterà specifici studi che adottano gli approcci presentati.

Agli/alle studenti/studentesse è richiesto di leggere in anticipo prima della lezione gli studi presentati e una partecipazione attiva in sede di discussione degli stessi. In particolare sarà richiesto di inviare prima della lezione in cui verrano presentati alcune brevi domande o commenti sugli articoli assegnati. 

(ii) nella seconda parte del corso verranno introdotti i principali quadri metodologici, tecniche e strumenti connessi alla  analisi di contenuti testuali in formato digitale, con particolare attenzione a quelli prodotti nel contesto della comunicazione pubblica. Saranno introdotti metodi e strumenti di base del text mining, anche attraverso l'utilizzo di software specifici o di pacchetti di comandi.

A seconda della numerosità degli studenti frequentanti nella seconda parte del corso si potranno formare due gruppi di studenti/studentesse separati, oppure un gruppo unico che alternerà

(a) lezioni frontali focalizzate sulle diverse tecniche di text mining, (b) sessioni laboratoriali dove - attraverso l'utilizzo di R, R-studio e Python - gli studenti potranno acquisire le competenze di base per svolgere analisi di testi digitali (utilizzando risorse esistenti). 

Le sessioni laboratoriali della seconda parte del corso saranno costruite attorno a (i) esercizi pratici forniti dal docente e/o (ii) allo sviluppo di un lavoro di ricerca individuale, impostato da ciascuno studente durante il corso e che potrà costituire il paper finale del corso. 

 

L'UTILIZZO DEGLI STRUMENTI DI TEXT MINING, COSì COME DELLE TECNICHE DI RAPPRESENTAZIONE DEI DATI, POTRA' ESSERE ULTERIORMENTE APPROFONDITO, ATTRAVERSO UN APPRENDIMENTO PRATICO, NEL LABORATORIO* TENUTO DAL DOCENTE NELLO STESSO SEMESTRE DI LEZIONE. 

(*B5591 - STRUMENTI PER LO STUDIO E LA VISUALIZZAZIONE DEI DATI DIGITALI)

Testi/Bibliografia

I testi di riferimento per il corso sono i seguenti 

Per la prima parte del corso il testo di riferimento è il seguente:

1. Salganik M J. (2020) Bit by Bit. La ricerca sociale nell’era digitale. Il Mulino. [versione on line gratuita in inglese https://www.bitbybitbook.com/en/]

Ulteriori letture verranno assegnate e condivise attraverso la piattaforma del corso su virtuale.

Per la seconda parte del corso, verranno distribuiti materiali ad hoc, ulteriori letture saranno identificate anche a seconda delle conoscenze pre-esistenti degli/delle studentesse frequentanti.

Per questa parte del corso possono essere utili i seguenti testi:

Tuzzi A. (2024) Fondamenti di analisi dei dati testuali. Carocci. 

Grimmer J et al. (2022) Text as data. A new framework for machine learning and the social sciences. Princeton University Press.

Silge J. e Robinson D. (2017) Text mining with R. A tidy approach. O’Reilly. https://github.com/dgrtwo/tidy-text-mining

Metodi didattici

Lezioni frontali; presentazione e discussione di studi/articoli specifici; presentazioni degli studenti; lezioni laboratoriali ed esercitazioni guidate in aula. 

Modalità di verifica e valutazione dell'apprendimento

STUDENTI/STUDENTESSE FREQUENTANTI

(partecipazione ad almeno l'80% delle lezioni, consegna delle domande/commenti relativi alle letture assegnate, superamento esame intermedio)

Per gli/le studenti/studentesse frequentanti la valutazione dell'apprendimento sarà basata (i) per il 20% sulla loro partecipazione attiva alle discussioni ed esercitazioni in aula, e sulle domande/commenti relativi alle letture presentate in aula; 8ii) per il 50% sulla base di un breve esame intermedio in classe, focalizzato sui contenuti della prima parte del corso; (iii) per il 30% su un paper finale, basato su analisi di dati/testo, su un tema e data set da concordare con il docente (sarà richiesta anche la consegna di tutti i materiali ed elementi necessari per replicare le analisi svolte). Il paper dovrà avere una lunghezza massima di 3000 parole (escluse tabelle, figure e riferimenti bibliografici). Il paper - e il materiale per la replicabilità delle analisi - dovrà essere consegnato entro 6 settimane dalla conclusione del corso. 

 

STUDENTI/STUDENTESSE NON FREQUENTANTI

Per gli/le studenti/studentesse non frequentanti la valutazione dell'apprendimento sarà basata (i) per il 70% su un esame scritto relativo al programma del corso; (ii) per il 30% su un paper , basato su analisi di dati/testo, su un tema e data set da concordare con il docente (sarà richiesta anche la consegna di tutti i materiali ed elementi necessari per replicare le analisi svolte). Il paper dovrà avere una lunghezza massima di 3000 parole (escluse tabelle, figure e riferimenti bibliografici) ed essere consegnato al docente almeno 10 giorni prima della data dell'appello in cui si desidera sostenere l'esame. 

 

Strumenti a supporto della didattica

Pagina virtuale del corso (gli studenti dovranno registrarsi sulla  pagina del corso su Virtuale); software R & R.Studio, Python.

Orario di ricevimento

Consulta il sito web di Marco Albertini