Guía docente de Visualización de Datos Sociales Digitales (MD6/56/1/12)
Máster
Módulo
Rama
Centro Responsable del título
Semestre
Créditos
Tipo
Tipo de enseñanza
Profesorado
Horario de Tutorías
Breve descripción de contenidos (Según memoria de verificación del Máster)
- Visualización y presentación de la información: análisis y comunicación de datos
- Tipos de visualizaciones
- Herramientas no-code para visualización de datos
- Programación para visualización de datos
- Datos espaciales
Prerrequisitos y/o Recomendaciones
Conocimientos básicos de estadística y programación en R y Python.
Competencias
Competencias Básicas
- CB6. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
- CB7. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
- CB8. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
- CB9. Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
- CB10. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Resultados de aprendizaje (Objetivos)
- Comprender los fundamentos teóricos y prácticos de la visualización de datos en el contexto de las ciencias sociales.
- Conocer los principales tipos de gráficos que existen para la visualización de datos y el análisis estadístico.
- Desarrollar habilidades para recolectar, limpiar y analizar datos sociales digitales.
- Realizar gráficos con diversos programas a partir de variados análisis estadísticos.
- Presentar adecuadamente los gráficos.
- Interpretar conforme a los objetivos e hipótesis las visualizaciones obtenidas.
- Consideraciones éticas y buenas prácticas en la visualización de datos sociales.
Programa de contenidos Teóricos y Prácticos
Teórico
Introducción a la visualización de datos sociales digitales
- Definición de visualización de datos
- Importancia en las ciencias sociales
- Tipos de gráficos y principios de diseño visual
Recolección y limpieza de datos sociales
- Fuentes de datos sociales digitales
- Métodos de recolección de datos
- Técnicas de limpieza y preprocesamiento
Análisis exploratorio de datos
- Herramientas y técnicas para explorar datos sociales
- Identiicación de patrones y tendencias
- Visualización de resúmenes estadísticos
Herramientas de visualización de datos
- Introducción a herramientas como R, Python, Tableau, Power BI, Datawrapper, Orange Data Mining, entre otras
- Creación de gráficos estáticos y dinámicos
- Personalización y estilo de visualizaciones
Visualización de datos sociales específicos
- Visualización de datos de redes sociales
- Visualización de datos geoespaciales
- Visualización de datos temporales
Ética y buenas prácticas en la visualización de datos sociales
- Consideraciones éticas en el uso de datos sociales
- Principios de diseño ético
- Comunicación efectiva de la incertidumbre y la complejidad
Práctico
- Realización de gráficos fijos e interactivos a partir de herramientas basadas en R o Python
- Realización de gráficos fijos e interactivos a partir de herramientas No Code
- Realización de casos de uso de visualización de datos sociales
- Realización de un trabajo final de visualización y análisis exploratorio a partir de conjuntos de datos sociales
Bibliografía
Bibliografía fundamental
- Ware, C. (2020). Information visualization: perception for design. 4th Edition. Elsevier.
- Wicckman, H. (2016). ggplot2. Elegant Graphics for Data Analysis. Springer.
- Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. O'Reilly Media, Inc. En: https://r4ds.had.co.nz/
- Wilke, C. O. (2019). Fundamentals of data visualization: a primer on making informative and compelling figures. O'Reilly Media.
Bibliografía complementaria
- Escobar, M. (1999). Análisis Gráfico/Exploratorio. Madrid: La Muralla.
Enlaces recomendados
Metodología docente
Evaluación (instrumentos de evaluación, criterios de evaluación y porcentaje sobre la calificación final.)
Evaluación Ordinaria
Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se le haya reconocido el derecho a la evaluación única final.
La calificación final de cada alumno/a se obtendrá mediante la evaluación de unos ejercicios a lo largo del curso (40%), la intervención durante clase y en los foros (20%) y una presentación en equipo de un proyecto de investigación (40%).
CRITERIOS DE EVALUACIÓN:
Se tendrá en cuenta que en el proceso de aprendizaje cada estudiante haya aprendido los siguientes aspectos:
- Comprensión de los fundamentos teóricos y prácticos de la visualización de datos en el contexto de las ciencias sociales.
- Conocimiento de los distintos tipos de gráficos que existen para la visualización de datos y el análisis estadístico.
- Adquisición de habilidades para recolectar, limpiar y analizar datos sociales digitales.
- Realización autónoma de gráficos con diversos programas a partir de diversos análisis estadísticos.
- Presentación adecuada de los gráficos.
- Capacidad de interpretación conforme a los objetivos e hipótesis las visualizaciones obtenidas.
- Conocimiento de la ética y buenas prácticas en la visualización de datos sociales.
Evaluación Extraordinaria
Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba y/o trabajo.
Deberá realizar una presentación oral, presencial o virtual, de un trabajo o proyecto que incluya representaciones gráficas.
CRITERIOS DE EVALUACIÓN:
Se tendrá en cuenta que en el proceso de aprendizaje cada estudiante haya aprendido los siguientes aspectos:
- Comprensión de los fundamentos teóricos y prácticos de la visualización de datos en el contexto de las ciencias sociales.
- Conocimiento de los distintos tipos de gráficos que existen para la visualización de datos y el análisis estadístico.
- Adquisición de habilidades para recolectar, limpiar y analizar datos sociales digitales.
- Realización autónoma de gráficos con diversos programas a partir de diversos análisis estadísticos.
- Presentación adecuada de los gráficos.
- Capacidad de interpretación conforme a los objetivos e hipótesis las visualizaciones obtenidas.
- Conocimiento de la ética y buenas prácticas en la visualización de datos sociales.
Evaluación única final
Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que podrán acogerse a la evaluación única final, el estudiantado que no pueda cumplir con el método de evaluación continua por causas justificadas.
Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases o por causa sobrevenidas. Lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.
Prueba de la asignatura donde se valorará que el estudiantado haya interiorizado los siguientes aspectos:
- Presentación visual de datos
- Exposición elaborada de un proyecto o trabajo de investigación.
CRITERIOS DE EVALUACIÓN:
Se tendrá en cuenta que en el proceso de aprendizaje cada estudiante haya aprendido los siguientes aspectos:
- Comprensión de los fundamentos teóricos y prácticos de la visualización de datos en el contexto de las ciencias sociales.
- Conocimiento de los distintos tipos de gráficos que existen para la visualización de datos y el análisis estadístico.
- Adquisición de habilidades para recolectar, limpiar y analizar datos sociales digitales.
- Realización autónoma de gráficos con diversos programas a partir de diversos análisis estadísticos.
- Presentación adecuada de los gráficos.
- Capacidad de interpretación conforme a los objetivos e hipótesis las visualizaciones obtenidas.
- Conocimiento de la ética y buenas prácticas en la visualización de datos ociales.
Información adicional
Actividades Formativas
- AF1. Clases teóricas
- AF2. Clases prácticas
- AF3. Trabajo con documentos científicos
- AF7. Tutorías en grupo
- AF8. Trabajo autónomo y/o colaborativo del estudiante para la generación de conocimiento individual y/o compartido (portafolio, diario de campo, memoria de prácticas, …)
- AF12. Elaboración de trabajos de iniciación a la investigación o de intervención
- AF13. Exposición presencial y pública de trabajos
Metodologías Docentes:
- MD1. Lección Magistral Participativa
- MD2. Aprendizaje Basado en Problemas/Proyectos
- MD8. Laboratorio y trabajos prácticos
Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).