Guía docente de Investigación Social con Datos Masivos y Densos (MD6/56/1/9)

1. Desafíos de la recopilación y análisis que involucran conjuntos de datos grandes y nuevos: del big al small data
2. El concepto de dato denso y de calidad: generación de nuevas hipótesis y nuevas formas de datos
3. Diseños experimentales con big data
4. Aplicación de técnicas sociales cuantitativas en el análisis de grandes cantidades de datos sociales (Encuesta y Análisis de Contenido)
5. Aplicación de técnicas sociales cualitativas en el análisis de grandes cantidades de datos sociales
6. Ética y humanismo de los algoritmos

Los propios del programa de posgrado. Ninguno específico.

• Comprender la utilidad de la perspectiva cualitativa en los diseños de investigación basados en datos masivos.
• Analizar críticamente la influencia del contexto social en la elaboración de estudios con datos densos y masivos.
• Analizar e interpretar el impacto de las relaciones de género, los condicionantes socioeconómicos y la diversidad cultural en la investigación con datos masivos.
• Adquirir hábitos de trabajo y desarrollar habilidades de colaboración que capaciten para el desarrollo de investigaciones con datos densos y masivos.
• Utilizar la programación visual para el uso de técnicas de ML
• Ser capaces de capturar datos procedentes de los medios de comunicación, tanto escritos como audiovisuales.
• Comprender el preprocesamiento de la información no estructurada y sus efectos en los análisis.

A partir de los contenidos especificados en la Memoria de Verificación del título establecemos los siguientes bloques temáticos para el desarrollo efectivo del curso:

MÓDULO TEÓRICO

1. Introducción: desafíos fundamentales de la investigación basada en datos masivos y densos

2. Datos densos: bases conceptuales, relevancia científica y aplicaciones prácticas

2.1. Investigación basada en datos densos: debates teóricos y metodológicos

2.2. Integración de big data y thick data: estudios de caso

3. Acercamiento cuantitativo

3.1. Diseños experimentales con big data: el tratamiento de la información textual y audiovisual.

3.2. Aplicación de técnicas sociales cuantitativas en el análisis de grandes cantidades de datos sociales (Encuesta y Análisis de Contenido)

4. Cuestiones éticas en investigación con datos densos y masivos.

Se seguirá el mismo temario que en la parte teórica, ofreciendo un acercamiento a las nociones básicas de la investigación con datos masivos y densos, así como a los dilemas éticos propios de este ámbito. Se abordarán problemas y casos prácticos vinculados con los contenidos tratados en la parte teórica de la materia. A lo largo de la asignatura, el estudiantado tendrá que preparar un proyecto grupal que será presentado a través de una exposición oral en las últimas sesiones del módulo.

Ardèvol, E. (2016). Big data y descripción densa. Virtualis, 7(14), 14-38.

Bjerre-Nielsen, A., & Glavind, K. L. (2022). Ethnographic data in the age of big data: How to compare and combine. Big Data & Society, 9(1).

Bornakke, T., & Due, B. L. (2018). Big–Thick Blending: A method for mixing analytical insights from big and thick data sources. Big Data & Society, 5(1).

Cheek, J. (2021). Big data, thick data, digital transformation, and the fourth industrial revolution: why qualitative inquiry is more relevant than ever. In Collaborative futures in qualitative inquiry (pp. 122-142). Routledge.

Hong, A., Baker, L., Prieto Curiel, R., Duminy, J., Buswala, B., Guan, C., & Ravindranath, D. (2023). Reconciling big data and thick data to advance the new urban science and smart city governance. Journal of Urban Affairs, 45(10), 1737-1761.

Jemielniak, D. (2020). Thick big data: Doing digital social sciences. Oxford University Press.

Jensen, T. E. (2024). The Slalom Method: How to zig-zag between digital methods and traditional methods in ethnography. Qualitative Research, 24(2), 229-248.

Latzko-Toth, G., Bonneau, C., & Millette, M. (2022). Small data, thick data: Data thickening strategies for social media research. In Sloan, L., & Quan-Haase, A. (Eds.), The SAGE handbook of social media research methods,  157-172. SAGE.

Mills, K. A. (2019). Big data for qualitative research. Routledge.

Simeonova, B., & Galliers, R. D. (Eds.). (2023). Cambridge Handbook of Qualitative Digital Research. Cambridge University Press.

Sloan, L., & Quan-Haase, A. (2022). The SAGE handbook of social media research methods. SAGE.

Abidin, C., & De Seta, G. (2020). Private messages from the field: Confessions on digital ethnography and its discomforts. Journal of Digital Social Research (JDSR), 2(1), 1-19   10.33621/jdsr.v2i1.35

Douglas‐Jones, R., Walford, A., & Seaver, N. (2021). Introduction: Towards an anthropology of data. Journal of the Royal Anthropological Institute, 27(S1), 9-25.

García-Marín, J., Luengo, Ó.G. (2023). New Methodological Perspectives in Political Communication Research: Machine Learning and Algorithms. In: Musiał-Karg, M., Luengo, Ó.G. (eds) Digital Communication and Populism in Times of Covid-19 . Studies in Digital Politics and Governance. Springer, Cham. https://doi.org/10.1007/978-3-031-33716-1_2

García-Marín, J., & Luengo, Ó. G. (2022). From image to function: Automated analysis of online jihadi videos. Pragmatics and Society, 13(3), 383-403. https://doi.org/10.1075/ps.21018.gar

Grimmer, J., Roberts, M. E., & Stewart, B. M. (2021). Machine learning for social science: An agnostic approach. Annual Review of Political Science, 24, 395-419. https://doi.org/10.1146/annurev-polisci-053119-015921

Lane, J., Stodden, V., Bender, S., & Nissenbaum, H. (Eds.). (2014). Privacy, big data, and the public good: Frameworks for engagement. Cambridge University Press.

Moore, P. (2018). From Big Data to thick data: theory and practice. Big Data in the arts and humanities: theory and practice, 51.

Murphy, A. K., Jerolmack, C., & Smith, D. (2021). Ethnography, data transparency, and the information age. Annual Review of Sociology, 47, 41-61.

Ophir, Y., Walter, D., & Marchant, E. R. (2020). A collaborative way of knowing: Bridging computational communication research and grounded theory ethnography. Journal of Communication, 70(3), 447-472.

Paoli, A. D., & D’Auria, V. (2021). Digital ethnography: a systematic literature review. Italian Sociological Review, 11(4S), 243-243.

Rosales, A., & Fernández-Ardèvol, M. (2019). Structural ageism in big data approaches. Nordicom Review, 40(s1), 51-64.

Tsamados, A., Aggarwal, N., Cowls, J., Morley, J., Roberts, H., Taddeo, M., & Floridi, L. (2021). The ethics of algorithms: key problems and solutions. Ethics, governance, and policies in artificial intelligence, 97-123.

Big Data & Society (BD&S)

Journal of Digital Social Research

Centre for Digital Social Research (Umeå University, Suecia)

Human Centered Data Science Lab

DATALAB – Center for Digital Social Research

Oxford Internet Institute

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 las siguientes actividades:

• Prueba(s) escrita(s) de los contenidos de la materia: entre 40 y 60% de la nota final
• Participación activa en la asignatura: entre 10 y 30%
• Exposiciones orales: entre 20 y 40%

La ponderación final de cada uno de los apartados se indicará en la guía didáctica que será publicada en PRADO. 

Será necesario aprobar TODAS las partes para superar la asignatura. En ningún caso se podrá aprobar la asignatura con el examen, la presentación o la participación suspensas.

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.

El estudiantado que no haya superado la convocatoria ordinaria tendrá que presentarse al examen final (60% de la nota final) y realizar una exposición oral sobre el tema indicado por el profesorado (40% de la nota final). Es obligatorio superar ambas actividades para aprobar la materia.

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.

El estudiantado que se presente a la evaluación única final tendrá que hacer el examen final (60% de la nota final) y una exposición oral sobre el tema indicado por el profesorado (40% de la nota final). Es obligatorio superar ambas actividades para aprobar la materia.

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).