Guía docente de Epistemología y Ciencias Sociales Computacionales (MD6/56/1/1)

1. Ciencia e investigación social: la producción del conocimiento científico
2. La complejidad social: origen, leyes y teorías
3. Falacias del conocimiento científico
4. El lugar de los datos en la ciencia
5. La sociedad red y la revolución digital
6. Computación y ciencia social
7. Introducción a la simulación

Se recomienda tener conocimientos básicos de diseños y técnicas de investigación social

Se espera que el estudiantado adquiera una comprensión teórica del papel de la ciencia de datos en las ciencias sociales. El objetivo docente es comprender cómo las ciencias sociales utilizan las técnicas derivadas de la ciencia de datos para responder a preguntas tradicionales y emergentes de la investigación social. Se busca que el estudiantado discuta y reflexione de manera crítica acerca del papel de la teoría y del análisis de datos en los procesos deductivos e inductivos de comprobación de hipótesis y de búsqueda de patrones en datos sociales.  

Para ello, los resultados de aprendizaje son:

1. Identificar los principios básicos de la ciencia e investigación social, describiendo como se produce el proceso de producción del conocimiento científico en el ámbito de las ciencias sociales y reconociendo la importancia de la metodología científica en la investigación social, fomentando la igualdad de género, igualdad de trato y no discriminación. Sin olvidar el análisis crítico de las falacias del discurso científico en la investigación social favoreciendo soluciones que fomenten la igualdad, la no discriminación y el acceso universal
2. Analizar la complejidad social desde diferentes enfoques teóricos, explicando el origen y las características de la misma e identificando las leyes y teorías que explican los fenómenos sociales complejos desde el marco de los derechos humanos y los derechos fundamentales. 
3. Valorar el papel de los datos en el proceso científico, discutiendo de manera crítica su papel fundamental en la investigación social, evaluando la calidad y relevancia de los datos en diferentes contextos de la investigación social enfatizando en la línea de los ODS de la agenda 2030.
4. Comprender la sociedad red y la revolución digital a través de la comprensión conceptual y el análisis del impacto de las tecnologías digitales en la estructura y funcionamiento de la sociedad, sin olvidar el marco de los derechos fundamentales.
5. Conocer los conceptos de computación básicos aplicados en el análisis social, identificando las herramientas y técnicas de computación utilizadas en la ciencia social y su aplicabilidad en la resolución de los problemas sociales
6. Identificar los pasos a seguir en los modelos de simulación como herramienta de investigación social a través de la explicación de los fundamentos de la simulación en el contexto de la investigación social, buscando la igualdad de género, igualdad de trato y no discriminación.

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

En el desarrollo del modelo teórico se combinarán las siguientes actividades formativas: Clases magistrales (AF1), Trabajo con documentos científicos (AF3), Seminarios (AF4) y Tutorías en grupo (AF7). El estudiantado realizará un trabajo autónomo y/o colaborativo que permita aprender y generar conocimiento individual y/o compartido (AF8). Se combinará la metodología docente basada en la Lección Magistral Participativa (MD1) y el aprendizaje de aula invertida (MD9). El sistema de evaluación corresponderá a la elaboración de un ensayo en el aula sobre los contenidos de la asignatura (SE2. 1 pto)

1. Ciencia e investigación social: la producción del conocimiento científico

• El método de científico. 
• Falacias del conocimiento científico
• La investigación social en el marco del método científico. 
• Diseños y técnicas de investigación social y su papel en la construcción del conocimiento científico. 
• Definición y estructura de la ciencia de datos

2. La explicación de la complejidad social

• Estrategias explicativas. Generalización y universalidad en el conocimiento social. 
• El papel de la teoría y de los datos en la construcción del conocimiento científico. Inducción, abducción y deducción
• Teorías sobre la complejidad social y sus aplicaciones prácticas 

3. El lugar de los datos en la ciencia 

• Fundamentos de la “objetividad” en la ciencia de datos. La investigación guiada por datos
• El “big data” en la ciencia social. 
• La aplicación de métodos digitales y computacionales en la investigación social. 
• Definición, crítica y propuestas alternativas.

4. La sociedad red y la revolución digital

• La transformación de la sociedad desde la llegada de la informática e Internet. 
• Dataficación. 
• Los límites éticos del dato social. 
• Las nuevas epistemologías derivadas del big data y la ciencia de datos en ciencias sociales.
• El surgimiento de la ciencia social computacional y su lugar como disciplina en las ciencias sociales

5. Computación y ciencia social

• Campo social en la investigación con grandes bases de datos.
• ¿Qué es una explicación apropiada” en ciencia de datos y que supone “precisión” en este contexto de investigación? 
• Humanidades digitales y la aplicación de los métodos computacionales a los datos sociales y humanos. 
• Una versión holística del científico de datos

6. Introducción a la simulación

• Breve historia y evolución del uso de la simulación en las ciencias sociales.
• Definición y objetivo y tipos de simulación en el contexto del análisis social 
• Complejidad, modelos basados en agentes y simulación en ciencias sociales. 
• El papel de la teoría y de los métodos computacionales en la simulación social. 

Nota: la programación temática se desarrolla sobre la base de los principios básicos establecidos en la Memoria de Verificación y Modificación del Título

Se combinan las siguientes actividades formativas: Trabajo con documentos científicos (AF3), Mesas de debate (AF5), Actividades de Coevaluación. Evaluación participativa (AF10), Elaboración de trabajos de iniciación a la investigación o de intervención (AF12); Exposición presencial y pública de trabajos (AF13) y trabajo de campo (AF14). Para realizar este módulo el estudiantado realizará un trabajo autónomo y/o colaborativo que permita aprender y generar conocimiento individual y/o compartido (AF8). Se combinarán la metodología docente basada en el aprendizaje cooperativo/colaborativo (MD8), Laboratorios y trabajos prácticos (MD8) y el aprendizaje de aula invertida (MD9). El sistema de evaluación se indica en cada una de las actividades propuestas.

1. Ciencia e investigación social: la producción del conocimiento científico (SE1. 1,5 pto)

Mesa de debate a través de la exposición individual o grupal sobre el uso de los datos, los tipos de investigación y las preguntas científicas de diferentes disciplinas sociales (sociología, ciencia política, comunicación, etc).

2. La complejidad social: origen, leyes y teorías (SE6. 1 pto)

A través del trabajo con documentos científicos sobre complejidad social disponibles en la bibliografía, y tras la lectura de siguiente artículo Anderson, C. (2008). The end of theory: The data deluge makes the scientific method obsolete. Wired magazine, 16(7), 16-07, se debatirá en clase si asistimos a un cambio ciclo científico, o no. Para ello se mostrarán las evidencias que apoyen los distintos argumentos esgrimidos. Se realizará una evaluación participativa de la actividad.

3. El lugar de los datos en la ciencia (SE2. 2 pto)

Exposición presencial y pública, a modo de breve ensayo para su discusión en clase, sobre la detección de las ambivalencias, paradojas y contradicciones sobre el lugar de los datos en la ciencia. Será necesario trabajar la siguiente lectura en combinación con la bibliografía recomendada. Meneses Rocha, María Elena (2018). Grandes datos, grandes desafíos para las ciencias sociales. Revista Mexicana de Sociología 80, (2) https://doi.org/10.22201/iis.01882503p.2018.2.57723. Se realizará una evaluación participativa de la actividad.

4. La sociedad red y la revolución digital (SE6. 1 pto)

Mesa de debate argumentada donde se identifiquen claramente las posiciones defendidas en el siguiente artículo: Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big Data & Society, 1(1). https://doi.org/10.1177/2053951714528481. Se diseñará actividades de coevaluación con el fin de fomentar una evaluación participativa

5. Computación y ciencia social (SE5. 3 ptos)

Aplicando el pensamiento crítico a través de la siguiente lectura. The powers and perils of using digital data to understand human behaviour. (2021). Nature, 595(7866), 149–150. https://doi.org/10.1038/d41586-021-01736-y se realizará un trabajo grupal de iniciación a la investigación donde se muestre los principios a tener en cuenta en un diseño de investigación de ciencia de datos aplicado a las ciencias sociales. Se expondrá en el aula.

6. Introducción a la simulación (SE1. 1,5 pto)

Se expondrá, por parte del estudiantado, un ejemplo que permita debatir en el contexto del aula su utilidad en el campo del análisis social. Previamente se habrá elaborado el trabajo de campo necesario que permita conocer las principales BBDD existentes en internet. Se realizará una evaluación participativa. Se recomienda la lectura del siguiente documento: García Valdecasas, J. I. (2011). La simulación basada en agentes: una nueva forma de explorar los fenómenos sociales / Agent-based Modelling: A New Way of Exploring Social Phenomena. Reis, 136, 91–109. https://doi.org/10.5477/cis/reis.136.91

• Anderson, C. (2008). The end of theory: The data deluge makes the scientific method obsolete. Wired magazine, 16(7), 16-07.
• Breiman, L. (2001). Statistical modeling: The two cultures (with comments and a rejoinder by the author). Statistical science, 16(3), 199-231.
• Bunge M. (2013) La ciencia. Su método y su filosofía, Pamplona: Laetoli
• Byrne, D., & Callaghan, G. (2022). Complexity theory and the social sciences: The state of the art. Routledge.
• Edelmann, A., Wolff, T., Montagne, D., & Bail, C. A. (2020). Computational social science and sociology. Annual Review of Sociology, 46, 61-81.
• Finn, E. (2018). La búsqueda del algoritmo: imaginación en la era de la informática. Alpha Decay.
• Gerring, John (2014) Metodología de las ciencias sociales, Madrid: Alianza Editorial.
• Grimmer, J., Roberts, M. E., & Stewart, B. M. (2022). Text as data: A new framework for machine learning and the social sciences. Princeton University Press.
• Kitchin, R. (2014). Big Data, new epistemologies and paradigm shifts. Big data & society, 1(1), 2053951714528481. 
• Lauro, N. C., Amaturo, E., Grassia, M. G., and M. Marino. (2017). Data Science and Social Research. Epistemology, Methods, Technology and Applications. London: Springer. 
• Lindgren, S. (2020). Data theory: Interpretive sociology and computational methods. John Wiley & Sons.
• Pietsch, W. (2021). Big data. Cambridge: Cambridge University Press. 
• Salganik, M. J. (2019). Bit by bit: Social research in the digital age. Princeton University Press.

• Aneshensel, C. S. (2012). Theory-based data analysis for the social sciences. Sage Publications.
• Airoldi, M. (2021). Machine habitus: Toward a sociology of algorithms. John Wiley & Sons.
• Blum, A., Hopcroft, J. y Kannan, R. (2020). Foundations of data science. Cambridge University Press.
• Breiman, L. (2001). Statistical modeling: The two cultures (with comments and a rejoinder by the author). Statistical science, 16(3), 199-231.
• Breiman, L. (2001). Statistical modeling: The two cultures. Statistical science, 16(3), 199-231.
• Carrero, V., Soriano, R. M., y Trinidad, A. (2012). Teoría fundamentada grounded theory (Vol. 37). CIS.
• Cukier, K., & Mayer-Schoenberger, V. (2014). The rise of big data: How it’s changing the way we think about the world. The best writing on mathematics, 20-32.
• Diaz-Bone, R., Horvath, K., & Cappel, V. (2020). Social research in times of big data. The challenges of new data worlds and the need for a sociology of social research. Historical Social Research/Historische Sozialforschung, 45(3), 314-341.
• Elliott, A. (2019). The culture of AI: Everyday life and the digital revolution. Routledge.
• Elliott, A. (2021). Making sense of AI: Our algorithmic world. John Wiley & Sons.
• Elliott, A. (Ed.). (2021). The Routledge social science handbook of AI. Routledge.
• Flache, A., Mäs, M., & Keijzer, M. A. (2022). Computational approaches in rigorous sociology: agent-based computational modeling and computational social science. In Handbook of Sociological Science (pp. 57-72). Edward Elgar Publishing.
• Gilbert GN (2008). Agent-Based Models. Quantitative Applications in the Social Sciences. Sage, Los Angeles, CA.
• Goldthorpe, J. H. (2017). Las ciencias sociales como ciencias de la población. Madrid: Alianza Editorial.
• Gualda Caballero, E., Taboada Villamarín, A., & Rebollo Díaz, C. (2023). ‘Big data’y ciencias sociales. Una mirada comparativa a las publicaciones de antropología, sociología y trabajo social. Gaceta de Antropología 39 (1).
• Keuschnigg, M., Lovsjö, N. & Hedström, P. (2018) Analytical sociology and computational social science. J Comput Soc Sc 1, 3–14. https://doi.org/10.1007/s42001-017-0006-5
• Maldonado, C. E. (2008) Complejidad y ciencias sociales desde el aporte de las matemáticas cualitativas. Cinta moebio, 33 http://dx.doi.org/10.4067/S0717-554X2008000300001.
• Nelson, L. K. (2020). Computational Grounded Theory: A Methodological Framework. Sociological Methods & Research, 49(1), 3–42. https://doi.org/10.1177/0049124117729703
• Pietsch, W. (2022). On the epistemology of data science. Springer International Publishing.
• Robles, J. M., Rodríguez, J. T., Caballero, R., & Gómez, D. (2020). Big data para científicos sociales. Una introducción (Vol. 60). CIS.
• Rosati, G., Chazarreta, A., Domenech, L., Piñeyrúa, F., & Maguire, T. (2023). Ciencias Sociales Computacionales. Un estado de la cuestión y una agenda de investigación. Papeles de Trabajo, 17(30), 59-69.
• Rudas, T., & Péli, G. (Eds.). (2021). Pathways between social science and computational social science: theories, methods, and interpretations. Springer Nature.
• Schwarz, O. (2021). Sociological theory for digital society: The codes that bind us together. John Wiley & Sons.
• Splichal, S. (2022). In data we (don't) trust: The public adrift in data-driven public opinion models. Big Data & Society, 9(1), 20539517221097319.
• Turner JR, Baker RM (2019). Complexity Theory: An Overview with Potential Applications for the Social Sciences. Systems; 7(1):4. https://doi.org/10.3390/systems7010004

• International Journal of Social Research Methodology
• Basic Research Strategies for the Social Sciences
• Sage Research Methods
• Social Science Research Methods
• National Centre for Research Methods
• QualPage
• Association for Information Systems 
• World Bank Open Data
• World Health Organization
• AWS resources

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 actividades propuestas en el temario teórico y práctico siguiendo el siguiente sistema de evaluación:

• SE1. Resolución, individual o colectiva, de pruebas, ejercicios y/o problemas desarrollados en clase en forma de mesas de debate: Hasta 3 puntos.
• SE2. Elaboración de un ensayo: Hasta 2 ptos.
• SE5. Elaboración y presentación de un diseño de investigación preliminar sobre ciencia de datos aplicado a las ciencias sociales. Hasta 3 ptos.
• SE6. Exposiciones orales. Hasta 2 ptos.

CRITERIOS DE EVALUACIÓN:

Se tendrá en cuenta que en el proceso de aprendizaje cada estudiante haya aprendido al menos tres de los siguientes aspectos a través de la superación de las pruebas de evaluación mencionadas en el contenido teórico-practico de la asignatura. Será obligatorio que, con independencia de la puntuación obtenida en las pruebas realizadas por el estudiantado, se asista al 80% de la docencia presencial participando de manera activa en el desarrollo de la docencia:

1. Identificar los principios básicos de la ciencia e investigación social junto con las falacias del conocimiento científico.
2. Analizar la complejidad social.
3. Valorar el papel de los datos en el proceso científico.
4. Comprender la sociedad red y la revolución digital.
5. Conocer las herramientas y técnicas de computación utilizadas en la ciencia social. 
6. Identificar los pasos a seguir en los modelos de simulación como herramienta de investigación social.

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 escrita con carácter presencial.

CRITERIOS DE EVALUACIÓN:

El estudiantado debe demostrar en una prueba escrita presencial la adquisición de, al menos, cuatro de los siguientes aspectos a través del estudio y reflexión de la bibliografía fundamental de la presente guía:

1. Identificar los principios básicos de la ciencia e investigación social junto con las falacias del conocimiento científico.
2. Analizar la complejidad social.
3. Valorar el papel de los datos en el proceso científico.
4. Comprender la sociedad red y la revolución digital.
5. Conocer las herramientas y técnicas de computación utilizadas en la ciencia social. 
6. Identificar los pasos a seguir en los modelos de simulación como herramienta de investigación social.

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 estudiantado, 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.

CRITERIOS DE EVALUACIÓN:

El estudiantado debe demostrar en una prueba escrita presencial la adquisición de, al menos cuatro de los siguientes aspectos a través del estudio y reflexión de la bibliografía fundamental de la presente guía:

1. Identificar los principios básicos de la ciencia e investigación social, junto con las falacias del conocimiento científico..
2. Analizar la complejidad social.
3. Valorar el papel de los datos en el proceso científico.
4. Comprender la sociedad red y la revolución digital.
5. Conocer las herramientas y técnicas de computación utilizadas en la ciencia social. 
6. Identificar los pasos a seguir en los modelos de simulación como herramienta de investigación social.

La metodología docente propuesta fusiona diversas estrategias pedagógicas con el fin de potenciar el aprendizaje significativo del estudiantado. Se utilizarán actividades formativas que favorecen una reflexión profunda de los contenidos, reconociendo que el aprendizaje se potencia cuando se nutre de la interacción, la reflexión y la construcción colectiva del conocimiento a través de la aplicación del pensamiento crítico hasta la colaboración dinámica e interpares. También se combinará la clase magistral con actividades propias de la metodología basada en los principios del aula invertida.

De igual modo, el trabajo autónomo y colaborativo de los estudiantes ocupa un papel protagonista en el desarrollo de la docencia. Para ello se ofrecen distintas herramientas que permitan asumir un papel activo en el proceso de aprendizaje. Se fomentará la creación de conocimiento individual y compartido mediante la implementación de diversas herramientas. 

En esta sinergia de enfoques, se pretende cultivar un entorno educativo dinámico y enriquecedor, donde el estudiantado no solo adquiera conocimientos, sino que también desarrolle habilidades críticas, autonomía intelectual y la capacidad de colaborar de manera efectiva en la generación de conocimiento.

Para ello en el transcurso de la docencia se combinarán las siguientes actividades formativas y metodologías docentes, tal y como queda reflejado en el programa de contenidos téorico/práctico:

Actividades formativas: 

• AF1. Clases teóricas. Exposición de contenidos mediante presentación o explicación por parte del profesorado.
• AF3. Trabajo con documentos científicos. roceso de análisis y reflexión sobre los contenidos desarrollados en la Lección Magistral Participativa a partir del trabajo con documentos científicos de referencia.
• AF4. Seminarios. Actividades en la que se profundiza en un tema (monográfico) o se amplía y relacionan los contenidos impartidos en las sesiones magistrales con la actividad profesional.
• AF5. Mesas de debate. Generar procesos de reflexión colectiva y de resolución de problemas vinculados con el análisis de datos sociales desde la gestión de buenas prácticas.
• AF7. Tutorías en grupo con el fin de promover el aprendizaje cooperativo.
• AF8. Trabajo autónomo y/o colaborativo del estudiante para la generación de conocimiento individual y/o compartido (portafolio, diario de campo, memoria de prácticas, …)
• AF10. Actividades de Coevaluación. Evaluación participativa de los conocimientos y destrezas adquiridas por el estudiantado para demostrar la adquisición de las competencias desde un proceso de evaluación por pares o de reflexión individual del trabajo realizado a partir de rúbricas y otros instrumentos similares que ayuden a evaluar sus logros desde un proceso de evaluación interna y autoformativa.
• AF12. Elaboración de trabajos de iniciación a la investigación o de intervención bajo tutele académica
• AF13. Exposición presencial y pública de trabajos
• AF14. Trabajo de campo. Actividad desarrollada fuera del aula en contacto con la realidad con el que se pretende dar respuesta a interrogantes y problemas

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).