Програма навчальної дисципліни Новітні методи збору та аналізу соціологічної інформації



Сторінка2/5
Дата конвертації30.12.2016
Розмір0.54 Mb.
1   2   3   4   5



Примітка.

Співвідношення кількості годин аудиторних занять до самостійної і індивідуальної роботи становить:

для денної форми навчання – 44% / 56% (105:135=0,78)
для заочної форми навчання – 22% / 78% (40:140 = 0,29)

3. Виклад змісту навчальної дисципліни
Тема 1. Ведення в новітні методи збору та аналізу соціологічної інформації

Чим обумовлена необхідність розвитку новітніх методів збору та аналізу соціологічної інформації? Сутність понять статистичний аналіз даних, аналіз даних та інтелектуальний аналіз даних. В чому полягають їх відмінності?

Тенденції розвитку методів збору соціологічної інформації. Тенденції розвитку методів аналізу соціологічної інформації.

Роль традиційних методів в розвитку новітніх методів збору та аналізу соціологічної інформації. «Старі» методи в контексті досліджень сучасної реальності. Приклади. Чому «старі» методи ніколи не перестануть бути актуальними?


Розділ 1. Методи багатовимірного аналізу в соціології
Тема 2. Багатовимірний аналіз: сутність, методи, специфіка застосування в соціології

Сутність поняття «багатовимірний». Приклади багатовимірних соціальних явищ. Поняття «соціологічна інформація» та «багатовимірний аналіз». Методи багатовимірного аналізу. Причини, по яких виникає потреба вивчати методи багатовимірного аналізу. Класифікація методів багатовимірного аналізу. Соціологічні задачі, які вирішуються за допомогою багатовимірних методів аналізу даних. Специфіка застосування методів багатомірного статистичного аналізу для обробки соціологічної інформації. Огляд пакетів статистичної обробки даних, в яких можна проводити багатовимірний аналіз.



Тема 3. Методи факторного та кластерного аналізу як засіб виявлення структури багатовимірних даних

Головна ідея методів факторного аналізу даних. Задачі, що розв'язуються із застосування факторного аналізу. Застосування факторного аналізу в соціології.

Загальна ідея автоматичної класифікації та групування об'єктів. Застосування кластерного аналізу для побудови типологій об'єктів. Кластерний аналіз як елемент комплексного аналізу соціологічних даних.

Порівняння евристичних можливостей методів факторного та кластерного аналізу. Чому факторний та кластерний аналізи вважаються методами аналізу структури даних?

Тема 4. Багатовимірне шкалування

Мета багатовимірного шкалювання. Головна ідея методу багатовимірного шкалування. Задачі, що розв'язуються із застосуванням багатовимірного шкалування.

Простір сприйняття. Чому соціолога цікавить простір сприйняття? Що потрібно зробити, щоб знайти простір сприйняття?

Головне припущення багатовимірного шкалювання.

Які дані застосовують для багатовимірного шкалювання? Результат багатовимірного шкалювання. Якість багатовимірного шкалювання.

Види багатовимірного шкалювання: метричне, неметричне та індивідуальне багатовимірне шкалювання.

Приклади застосування багатовимірного шкалювання в соціологічних дослідженнях.

Здійснення багатовимірного шкалювання в пакеті SPSS:

Загальна послідовність дій при застосуванні методу багатовимірного шкалування.



  • Побудова матриці близькості.

  • Критерії адекватності моделі багатовимірного шкалування.

  • Вибір розмірності результуючого евклідового простору.

  • Інтерпретація рішення, отриманого методом багатовимірного шкалювання.
Тема 5. Методи візуалізації багатомірних даних

Методи візуалізації даних. Мова візуалізації даних. Інструменти візуалізації даних. Ілюстративна та когнітивна візуалізація. Багатовимірні дані та засоби їх візуалізації. Класифікація методів візуалізації, залежно від кількості використовуваних вимірів: представлення багатовимірних даних у просторах низької розмірності (тобто 1D , 2D та 3D); представлення багатовимірних даних у багатовимірних просторах (4D+). Приклади візуалізації багатовимірних даних. Програми, в яких можна здійснити візуалізацію багатовимірних даних.

Сутність когнітивної візуалізації. Завдання, що вирішуються методами когнітивної візуалізації. Можливості, що надає когнітивна візуалізація соціологу .

Головні напрямки розвитку методів когнітивної візуалізації в соціології:

1. Розширення арсеналу методів подання емпіричних даних у вигляді різноманітних піктографіків.

2. Розробка специфічних та впровадження в практику соціологічного аналізу вже існуючих візуалізаторів моделей Data Mіnіng.

3. Іконологічне моделювання.

Приклади застосування методів когнітивної візуалізації соціологічних даних.
Тема 6. Дискримінантний аналіз та його застосування в соціології
Основна мета дискримінантного аналізу. Поняття дискримінації. Функція канонічної дискримінації. Коефіцієнти канонічної дискримінантної функції. Кількість дискримінантних функцій. Класифікуючи функції. Застосування елементарних класифікуючи функцій. Класифікація об’єктів за допомогою функції відстані. Класифікаційна матриця.

Багатомірні перемінні в дискримінантному аналізі. Порівняння множинного дискримінантного аналізу з множинним дисперсійним аналізом та множинною регресією.

Приклади застосування дискримінантного аналізу в соціології.

Засоби проведення дискримінантного аналізу в пакеті SPSS. Специфіка застосування в соціології. Приклади.


Тема 7. Дерева класифікації

Призначення методу дерев класифікації. Закономірності, що виявляються цим методом. Галузі застосування дерев класифікації. Чому дерева класифікації часто називають деревами рішень?

Алгоритми побудови дерев класифікації: для номінальних, дихотомічних та метричних ознак. Термінологія, що використовується при побудові та аналізі дерев класифікації. Побудова дерев класифікації в пакеті SPSS. Інтерпретація дерев класифікації.

Застосування методу дерев класифікації в соціології.



Порівняння евристичних можливостей методів дискримінантного аналізу та дерев класифікації.
Тема 8. Регресійний аналіз: традиційний підхід та новітні тенденції

8.1. Класичний регресійний аналіз.

Множинна лінійна регресія: загальний вигляд рівняння, інтерпретація коефіцієнтів регресії, побудова рівняння методом найменших квадратів. Відбір незалежних факторів на основі аналізу кореляційної матриці. Рівняння множинної регресії в стандартних координатах та інтерпретація його коефіцієнтів.

Коефіцієнт часткової кореляції: позначення, інтерпретація, область значень, симетричність, методика обчислення шляхом послідовного виключення впливу ознак. Порівняння оцінок впливу факторів за допомогою парних та часткових коефіцієнтів кореляції. Коефіцієнт множинної кореляції: формула обчислення та інтерпретація. Коефіцієнт детермінації та оцінка якості рівняння регресії.

Приклад застосування «старого» методу для аналізу сучасності: регресійний аналіз в дослідженні факторів довіри до політичних інститутів в Україні.

Новітні тенденції в розвитку методів регресійного аналізу.


8.2. Латентно-структурна регресійна модель (Latent Class Regression).

Латентно-класовий аналіз: загальна стратегія моделювання. Формулювання завдання для побудови латентно-класової моделі. Принципи вибору серед латентно-класових моделей. Моделі, реалізовані в пакеті Latent Gold. Інтерфейс програми Latent Gold. Моделювання з номінальними латентними ознаками. Моделі з різним рівнем вимірювання спостережуваних ознак. Побудова базової моделі. Оцінка якості моделі. Використання критеріїв L2, χ2, логарифмічного правдоподібності (-2LL) і р-значень для визначення якості моделі. Інтерпретація результатів аналізу в термінах логіт і ймовірностей. Інтерпретація латентних класів. Складання портрета класів. Порівняння моделей, визначення числа класів. Інформаційні критерії (AIC, BIC). Принцип економії (parsimony). Використання бутстреппінга в латентно-класовому аналізі. Порівняння гніздових моделей. Додаткові обмеження в моделі: цілі та умови введення додаткових обмежень. Використання екзогенних предикторів (коваріат) для передбачення приналежності до класу.



Тема 9. Інтелектуалізація інформаційних технологій як головний чинник розвитку методів багатовимірного аналізу інформації: становлення концепції інтелектуального аналізу даних

Комп’ютеризація науки та розвиток інтелектуальних технологій. Зміни у засобах наукового пізнання: становлення комп’ютерної епістемології.. Генезис ІАД: від статистики до ІАД. Виникнення терміна «ІАД». Сутність інтелектуального аналізу даних. ІАД як засіб породження гіпотез.

Трактовка знання з позицій ІАД.

Тема 10. Огляд задач та методів інтелектуального аналізу даних

Інтелектуальний аналіз даних та дата майнінг: схожість та відмінності. Data Mіnіng, Text Mining, Visual Mining та інші.

Задачі Data Mining:

1. Класифікація (Classification) - виявляються ознаки, які характеризують групи об'єктів досліджуваного набору даних - класи; за цими ознаками новий об'єкт можна віднести до того або іншого класу. Для вирішення задач класифікації можуть використовуватися методи: найближчого сусіда (Nearest Neighbor або k-Nearest Neighbor); байєсовські мережі (Bayesian Networks); індукція дерев рішень; нейронні мережі (neural networks).

2. Кластеризація (Clustering) - результатом її є поділ об'єктів на групи.

3. Асоціація (Associations) - знаходять закономірності між пов'язаними подіями у наборі даних. Найбільш відомий метод рішення задачі пошуку асоціативних правил - алгоритм Аргіогі.

4. Послідовність (Sequence), або послідовна асоціація (sequential association), - дає можливість знайти часові закономірності між транзакціями. Завдання послідовності подібне до асоціації, але її метою є встановлення закономірностей між подіями, пов'язаними за часом, тобто послідовність визначається високою ймовірністю ланцюжка пов'язаних за часом подій.

5. Прогнозування (Forecasting) - на основі особливостей історичних даних оцінюються майбутні значення показників. Застосовуються методи математичної статистики, нейронні мережі тощо.

6. Визначення відхилень (Deviation Detection), аналіз відхилень або викидів - виявлення й аналіз даних, що найбільше відрізняються від загальної чисельності даних, виявлення нехарактерних шаблонів.

7. Оцінювання (Estimation) - зводиться до прогнозу безперервних значень ознак.

8. Аналіз зв'язків (Link Analysis) - задача знаходження залежностей у наборі даних.

9. Візуалізація (Visualization, Graph Mining) - створюється графічний образ аналізованих даних. Для вирішення задач візуалізації використовуються графічні методи, що показують наявність закономірностей в даних.

10. Підбивання підсумків (Summarization) - опис конкретних груп об'єктів за допомогою аналізованого набору даних.

Тема 11. Інтелектуальний аналіз даних в соціології

Приклади застосування інтелектуального аналізу даних в соціології:



    1. Застосування ІАД в дослідженні ціннісного світу студентства нового тисячоліття: емпірична перевірка теорії постмодернизации

    2. ІАД в дослідженні моральних преференцій.

    3. ІАД в дослідженні простору релігійних ідентичностей.

    4. Використання інтелектуального аналізу даних у дослідженнях феномену знехтування у студентському середовищі


Розділ 2. Методи вимірювання в соціології (Даниленко І.В.)
Тема 1. Поняття вимірювання в соціології. Соціологічні шкали.

Основні проблеми вимірювання соціальних явищ. Методологічні основи кількісних емпіричних досліджень. Вимірювальні процедури в емпіричному дослідженні. Основні поняття: ознака-змінна, індикатор, шкала, спостережувані та латентні змінні. Репрезентаційна теорія вимірювання.

Кількісні (метричні) і якісні (категоріальні) змінні. Поняття шкали. Рівні виміру, значення їх виділення для соціолога. Основні типології шкал. Установчі та оціночні шкали. Шкалювання. Одномірне шкалювання. Процедура кодування, типи кодування.
Тема 2. Одномірне шкалювання.

Цілі та принципи одновимірного соціологічного шкалювання. Метод Луї Терстоуна вимірювання установки. Побудова шкали Терстоуна.

Оціночні шкали. Метод парних порівнянь і побудова на його основі оціночної шкали.
Модель Терстоуна і BTL-моделі парних стравнению.
Тема 3. Методи одновимірного шкалювання.

Методи одновимірного шкалювання в руслі тестової традиції в соціології. Факторний аналіз як спосіб одновимірного шкалювання. Індекси. Сутність індексного методу. Різновиди індексів. Логічні індекси: метод логічного квадрата, логічного прямокутника. Аналітичні індекси.

Шкала сумарних оцінок Ренсіс Лайкерта.

Шкалограмма Луї Гуттмана.

Шкала соціальної дистанції Еморі Богардуса.

Шкала фашизму Адорно, Френкель-Брунсвика, Левінсона, Сенфорда.


Тема 4. Семантичний диференціал і інші методи псіхосемантики.

Проектні методи. Психосемантичні методи. Семантичний диференціал Чарльза Осгуда. Використання в соціології його формальної схеми. Інші методи проективної техніки та оціночної биполяризации. Метод репертуарних решіток.


Тема 5. Критерії якості соціологічного виміру.

Вимоги щодо шкал: валідність, повнота, чутливість, релевантність, точність, надійність. Надійність соціологічного виміру: обгрунтованість, стійкість, правильність шкал. Типи валідності. Методи перевірки надійності та валідності шкал.




Розділ 3. Розвиток цифрових методів аналізу соціологічної інформації
Тема 1. Цифрові методи в контексті становлення цифрової соціології

Цифрова епоха як наслідок розвитку цифрових технологій. Динаміка впровадження цифрових технологій в повсякденність сучасної людини.

Сутність понять «цифрові методи» та «оцифровані методи». Розвиток цифрових методів.

Нові соціальні феномени: соціальний комп’ютиг, «опосередковане життя», доповнена соціальна реальність тощо.

Сучасні погляди на сутність цифрової соціології. Цифрова соціологія як розкриття можливостей, що дають цифрові інструменти та методи для переосмислення структури соціологічного знання.

Фактори розвитку цифрової соціології.


Тема 2.1. Великі дані як фактор появи новітніх методів збору та аналізу соціологічної інформації
Характеристики великих даних: обсяг, швидкість, різноманіття. Джерела великих даних: 1) дані соціальних мереж; 2) персональні дані (наприклад, дані з відстежуючих пристроїв); 3) сенсорні дані; 4) дані транзакцій; 5) адміністративні дані. Зміна аналітичної парадигми («четверта парадигма науки»): від статистичних досліджень до інтелектуального аналізу наявної інформації. «Кінець теорії» (К.Андерсон): дискусії відносно нової методології отримання наукового знання. Криза емпіричної соціології та шляхи виходу з неї.

Робота з великими даними. Процес збору великих даних і проблема якості. Концепція загальної помилки для великих даних. Розширення концепції для великих даних.

Труднощі збору великих даних і як з ними справиться? 1. Адміністративні та етичні проблеми: право власності на дані; контроль даних; управління збором даних; конфіденційність і повторна ідентифікація: відсутність однозначного визначення «виправданих заходів». 2. Технічна проблема: навички, необхідні для інтегрування великих обсягів даних в масових опитуваннях. 3. Технологічна проблема: вимоги до обчислень.

Що можуть дати великі дані соціологу?

Великі дані як чинник розвитку цифрових методів. Великі дані як основа формування цифрової соціології.
Тема 2.2. Online big data як джерело аналітичної інформації в онлайн-дослідженнях (Коритнікова Н.В.)

Поняття й сутність OBD. Показники OBD для соціального виміру. Програмне забезпечення під завдання OBD. Переваги й труднощі автоматизованих методів онлайн-досліджень. Сфери застосування OBD для цілей соціологічних досліджень.



Тема 3. Методологічні проблеми і підходи до соціологічного аналізу великих даних

Методологічні проблеми застосування великих даних в соціологічному аналізі сучасних феноменів. Відносні переваги даних масових опитувань і великих даних у сприянні науковим дослідженням. Методи дослідження, що спираються на великі дані. Поєднання великих даних з результатами опитувань.

Чому поява великих даних є одночасно і перспективною, і складною для соціологів? Які якості великих даних роблять їх такими привабливими для соціологів? Зв'язок великих даних з соціологією мереж і потоків.

Методологія дослідження мікро-блогів сайту Twitter як приклад розгортання методологічних принципів аналізу великих даних. Приклади реальних досліджень.
Тема 4. Перетворення цифрових методів у методологічний мейнстрим

Проблеми, що виникають у зв’язку з перетворенням цифрових методів у переважну методологію. Цифрові методи та цифрові інструменти. Виклики цифрових методів, як методологічного мейнстриму. Тематичні дослідження: можливості цифрових методів. Погляд у майбутнє цифрових методів.


Тема 5. Reality mining

Дослідження Алекса Петланда у контексті впровадження нових методів збору соціологічної інформації.

Смартфон як інструмент соціолога.

Сутність концепції Reality mining: переваги та недоліки, етичні проблеми.


Тема 6. Цифрова епістемологія

Знання в цифрову епоху. Поява різноманіття нових пізнавальних практик як чинник «сейсмічного зрушення в епістемології».

Сутність, схожість та відмінності комп'ютерної епістемології і цифрової епістемології. Вікіпедія як приклад пізнання і одночасного створення «нового знання». Приклади соціологічного дослідження. Друге життя, Warcraft та інші багатокористувацькі онлайнові ігри як практики пізнання через «життя» у множинних віртуальних світах. Приклади соціологічного дослідження. Соціальні мережі (MySpace, Facebook, ВКонтакте та інші) як практики пізнання, що є побічним продуктом спілкування. Приклади соціологічного дослідження.
Розділ 4. Методи мережевого аналізу в соціології (Акмурзін А.Я.)
Тема 1. Соціальні мережі як предмет соціологічного аналізу

Історія мережевого підходу в соціології

Передумови мережевого підходу (формальна соціологія Зіммеля і морфологія Е.Дюркгейма). Теорія соціальної структури С.Найделла. Дослідження собществ П.Лазарсфельда. Соціометрія Дж.Морено. Дослідження групових структур А.Бейвласа і Х.Левітта. Сучасний етап в мережевому підході (М. Кастельс та ін. Сучасні дослідники).

Методологічні принципи вивчення соціальних мереж

Методологічних засад аналізу соціальних мереж Дж. Хоманса і П. Блау, теорії соціального капіталу (Дж. Коулмен, Г. Беккер), методичних розробки мережевих моделей, виконані С. Вассерманом, Б. Веллманна, Д. Грановеттера
Тема 2. Математичні підстави аналізу соціальних мереж

Введення в теорію графів

Основні терміни і поняття теорії графів. Види графів.

Застосування теорії графів в соціології



Дослідження Д.Картрайта і Ф.Харарі, застосування орієнтованих графів.
Тема 3. Методологічні принципи та інструменти аналізу онлайнових соціальних мереж
Огляд програмного забезпечення для вивчення онлайнових соціальних мереж. Інструменти аналізу структури соціальних мереж. Інструменти аналізу контенту соціальних мереж.

4. Структура навчальної дисципліни

Назви модулів і тем

Кількість годин

Денна форма

Заочна форма

Усього

у тому числі

Усього

у тому числі

л

п

лаб

інд

ср

л

п

лаб

інд

ср

Тема 1. Ведення в новітні методи збору та аналізу соціологічної інформації




2










2




0,5










2

Розділ 1. Методи багатовимірного аналізу в соціології

Тема 2. Багатовимірний аналіз: сутність, методи, специфіка застосування в соціології




2










4




0,5










4
Тема 3. Методи факторного та кластерного аналізу як засіб виявлення структури багатовимірних даних




2

2







4




1

2







6
Тема 4. Багатовимірне шкалування




2

2







4




1

1







6
Тема 5. Методи візуалізації багатомірних даних




2

2







4




1

1







4

Тема 6. Дискримінантний аналіз та його застосування в соціології




2

2







4




1

1







4

Тема 7. Дерева класифікації




4

4







12




2

2







12

Тема 8. Регресійний аналіз: традиційний підхід та новітні тенденції (Кузіна І.І.)




4

6







10




1

1







10

Тема 9. Інтелектуалізація інформаційних технологій як головний чинник розвитку методів багатовимірного аналізу інформації: становлення концепції інтелектуального аналізу даних




2

2







4




0,5

0,5







4

Тема 10. Огляд задач та методів інтелектуального аналізу даних




2

2







8




0,5

0,5







8

Тема 11. Інтелектуальний аналіз даних в соціології




4

4







10




1

1







10

Усього годин за розділом 1





28

26







66




10

10







70

Усього за семестр





28

26







66




10

10







70

Розділ 2. Методи вимірювання в соціології

Тема 1. Поняття вимірювання в соціології. Соціологічні шкали.




2

2







5




0,5

0,5







5

Тема 2. Одномірне шкалювання.




2

2







5




0,5

0,5







5

Тема 3. Методи одновимірного шкалювання.




2

2







5




0,5

0,5







5

Тема 4. Семантичний диференціал і інші методи псіхосемантики.




2

2







5




0,5

0,5







5

Тема 5. Критерії якості соціологічного виміру.




2

2







5




1

1







5

Усього годин за розділом 2





10

10







25




3

3







25

Розділ 3. Розвиток цифрових методів аналізу соціологічної інформації

Тема 1. Цифрові методи в контексті становлення цифрової соціології




2

2







5




0,5

0,5







5

Тема 2.1. Великі дані як фактор появи новітніх методів аналізу соціологічної інформації




2

2







5




0,5

0,5







5

Тема 2.2. Online big data як джерело аналітичної інформації в онлайн-дослідженнях (Коритнікова Н.В.)




2

2







5



















Тема 3. Методологічні проблеми і підходи до соціологічного аналізу великих даних




1

1







3




0,5

0,5







5

Тема 4. Перетворення цифрових методів у методологічний мейнстрим




1

0,5







2




0,5

0,5







5

Тема 5. Reality mining




1

0,5







5




0,5

0,5







5

Тема 6. Цифрова епістемологія




1

1







4




0,5

0,5







5

Усього годин за розділом 3





10

9







29




3

3







30

Розділ 4. Методи мережевого аналізу в соціології

Тема 1. Соціальні мережі як предмет соціологічного аналізу




2

2







5




1

1







5

Тема 2. Математичні підстави аналізу соціальних мереж




2

2







5




1

1







5

Тема 3. Методологічні принципи та інструменти аналізу онлайнових соціальних мереж




2

2







5




2

2







5

Усього годин за розділом 4





6

6







15




4

4







15

Усього за семестр





26

25







69




10

10







70
1   2   3   4   5


База даних захищена авторським правом ©lecture.in.ua 2016
звернутися до адміністрації

    Головна сторінка