El uso del Big Data y datos abiertos en Ciencias Sociales
(Curso Académico 2024 - 2025)
Mostrar Todo


Nota informativa: Atendiendo a la normativa de Protección de Datos y propiedad intelectual en la que se limita la publicación de imágenes de terceras personas sin su consentimiento, aquellos que difundan grabaciones de las sesiones de clase sin previo consentimiento de las personas implicadas, serán responsables ante la ley del uso prohibido de las citadas grabaciones.



1. Datos descriptivos de la asignatura
  • Código: 835991110
  • Centro: Escuela de Doctorado y Estudios de Postgrado
  • Lugar de impartición: Facultad de Ciencias Sociales y de la Comunicación
  • Titulación: Máster Universitario en Análisis Aplicado para las Ciencias Sociales
  • Plan de Estudios: 2023 (M597) (publicado en 03-01-2023)
  • Rama de conocimiento: Ciencias Sociales y Jurídicas
  • Itinerario/Intensificación:
  • Departamento/s:
  • Área/s de conocimiento:
    • Lenguajes y Sistemas Informáticos
  • Curso: 1
  • Carácter: Obligatoria
  • Duración: Primer cuatrimestre
  • Créditos ECTS: 3,0
  • Modalidad de impartición: Presencial
  • Horario: Ver horario
  • Dirección web de la asignatura: Ver web de la asignatura
  • Idioma: Español
2. Requisitos de matrícula y calificación
No hay requisitos
3. Profesorado que imparte la asignatura

Profesor/a Coordinador/a: FRANCISCO CARMELO ALMEIDA RODRIGUEZ

General:
Nombre:
FRANCISCO CARMELO
Apellido:
ALMEIDA RODRIGUEZ
Departamento:
Ingeniería Informática y de Sistemas
Área de conocimiento:
Lenguajes y Sistemas Informáticos
Grupo:
Contacto:
Teléfono 1:
922 31 81 73
Teléfono 2:
Correo electrónico:
falmeida@ull.es
Correo alternativo:
Tutorías primer cuatrimestre:
DesdeHastaDíaHora incialHora finalLocalizaciónPlantaDespacho
Todo el cuatrimestre Lunes 11:00 13:00 Escuela Superior de Ingeniería y Tecnología - Módulo A - AN.4A ESIT
Todo el cuatrimestre Martes 11:00 13:00 Escuela Superior de Ingeniería y Tecnología - Módulo A - AN.4A ESIT
Todo el cuatrimestre Miércoles 15:00 17:00 Escuela Superior de Ingeniería y Tecnología - Módulo A - AN.4A ESIT
Observaciones:
Tutorías segundo cuatrimestre:
DesdeHastaDíaHora incialHora finalLocalizaciónPlantaDespacho
Todo el cuatrimestre Lunes 11:00 13:00 Escuela Superior de Ingeniería y Tecnología - Módulo A - AN.4A ESIT
Todo el cuatrimestre Martes 11:00 13:00 Escuela Superior de Ingeniería y Tecnología - Módulo A - AN.4A ESIT
Todo el cuatrimestre Miércoles 15:00 17:00 Escuela Superior de Ingeniería y Tecnología - Módulo A - AN.4A ESIT
Observaciones:
4. Contextualización de la asignatura en el plan de estudio
  • Bloque formativo al que pertenece la asignatura: Módulo III: Información geográfica y uso de datos masivos en Ciencias Sociales
  • Perfil profesional:
5. Competencias

Generales

  • CG6 - Conocer y aplicar nuevas herramientas tecnológicas y del tratamiento masivo de información y de georreferenciación para analizar cuestiones sociales y medioambientales

Básicas

  • CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el 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

Transversales

  • T1 - Ser capaz de liderar equipos, promoviendo el libre intercambio de ideas y experiencias, la búsqueda de soluciones y el compromiso con la excelencia

Específicas

  • CE12 - Comprender y aplicar herramientas de "Machine Learning" que permitan trabajar con datos masivos en aplicaciones en ciencias sociales
  • CE13 - Conocer y comprender ejemplos de aplicaciones reales de sistemas de información geográficos y de uso masivo de datos para resolver problemas económicos y sociales.
6. Contenidos de la asignatura

Contenidos teóricos y prácticos de la asignatura

Concepto de Big Social Data: aproximación interdisciplinar. Técnicas básicas para grandes volúmenes de datos. Captura y preparación de datos: Datos Web y APIs, manipulación de registros, bases de datos y programación básica con Big Data. Modelado y Análisis: aprendizaje máquina: métodos no supervisados (clusterización) y supervisados (árboles de decisión). Análisis de textos e introducción a las redes neuronales (sociales). Inferencia y cuestiones éticas: visualización, errores e inferencia, privacidad y confidencialidad.

1. Introducción al Big Data Social.
2. Técnicas basicas para gestionar grandes volumenes de datos.
3. Análisis exploratorio de datos y técncias de Visualización.
4. Introducción al aprendizaje automático.
5. Técnicas de aprendizaje automático supervisado.
6. Ténicas de aprendizaje automático no supervisado.
7. Herramientas para el aprendizaje automático.

Actividades a desarrollar en otro idioma

 Los alumnos tendrán que trabajar sobre textos en inglés relevantes para la asignatura y, para su evaluación, uno de los apartados de los casos prácticos que serán evaluados se preguntará y se responderá en inglés. Asimismo se pondrá a disposición del alumnado, en el entorno virtual de la asignatura, material sobre el contenido teórico-práctico de la asignatura en lengua inglesa (enlaces a vídeos, webs, etc.). 
7. Metodología y volumen de trabajo del estudiante

Modelo de Enseñanza Centrada en el Alumnado

Aplica las siguientes metodologías activas: Aula invertida - Flipped Classroom, Aprendizaje basado en Proyectos (ABP), Aprendizaje basado en Problemas (PBL), Método o estudio de casos

Descripción

- Enseñanza expositiva: clases teóricas donde el profesor expone los conceptos teóricos de la asignatura y clases prácticas o de problemas donde se estudiarán ejemplos prácticos. Se espera que tanto las clases teóricas como las prácticas sean participativas.
- Enseñanza invertida: parte de la materia será proporcionada al alumno en el formato de enseñanza invertida.
- Tutorías individuales presenciales o virtuales a través del portal de la asignatura.
- Realización de trabajos/proyectos propuestos por el profesor que serán de tipo práctico. Podrán realizarse dentro o fuera del aula virtual y constituirán el material utilizado para la evaluación continua.

Actividades formativas en créditos ECTS, su metodología de enseñanza-aprendizaje y su relación con las competencias que debe adquirir el estudiante

Actividades formativas Horas presenciales Horas de trabajo autónomo Total horas Relación con competencias
Clases teóricas. Aprendizaje presencial en el aula, liderada por el profesorado y que se desarrolla en grupo 9,00 0,00 9,0 [T1], [CE12], [CG6], [CE13]
Trabajo autónomo del alumnado. Preparación y estudio de contenidos teóricos y prácticos, que pueden incluir actividades online de apoyo y casos prácticos con datos reales 0,00 22,00 22,0 [CB8], [CB6], [CE12], [CE13], [CG6], [CB7]
Clases prácticas. Aprendizaje presencial en el aula con elaboración y resolución de problemas y ejercicios prácticos, la mayoría con ordenador 20,00 0,00 20,0 [CB8], [CB6], [CE12], [CE13], [CG6], [CB7], [T1]
Trabajo en grupo o individual. Preparación y realización de trabajos en grupo (aprendizaje cooperativo) y/o de forma individual, usando paquetes informáticos de análisis cuantitativo, cualitativo y de uso de datos 0,00 15,00 15,0 [CB8], [CB6], [CE12], [CE13], [CG6], [CB7], [T1]
Tutorías programadas con el tutor o tutora académico 1,00 1,00 2,0 [CB6], [CB7], [CE12], [CB8], [CE13]
Evaluación. Preparación y evaluación de exámenes y/o pruebas de evaluación 0,00 7,00 7,0 [CE12], [CG6], [CE13]
Total horas
Total ECTS
8. Bibliografía / Recursos

Bibliografía básica

Andreas Muller, Sarah Guido. 2017. Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly.
Disponible on-line en la biblioteca ULL. https://github.com/amueller/introduction_to_ml_with_python

Claus Wilke. 2019. Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. O’Reilly.
Disponible on-line en la biblioteca ULL.

Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter. O’Reilly. Disponible
on-line en la biblioteca ULL.

Material proporcionado en el campus virtual, transparencias, artículos y enlaces a documentos y vídeos en la web.

Bibliografía complementaria

An introduction to machine learning with scikit-learn. https://scikit-learn.org/stable/tutorial/basic/tutorial.html

Otros recursos

Matplotlib: Visualization with Python. https://matplotlib.org/
 

Pandas. https://pandas.pydata.org/
 

Seaborn: statistical data visualization. http://seaborn.pydata.org/

Mito. Spreadsheets, meet AI Automation. https://www.trymito.io/

Bokeh. Bokeh at a Glance. https://bokeh.org/

9. Sistema de evaluación y calificación

Descripción

La evaluación del rendimiento del estudiantado en la asignatura se realizará mediante evaluación continua (EvC). También se configura la modalidad de evaluación única (EvU) como una opción alternativa. Dado el alto contenido práctico de la asignatura, se aconseja que el alumnado opte por la EvC.

I. La Evaluación Continua (EvC)
La EvC se basa en la combinación de distintos tipos de actividades o pruebas que están relacionadas con las competencias, conocimientos y resultados de aprendizaje de la asignatura. Cada una de las pruebas de evaluación continua tiene un peso inferior al 50% de la calificación final. 

Criterios mínimos
- Criterios de asistencia: La asistencia a clase es obligatoria. Se exige que la asistencia sea de, al menos, el 75%. Si falta menos de un 25%, no tendría que justificar las faltas. En caso contrario, las faltas tendrían que estar debidamente justificadas (enfermedad, cuidado personas enfermas, y otros motivos de necesidad y obligatoriedad que tengan un carácter puntual). La justificación ha de hacerse en la semana siguiente de la misma.
- Entrega de casos prácticos: se ha de entregar todos los casos prácticos.
- Calificación mínima en cada prueba: se ha de obtener al menos 3.5 puntos sobre 10 en cada una de las pruebas evaluativas realizadas. 

De no cumplir alguno de estos requisitos mínimos, la calificación final de la EvC no podrá superar los 4,5 puntos. Si incumple estas condiciones, a pesar de que la puntuación total pudiera superar los 5.0 puntos, la calificación final de la asignatura sería de 4,5. En estos casos, sólo se tendrá la opción de la Evaluación Única. 

Se establece el último día de docencia del cuatrimestre como fecha límite para la comunicación de los resultados de las actvidades de EvC, exceptuando la evaluación derivada de la entrega de casos prácticos y de la última prueba siempre que estas estuvieran incuidas dentro del periodo de exámenes del calendario académico.

La EvC de la asignatura consta de las siguientes pruebas:
1.- Resolución de casos prácticos (individual o grupal), usando ordenador con datos reales o simulados. Al comienzo de la asignatura se plantearán un conjunto de casos prácticos (al menos 2 en el caso de esta asignatura), que se realizarán usando ordenador. El desarrollo puede ser grupal, pero la entrega tiene que ser individual. Si fuera pertinente, también se exigirá la entregar del código para poder replicar los resultados obtenidos ("código de replicación"). El límite de entrega de estos casos prácticos será de dos semanas posteriores de la finalización de la docencia de la asignatura. La ponderación final de estas pruebas es del 70% (7 puntos sobre 10) de la nota total. 
2.- Pruebas de respuesta corta. Desarrollo por escrito de preguntas en un espacio limitado, basado en los conceptos más relevantes explicados en las clases teóricas y, especialmente, en los casos prácticos. Se valorará especialmente la conexión de las respuestas con los casos prácticos, reflexiones sobre los resultados y sus implicaciones y posibles extensiones. Puntuación: 30% (3 sobre 10). 

Condiciones para mantener las notas de la EvC
Los/as alumnos/as que no hayan superado la EvC en la primera convocatoria, podrán mantener las notas de la EvC (total o parcialmente) para las siguientes convocatorias (inlucida la de marzo del siguinete año) en los siguientes casos: 
a.- el estudiante haya asistido al menos al 75 % de las clases (teniendo en cuenta las faltas debidamente justificadas).
b.- el estudiante haya entregado todos los casos prácticos.
c.-
Sólo se mantendrá la nota de aquellos casos prácticos que hayan sido superados (hayan sacado un 5.0 sobre 10.0).

Convocatoria agotada en la EvC
En caso de la EvC, se entenderá que una convocatoria está agotada (es decir, el alumno figurará como presentado con la nota correspondiente) desde que el alumnado se presente, al menos, a las actividades cuya ponderación compute el 75% de la evaluación continua (incluyendo el porcentaje considerado en el examen final). En caso contrario será calificado en el acta con un “No presentado”.
 
Renuncia de la evaluación continua
Se podrá renunciar a la EvC (y optar así a la EvU sin que corra convocatoria) siempre que se comunique a través del procedimiento habilitado en el aula virtual antes de haberse presentado a las actividades que computen menos del 75% de la EvC. Este límite de tiempo se aplicará salvo por circunstancias sobrevenidas (p. ej., enfermedad grave, accidente o incompatibilidad con la jornada laboral con carácter puntual), en cuyo caso las solicitudes se podrán admitir con posterioridad. 
 
Evaluación única
En caso de no cumplir los requisitos de la EvC, el alumnado tendrá que someterse al método de evaluación única. También podrá optar a esta evaluación si renuncia a la evaluación continua según lo expuesto anteriormente. Al ser la asignatura eminentemente práctica, en la evaluación única se tendrá en cuenta la evaluación de los casos prácticos realizadas durante la evaluación continua siempre y cuando hayan sido superadas (nota superior a un 5.0 sobre 10 en cada caso). En caso de no haber sido superadas, el estudiantado deberá realizar la evaluación única que consistirá en 2 partes:

1.- Prácticas:  entrega de todas las  prácticas que no haya superado durante el curso, de forma individual. Las prácticas se evaluarán y calificarán del mismo modo que en la evaluación continua.
2.- Teoría: responder a un conjunto de preguntas cortas (con espacio acotado) asociadas al contenido teórico-aplicado de la materia desarrollada en la asignatura. La teoría se evaluará y calificará del mismo modo que en la evaluación continua.

La califiación final se computará del mismo modo que en la evaluación continua. En las subsiguientes convocatorias se evaluará siguiendo los mismos criterios. 

III. Comentarios finales sobre EvC y EvU
Tanto para la EvC como para la EvU,  cualquier plagio en las diversas tareas sometidas a evaluación será tratado con el máximo rigor que permita la normativa. Tanto en los trabajos escritos como en los exámenes se requerirá pulcritud con el lenguaje, pudiendo haber reducción en las calificaciones por faltas de ortografía. Cualquier forma de plagio será castigada con un cero en la evaluación, sin menoscabo de las posibles medidas disciplinarias que pudieran aplicarse.

El alumnado que se encuentre en la quinta o posteriores convocatorias y desee ser evaluado por un Tribunal, deberá presentar una solicitud a través del procedimiento habilitado en la sede electrónica, dirigida al Director de la Escuela de Doctorado. Dicha solicitud deberá realizarse con una antelación mínima de diez días hábiles al comienzo del periodo de exámenes.


 

Estrategia Evaluativa

Tipo de prueba Competencias Criterios Ponderación
Pruebas de respuesta corta [CB8], [CB6], [CE12], [CE13], [CG6], [CB7] - Nivel de conocimientos adquiridos
- Adecuación a lo solicitado
- Concreción en la redacción
- Entrega en plazo y forma
30,00 %
Trabajos y proyectos [CB8], [CB6], [CE12], [CE13], [CG6], [CB7], [T1] - Nivel de conocimientos adquiridos
- Adecuación a lo solicitado
- Concreción en la redacción
- Entrega en plazo y forma
70,00 %
10. Resultados de Aprendizaje
Se espera que el alumnado complete el aprendizaje del manejo de grandes volúmenes de datos relacionados con las ciencias sociales, desde la captura y tratamiento de diferentes fuentes (web, APIs y/o redes sociales), el análisis de estos mediante técnicas de aprendizaje máquina (machine-learning) y la visualización de resultados. Con ello, el alumnado será capaz de realizar un diagnóstico social a partir de métricas demográficas o de otra índole utilizando técnicas de análisis masivo de datos.
11. Cronograma / calendario de la asignatura

Descripción

El cronograma es orientativo. Podría sufrir cambios leves, especialmente en lo referente a la entrega de casos prácticos y ejecución de ejercicios de evaluación en la Evaluación continua. En cualquier caso, cualquier modificación sería comunicada con suficiente antelación. 
La asignatura es de 3 ECTS, en el primer cuatrimestre, y su duración es de 3 semanas. Con una distribución semanal variable.

Primer cuatrimestre

Semana Temas Actividades de enseñanza aprendizaje Horas de trabajo presencial Horas de trabajo autónomo Total
Semana 2: ​​​ 0.00 0.00 0.00
Semana 11:
 
0.00 0.00 0.00
Semana 12: 1. Introducción al Big Data Social.
2. Técnicas basicas para gestionar grandes volumenes de datos.
3. Análisis exploratorio de datos y técnicas de Visualización.
7. Herramientas.
Evaluación
Conceptos teóricos. Desarrollo de prácticas en el aula de prácticas.  Evaluación de prácticas desarrolladas de manera autónoma. Desarrollo de pruebas cortas. 10.00 15.00 25.00
Semana 13: 4. Introducción al aprendizaje automático.
5. Técnicas de aprendizaje automático supervisado.
7. Herramientas.
Conceptos teóricos. Desarrollo de prácticas en el aula de prácticas.  Evaluación de prácticas desarrolladas de manera autónoma. Desarrollo de pruebas cortas. 10.00 15.00 25.00
Semana 14: 6. Ténicas de aprendizaje automático no supervisado.
7. Herramientas para el aprendizaje automático.
Evaluación
Conceptos teóricos. Desarrollo de prácticas en el aula de prácticas.  Evaluación de prácticas desarrolladas de manera autónoma. Desarrollo de pruebas cortas. 10.00 15.00 25.00
Total 30.00 45.00 75.00
Fecha de última modificación: 20-06-2024
Fecha de aprobación: 04-07-2024