Ementa

As mudanças nas tecnologias - especificamente a transição da era analógica para a era digital - significa que agora podemos recolher e analisar dados sociais de novas formas. O objetivo da disciplina é definir o escopo, limites e possibilidades da Ciência Social Computacional (CSC). Isso inclui em avaliar os impactos epistemológicos dos métodos digitais e computacionais no modo de fazer ciências sociais nas sociedades contemporâneas. Os estudantes serão estimulados a: a) perceber as oportunidades e desafios que a era digital cria para a investigação social; b) avaliar a investigação social moderna a partir das perspectivas tanto da ciência social como da ciência dos dados; c) criar propostas de investigação modernas que misturam ideias das ciências sociais e da ciência de dados; d) praticar as técnicas necessárias para realmente conduzir a sua proposta de investigação através de métodos digitais e/ou computacionais. A disciplina depende que o estudante domine os fundamentos da linguagem de computação R e/ou Python que serão utilizadas para importar, arrumar, transformar, visualizar, modelar, comunicar e automatizar bases de dados sobre a sociedade. O curso deverá ser útil para cientistas sociais que queiram fazer mais ciência de dados e cientistas de dados que queiram fazer mais ciências sociais.

Objetivo

1. Definir o escopo, limites e possibilidades da Ciência Social Computacional (CSC).
2. Adquirir habilidades computacionais em linguagens de programação aplicadas à pesquisa em ciências sociais;
3. Importar, arrumar, transformar, visualizar, modelar, comunicar e automatizar bases de dados sobre a sociedade

Conteúdo Programático

• Aula 1 – Introdução a CSC
• Aula 2 – Problemas éticos da pesquisa em meios digitais
• Aula 3 – Métodos Digitais e dados digitais
• Aula 4 – Introdução a linguagem R/Python de programação
• Aula 5 – Introdução a linguagem R/Python de programação
• Aula 6 – Obtendo e manipulando dados I
• Aula 7 – Obtendo e manipulando dados II
• Aula 8 – Web scraping em R/Python
• Aula 9 – Web scraping em R/Python
• Aula 10 – Texto como dado I
• Aula 11 – Texto como dado II
• Aula 12 – Oficina de extração e análise de dados I
• Aula 13 – Oficina de extração e análise de dados II
• Aula 14 – Oficina de visualização de dados I
• Aula 15 – Avaliação final