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
- Definir o escopo, limites e possibilidades da Ciência Social Computacional (CSC).
- Adquirir habilidades computacionais em linguagens de programação aplicadas à pesquisa em ciências sociais;
- 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