Anbefalede faglige forudsætninger for at deltage i modulet

Det anbefales, at den studerende har grundlæggende forståelse for kvantitative metoder og erfaring med databehandling på grundlæggende niveau. Der kræves ikke forhåndskendskab til computationelle metoder eller Python.

Modulets indhold, forløb og pædagogik

Formålet med modulet er, at den studerende tilegner sig en anvendelsesorienteret forståelse for computationelle og dataintensive metoder med fokus på analyseteknikker, datahåndtering, datavisualisering og dataudforskning, der kan anvendes på strukturerede og ustrukturerede data, der er relevante i undersøgelser af samfundsvidenskabelige fænomener og problemstillinger. Målet er, at de studerende tilegner sig de nødvendige computationelle kompetencer, der sætter dem i stand til at vælge, analysere og præsentere relevant datasæt samt opbygge en forståelse for, hvordan databehandling og -analyse fungerer i praksis – her særligt med fokus på dataudforskningsteknikker og visualisering med relevante Python-biblioteker.

Kurset giver en indføring i computationel tænkning med særlig fokus på dataintensive metoder og digitale data. Datahåndtering introduceres i programmeringssproget Python, hvorefter en række udvalgte metoder gennemgås; herunder klyngeanalyseteknikker, mapping-metoder samt simple tekstanalyseteknikker. Fokus er på sammenhængen mellem valg af relevant datasæt, dataanalyse, datavisualisering og metoder til identifikation af relevante samfundsvidenskabelige problemstillinger.

Læringsmål

Viden

• Opnår viden om metoder og teknikker til at analysere og visualisere strukturerede datatyper med henblik på samfundsvidenskabelige analyser
• Opnår viden om strukturerede og ustrukturerede datatyper
• Opnår viden om relevante computervidenskabelige koncepter inden for dataintensive teknikker og metoder
• Opnår grundlæggende indsigt i nyere digitale metoder, deres grundbegreber, teoretiske ophav og deres praktiske anvendelse
• Opnår viden om metodernes samspil med sociale data og sociale fænomener

Færdigheder

Kompetencer

• Har evnen til at udvælge, belyse, diskutere og analysere problemstillinger med inddragelse af relevante metodiske tilgange og digitale metoder
• Har evnen til at identificere og diskutere udfordringer og løsninger i arbejdet med dataudforskningsteknikker

Undervisningsform

Kurset afvikles som en kombination af forelæsninger, øvelser og e-læring.

 

Omfang og forventet arbejdsindsats

Se omfang m.v. i Moodle

Eksamen

Prøver

Prøvens navn	Social Data Science I: Dataanalyse med Python
Prøveform	Mundtlig pba. projekt Modulet evalueres gennem portfolioopgave med mundtlig prøve.
ECTS	10
Bedømmelsesform	7-trins-skala
Censur	Intern prøve
Vurderingskriterier	Vurderingskriterierne er angivet i Universitetets eksamensordning