Guía docente de Ciencia y Minería de Datos (21411A3)

• No es necesario que el estudiantado tenga aprobadas asignaturas, materias o módulos previos como requisito indispensable para cursar esta asignatura.
• No se presupone experiencia previa en programación ni conocimientos matemáticos avanzados. La asignatura está diseñada para introducir de forma progresiva los conceptos fundamentales de ciencia y minería de datos desde una perspectiva sociológica, aplicada y crítica.
• La asignatura tiene un perfil técnico. Aunque las explicaciones serán de bajo nivel y se centrarán más en técnicas algorítmicas y la comprensión de su utilidad práctica para la resolución de la tarea de Ciencia de Datos en Sociología a resolver, se requiere una mínima base matemática para su adecuada comprensión.
• Tanto las clases de teoría como las de prácticas se impartirán en el aula de teoría, haciendo uso de ordenadores portátiles. Todas las prácticas harán uso de herramientas Web y/o software libre. Esto permite dinamizar la docencia y proporciona autonomía al estudiantado para la realización de los trabajos prácticos.
• Alternativamente, los/las estudiantes sin portátil pueden contactar con la Secretaría del Centro para el Servicio de Préstamo o hacer uso de PoliSocioLAB (Laboratorios de la Facultad de Ciencias Políticas y Sociología), que agrupa el Laboratorio de Estudios Cuantitativos (SPSS, R, Gandia Integra Cati, Python...), el Laboratorio de Estudios Cualitativos y Análisis Multimedia (NVIVO, Atlas.ti...) y el Laboratorio de Radio.
• En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación: https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0

• Introducción a la minería de datos en sociología. Localización y recopilación de datos: organismos, fuentes y bases de datos.
• Filtrado y transformación de datos.
• Análisis estadístico de datos, software y visualización.
• Técnicas de minería de datos. El proceso de extracción de conocimiento. Clasificación, clustering y regresión.
• Minería de datos no convencionales.
• Aplicación práctica de la minería de datos en el dominio de la sociología.

• Comprender qué aportan la ciencia de datos y la minería de datos a la investigación sociológica.
• Identificar problemas sociológicos que puedan abordarse mediante el análisis de datos.
• Reconocer fuentes de datos útiles para sociología: organismos oficiales, encuestas, datos abiertos, datos administrativos y datos digitales.
• Valorar críticamente la calidad, la cobertura, la representatividad y las limitaciones de una fuente de datos.
• Comprender operaciones básicas de filtrado, transformación y preparación de datos.
• Interpretar análisis descriptivos, tablas, gráficos e indicadores sociales básicos.
• Comprender el flujo general de un proceso de extracción de conocimiento: datos, preparación, análisis, modelo, evaluación e interpretación.
• Distinguir entre problemas de clasificación, regresión y clustering en contextos sociológicos.
• Interpretar de forma básica los resultados de modelos sencillos y reconocer cuando una conclusión es excesiva o no está justificada.
• Comprender los fundamentos de la interpretabilidad y la explicabilidad de modelos desde un punto de vista aplicado.
• Identificar riesgos relacionados con sesgos, discriminación, privacidad, opacidad y uso irresponsable de modelos de IA aplicados a datos sociales.
• Reconocer ejemplos de minería de datos no convencionales, como texto, redes sociales, redes sociológicas, geodatos o trazas digitales.
• Resolver casos prácticos guiados de análisis de datos sociales, comunicando los resultados de forma clara y crítica.

• Tema 1. Ciencia de datos y minería de datos en Sociología
• Tema 2. Fuentes de datos para la investigación sociológica
• Tema 3. Preparación y transformación básica de datos
• Tema 4. Análisis estadístico básico, software y visualización
• Tema 5. Técnicas básicas de Minería de Datos y Aprendizaje Automático
• Tema 6. Ciencia de Datos Interpretable y Confiable aplicada a datos sociales
• Tema 7. Casos de uso no convencionales en Ciencia de datos para Sociología: Datos textuales, redes sociales, datos web, geodatos y trazas digitales

TEMARIO PRÁCTICO

• Práctica 1. Reconocimiento de fuentes y lectura crítica de datos sociales
• Práctica 2. Preparación básica de un conjunto de datos
• Práctica 3. Visualización e interpretación de datos sociales
• Práctica 4. Modelo sencillo de clasificación, regresión o clustering
• Práctica 5. Interpretabilidad, sesgo y uso responsable
• Práctica 6. Datos no convencionales: texto, redes o datos digitales

SEMINARIOS

• Seminario 1. Herramientas y dinámicas de trabajo
• Seminario 2. Fuentes de datos sociales
• Seminario 3. Lectura crítica de modelos y visualizaciones
• Seminario 4. IA confiable y datos sociales

• Hernández Orallo, J.; Ramirez Quintana, M. J.; Ferri Ramirez, C. Introducción a la Minería de Datos. Pearson, 2004.
• Provost, F.; Fawcett, T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly, 2013.
• Kelleher, J. D.; Tierney, B. Data Science. MIT Press, 2018.
• Grus, J. Data Science from Scratch. O’Reilly, 2019.
• VanderPlas, J. Python Data Science Handbook. O’Reilly, 2016.
• Molnar, C. Interpretable Machine Learning. Libro abierto en línea.
• Barabási, A.-L. Network Science. Cambridge University Press, 2016.
• Wasserman, S.; Faust, K. Social Network Analysis: Methods and Applications. Cambridge University Press, 1994.

• Zafarani, R.; Abbasi, M. A.; Liu, H. Social Media Mining: An Introduction. Cambridge University Press, 2014.
• Liu, B. Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge University Press, 2015.
• Easley, D.; Kleinberg, J. Networks, Crowds, and Markets: Reasoning About a Highly Connected World. Cambridge University Press, 2010.
• Newman, M. Networks: An Introduction. Oxford University Press, 2010.
• O'Neil, C. Weapons of Math Destruction. Crown, 2016.
• Barocas, S.; Hardt, M.; Narayanan, A. Fairness and Machine Learning: Limitations and Opportunities. MIT Press, 2023.
• High-Level Expert Group on Artificial Intelligence. Ethics Guidelines for Trustworthy AI. European Commission, 2019.
• NIST. Artificial Intelligence Risk Management Framework - AI RMF 1.0. National Institute of Standards and Technology, 2023.

Datos sociológicos y datos abiertos

• Instituto Nacional de Estadística. https://www.ine.es/
• Centro de Investigaciones Sociológicas. https://www.cis.es/es/
• Eurostat. https://ec.europa.eu/eurostat
• Portal de datos abiertos del Gobierno de España. https://datos.gob.es/es/

Portales de datos abiertos autonómicos y locales

• Portal de Datos Abiertos de la Junta de Andalucía. (Junta de Andalucía)
• Portal de datos abiertos de Granada / Diputación de Granada. (Catálogo Dipgra)
• Portal de Datos Abiertos del Ayuntamiento de Madrid. (Portal de Datos Abiertos de Madrid)
• Open Data BCN — Ajuntament de Barcelona. (Open Data Barcelona)

Repositorios académicos de datos sociales

• ICPSR — Inter-university Consortium for Political and Social Research. (ICPSR)
• GESIS Data Archive / GESIS Search. (GESIS)
• CESSDA Data Catalogue. (CESSDA)
• UK Data Service. (ukdataservice.ac.uk)

IA eXplicable, ética e IA Confiable

• Interpretable Machine Learning, de Christoph Molnar. https://christophm.github.io/interpretable-ml-book/
• Ethics Guidelines for Trustworthy AI, Comisión Europea. https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai
• NIST AI Risk Management Framework. https://www.nist.gov/itl/ai-risk-management-framework
• Recomendaciones para el uso de la IA en la Universidad de Granada. https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia

• MD01. Lección magistral/expositiva 
• MD02. Sesiones de discusión y debate 
• MD03. Resolución de problemas y estudio de casos prácticos 
• MD06. Prácticas en sala de informática 
• MD07. Seminarios 
• MD08. Ejercicios de simulación 
• MD09. Análisis de fuentes y documentos 
• MD10. Realización de trabajos en grupo 
• MD11. Realización de trabajos individuales 

Todo lo relativo a la evaluación se regirá por la Normativa de Evaluación y Calificación de los Estudiantes vigente en la Universidad de Granada, aprobada en Consejo de Gobierno de 20 de mayo de 2013 (NCG71/2), que puede consultarse en: https://www.ugr.es/universidad/normativa/texto-consolidado-normativa-evaluacion-calificacion-estudiantes-universidad-granada. La evaluación será preferentemente continua siguiendo el artículo 7 de dicha normativa.

La adaptación del sistema de evaluación general propuesto a las características de esta asignatura, con indicación explícita del peso de la evaluación continua de cada actividad formativa, se ajustará a lo indicado en la siguiente tabla para la convocatoria ordinaria:

Más detalladamente, se utilizarán las siguientes técnicas de evaluación continua:

• Para la parte teórica se realizará un examen con múltiples cuestiones que incluirán varios problemas sobre los contenidos teóricos de la asignatura. No se incluirán cuestiones teóricas. La ponderación de este bloque será del 45%.
• Para la parte práctica se realizarán trabajos prácticos usando el ordenador, resolución de problemas y desarrollo de proyectos colaborativos, y se valorarán las entregas de los informes/memorias realizados por los/las estudiantes o, en su caso, las entrevistas personales con ellos/ellas y las sesiones de evaluación. En concreto, se considerará un proyecto práctico compuesto por cuatro partes. Este proyecto se realizará por parejas. La ponderación de este bloque será del 45%. Dado que esta parte se basa en seminarios explicados en clase presencial, pero los trabajos prácticos se realizan fuera de ella, no existe obligación de asistir a un número mínimo de clases prácticas por parte del estudiantado.
• La parte de trabajo autónomo y los seminarios se evaluarán teniendo en cuenta la asistencia a los seminarios y los problemas propuestos que hayan sido resueltos y entregados por los/las estudiantes. La ponderación de este bloque será del 10%. Para este apartado también será posible considerar las actividades que el estudiantado desarrolle en el marco del Programa de Educación Abierta de la Facultad de Ciencias Políticas y Sociología siempre que tengan relación, al menos parcial, con el temario de la asignatura.

La calificación global en la convocatoria ordinaria corresponderá, por tanto, a la puntuación ponderada de los diferentes aspectos y actividades que integran el sistema de evaluación. Así, el resultado de la evaluación será una calificación numérica obtenida mediante la suma ponderada de las calificaciones correspondientes a una parte teórica, una parte práctica y, en su caso, una parte relacionada con el trabajo autónomo de los/las estudiantes, los seminarios impartidos y el aprendizaje basado en proyectos. Para poder superar cada una de las partes y que sea posible realizar dicha suma, hay que obtener en cada parte al menos un 1 (del total de 4,5 puntos alcanzables). Si no se supera una parte, el/la estudiante debe presentarse a la prueba de la convocatoria extraordinaria correspondiente a dicha parte. La nota obtenida en la parte superada se guarda para la convocatoria extraordinaria. En el caso en que, aún no superando una parte, la nota sumada fuera igual o superior a 5, la calificación que constaría en acta en la convocatoria ordinaria sería Suspenso (4).

En el caso de la convocatoria extraordinaria, la evaluación se realizará mediante un único examen escrito, con una parte relacionada con la teoría (50%) y otra con las prácticas (50%). El/la estudiante podrá optar por mantener la calificación correspondiente a la parte superada (teoría o prácticas) obtenida en la convocatoria ordinaria. Se entenderá que dicha parte está superada siempre que alcance la calificación de 5 puntos sobre 10 en la parte correspondiente.

En cualquier caso, el sistema de calificaciones se expresará mediante calificación numérica de acuerdo con lo establecido en el art. 5 del R. D 1125/2003, de 5 de septiembre, por el que se establece el sistema europeo de créditos y el sistema de calificaciones en las titulaciones universitarias de carácter oficial y validez en el territorio nacional.

El estudiante que no pueda acogerse al sistema de evaluación continua por motivos laborales, estado de salud, discapacidad o cualquier otra causa debidamente justificada podrá acogerse a la evaluación única final. Para ello deberá solicitarlo al Director del Departamento o al Coordinador del Grado en las dos primeras semanas de impartición de la asignatura o, excepcionalmente, en las dos primeras semanas tras la matriculación en la asignatura (NCG78/9: Instrucción relativa a la aplicación del artículo 8.2 de la Normativa de evaluación y calificación de los estudiantes de la Universidad de Granada ya comentada). Esta modalidad de evaluación se realizará en un único acto académico y consistirá en una prueba realizada el día de la convocatoria oficial. Dicha prueba incluirá cuestiones tanto de tipo teórico, correspondientes al 50% de la nota, como práctico, correspondientes al otro 50%, que garanticen que el/la estudiante ha adquirido la totalidad de las competencias descritas en esta guía docente.

• Los contenidos y competencias adquiridos tienen relación con perfiles profesionales emergentes en investigación social aplicada, análisis de datos sociales, consultoría, evaluación de políticas públicas, estudios de opinión, recursos humanos, innovación social, comunicación digital y sociología computacional.

• Siguiendo las recomendaciones de inclusión y diversidad de la UGR, los sistemas de adquisición y evaluación de competencias se aplicarán conforme al principio de diseño para todas las personas, facilitando el aprendizaje y la demostración de conocimientos de acuerdo con las necesidades del estudiantado.

• Los contenidos y competencias adquiridos en esta asignatura tienen una relación directa con un perfil profesional muy reciente y que muestra un interés creciente en el mercado laboral para el estudiantado que disponga de un Grado en Sociología, el de Sociólogo/a Computacional, integrado por profesionales de la Sociología con un perfil híbrido con la Ciencia de Datos. Este tipo de profesionales está orientado al análisis del comportamiento humano haciendo uso de métodos computacionales avanzados. En el plan de estudios del Grado en Sociología de la UGR, la asignatura está integrada en dos menciones distintas: i) Recursos Humanos, Innovación y Era Digital, y ii) Investigación Aplicada.

• Siguiendo las recomendaciones de la CRUE y del Secretariado de Inclusión y Diversidad de la UGR, los sistemas de adquisición y de evaluación de competencias recogidos en esta Guía Docente se aplicarán conforme al principio de diseño para todas las personas, facilitando el aprendizaje y la demostración de conocimientos de acuerdo a las necesidades y la diversidad funcional del estudiantado. La Universidad de Granada cuenta con un Programa de Atención al Estudiantado con Discapacidad y otras Necesidades Específicas de Apoyo Educativo (NEAE) para el estudiantado que lo precise.

• Se recuerda que la Universidad de Granada dispone de un Protocolo para prevenir, evitar y afrontar las posibles situaciones de acoso de cualquier tipo, disponible en: https://www.ugr.es/sites/default/files/2017-09/NCG1125.pdf.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

Herramientas principales para uso uso en los laboratorios prácticos:

• Google Sheets — preparación de datos — https://sheets.google.com

• Datawrapper — visualización sin código — https://www.datawrapper.de

• RAWGraphs — visualizaciones alternativas (opcional) — https://www.rawgraphs.io

• Orange Data Mining, para construir flujos de análisis mediante nodos. https://orangedatamining.com/
• Google PAIR AI Explorables — sesgo y equidad interactivos — https://pair.withgoogle.com/explorables/
• Voyant Tools — minería de textos — https://voyant-tools.org
• Gephi Lite: Herramienta de Análisis y Visualización de Redes Sociales. https://lite.gephi.org/v1.0.2/

Alternativas de reserva (opcionales, no imprescindibles):

• KNIME Analytics Platform — herramienta de ciencia de datos similar a Orange Mining https://www.knime.com
• OpenRefine para el tratamiento sencillo de datos — https://openrefine.org
• Python/Google Colab con pandas y scikit-learn, como ampliación opcional únicamente mediante plantillas muy guiadas cuando resulte útil. http://colab.google.com/
• Jamovi para análisis estadísticos avanzados (no code) — https://www.jamovi.org