Professional Documents
Culture Documents
Elbert y Perez 2023
Elbert y Perez 2023
Datos de la asignatura
Docente(s)
Fundamentación
Objetivos
UNIDADES
I. Introducción a las Ciencias Sociales Computacionales
El giro digital del capitalismo contemporáneo afecta múltiples dimensiones de la
vida social. En este encuentro debatiremos cómo las ciencias sociales analizan
estos cambios y el potencial de los métodos computacionales para realizar este
tipo de análisis. Discutiremos sobre las políticas del algoritmo, con foco en la
construcción de bases de datos para investigaciones basadas en Machine
Learning.
Taller 1: En la sección aplicada de la clase, introduciremos las herramientas
computacionales necesarias para el resto del curso (Python y su ecosistema de
librerías para la manipulación y visualización de datos).
Bibliografía:
Paullada, Amandalynne, Inioluwa Deborah Raji, Emily M. Bender, Emily Denton,
y Alex Hanna. 2021. «Data and its (dis)contents: A survey of dataset
development and use in machine learning research». Patterns 2 (11): 100336.
https://doi.org/10.1016/j.patter.2021.100336.
McKinney, W. (2017). Python for data analysis: Data wrangling with Pandas,
NumPy, and IPython. 2nd edition. O'Reilly Media".
II. Herramientas computacionales para el estudio de la desigualdad social.
En esta unidad focalizaremos en investigaciones recientes que utilizan métodos
computacionales para el estudio de la desigualdad social. Por un lado, vamos a
discutir las maneras en las que los métodos computacionales pueden aportar al
estudio de aspectos clásicos de la desigualdad. Por el otro, nos enfocaremos en
aspectos digitales de la desigualdad y las maneras de investigar esta nueva
dimensión de la desigualdad social.
Taller 2: En la sección aplicada de la clase brindaremos una introducción al
aprendizaje supervisado, métricas de evaluación, y veremos aplicaciones de
estas técnicas sobre problemas concretos. .
Bibliografía:
Sosa Escudero, W., Anauati, M.V. y W. Brau “Poverty, Inequality and
Development Studies with Machine Learning”. En F Chan y L. Matyas (eds.)
Econometrics with Machine Learning, Advanced Studies in Theoretical and
Applied Econometrics 53.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to
statistical learning (Vol. 112, p. 18). New York: springer.
III. El conflicto social en la era digital
La digitalización de la vida social afectó dinámicas clásicas del conflicto social en
el capitalismo. Ya sea por la aparición de nuevos mecanismos de control del
proceso de trabajo, como por la aparición de nuevas estrategias de protesta que
incorporan el uso de redes sociales. Asimismo, los métodos computacionales
brindan nuevas herramientas para el seguimiento y la contabilización de las
dinámicas de protesta. En esta unidad enfocaremos en estos temas a partir de
la lectura de artículos de investigación sobre conflictos social que utilizan
técnicas computacionales.
Taller 3: En la segunda parte de la clase haremos una introducción al
procesamiento del lenguaje natural (PLN, o NLP en inglés), enfocándonos en
técnicas de representación para textos provenientes de redes sociales.
Bibliografía:
Oliver, P., Lim, C., Matthews, M. y A. Hanna (2022) “Black Protests in the United
States, 1994-2010”, Sociological Science.
Laitano, G. y A. Nieto (2022) “La conflictividad social en los barrios de Mar del
Plata (2016-2020): un acercamiento computacional a la conflictividad social en
la historia reciente” En. G. Laitano y A. Nieto (eds.) La conflictividad social en la
historia reciente. Enfoques cuantitativos desde lo local a lo regional, Buenos
Aires.
Jurafsky, Dan, and James H. Martin. "Speech and Language Processing. 3rd."
(2022).
Bibliografía:
Rosati, G., Chazarreta, A., Domenech, L. y T. Maguire (2022) “Una aproximación
a los temas acerca del COVID-19. Aplicación de técnicas de procesamiento de
lenguaje natural sobre comentarios de lectores de noticias digitales.” Papeles de
trabajo.
Jurafsky, Dan, and James H. Martin. "Speech and Language Processing. 3rd."
(2022).
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019, June). BERT: Pre-
training of Deep Bidirectional Transformers for Language Understanding. In
Proceedings of the 2019 Conference of the North American Chapter of the
Association for Computational Linguistics: Human Language Technologies,
Volume 1 (Long and Short Papers) (pp. 4171-4186).
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., ... &
Amodei, D. (2020). Language models are few-shot learners. Advances in neural
information processing systems, 33, 1877-1901.
Requerimientos técnicos
Metodología y evaluación
Bibliografía