Doctorado en Ciencias Sociales - Ciclo lectivo 2023

Introducción a las Ciencias Sociales

Computacionales

Datos de la asignatura

Tipo de asignatura Seminario específico (16 horas)

Áreas temáticas Epistemología y metodología

Población y estructura social
Conflicto y movimientos sociales

Docente(s)

Rodolfo Elbert Dr. Rodolfo Elbert: Investigador Adjunto de Conicet en el

Instituto de Investigaciones Gino Germani (UBA) y
Profesor Adjunto en la Carrera de Sociología (UBA) y en
la Maestría en Investigación en Ciencias Sociales (FSOC-
UBA). Es Doctor en Sociología (Universidad de
Wisconsin-Madison, USA), Mg. En Investigación en
Ciencias Sociales (UBA) y Lic. en Sociología (UBA). Dictó
cursos de posgrado en diversas universidades nacionales
y privadas, incluyendo UBA (Doctorado en Ciencias
Sociales), UNLP (Maestría en Trabajo Social) UNICEN
(Maestría en Trabajo Social), UNTREF (Maestría en
Epistemología) y UDESA (Maestría en Educación).
Investiga temáticas vinculadas a las clases sociales, el
movimiento obrero y la informalidad en la Argentina
contemporánea.

Perez, Juan Manuel Dr. Juan Manuel Perez: Becario postdoctoral en el

Instituto de Ciencias de la Computación, FCEN
UBA/CONICET. Es Doctor en Ciencias de la
Computación por la Universidad de Buenos Aires. Se
desempeño como docente en la Licenciatura de Cs. de la
Computación, y dicta cursos de posgrado en la Maestría
 en Ciencias de Datos de la UdeSA. Trabaja en tareas de
detección contextualizada de discursos de odio y minería
de opinión en redes sociales utilizando técnicas de
Procesamiento del Lenguaje Natural.

Fundamentación

El gran crecimiento en el uso de herramientas digitales ha transformado las

sociedades contemporáneas durante las primeras décadas del siglo XXI. Cada
vez más comportamientos humanos están mediados por las tecnologías
digitales, lo cual ha creado un tráfico masivo de datos potencialmente
analizables. En simultáneo, el incremento en la capacidad de los métodos
computacionales para recolectar, procesar, analizar y graficar grandes
volúmenes de datos abrió nuevas posibilidades para analizar el comportamiento
social. El presente curso se propone entablar un diálogo entre la sociología y las
ciencias sociales computacionales, definidas como la intersección entre las
ciencias sociales y las ciencias computacionales (también llamadas ciencias de
datos). Consideramos necesario que las ciencias sociales incorporen los
métodos más avanzados de las ciencias computacionales para estudiar los
fenómenos sociales contemporáneos. Asimismo, creemos que el análisis
computacional de la vida social se puede enriquecer mediante el diálogo con las
perspectivas teóricas y los diseños metodológicos clásicos de la sociología.

Objetivos

El presente curso se propone que les estudiantes de posgrado de las ciencias

sociales incorporen en sus investigaciones las herramientas de las ciencias
sociales computacionales, con foco en herramientas de análisis, visualización y
predicción de datos utilizando el ecosistema de Python . Para ello, nos
proponemos 3 componentes pedagógicos:
1. Debates sobre el contexto social del giro digital del capitalismo
contemporáneo y de qué manera este contexto condiciona los diseños
metodológicos para comprender la desigualdad social, el conflicto social y las
identidades sociales.
2. Lectura crítica de los diseños metodológicos que utilizan métodos
computacionales para el análisis de lo social. Nos focalizaremos en analizar la
relación entre objetivos, teoría y metodología en este tipo de investigaciones
como insumo para el planteo de las propias investigaciones de los estudiantes.
3. Formación práctica en métodos computacionales con un foco en el
lenguaje Phyton. Habrá clases semanales sobre diferentes técnicas, incluyendo:
i. aprendizaje supervisado y técnicas lineales de clasificación, ii. Aprendizaje no
supervisado, iii. Métricas de evaluación, iv. Redes neuronales, v. Procesamiento
del lenguaje natural.
Contenidos desagregados por unidad

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).

IV. Identidades, opiniones y polarización en el mundo digital

En esta unidad nos enfocaremos en el análisis de confrontaciones discursivas
en entornos digitales. En el marco de una creciente polarización política y social,
el mundo digital se convirtió en un terreno privilegiado para la circulación de este
tipo de discursos. Discutiremos qué estrategias metodológicas se desarrollan en
estas investigaciones.
Taller 4: En la segunda parte de la clase, continuaremos con técnicas modernas
de Procesamiento del Lenguaje Natural, enfocándonos en comentar los avances
y desafíos de los últimos años en este subárea de la Inteligencia Artificial.

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

Cada estudiante deberá tener su computadora individual (tipo laptop) y se

requiere conexión a internet durante el dictado de los talleres semanales.

Metodología y evaluación

El curso se propone un dictado total de 16hs, repartidas en 4 encuentros

semanales de 4 horas. Las primeras dos horas se discutirá el diseño teórico-
metodológico de investigaciones sociológicas que utilizan métodos
computacionales para la recolección y el análisis de datos. En la segunda parte
de la clase vamos a enfocar en la enseñanza de técnicas computacionales con
una modalidad tipo taller. Se espera que los estudiantes tengan una formación
previa en programación, idealmente en Python, aunque en el primer encuentro
haremos un rápido repaso de este lenguaje. Adicionalmente, conocimientos
elementales de estadística y probabilidad serán de utilidad. La evaluación será
la presentación de un proyecto de investigación utilizando alguna de las técnicas
brindadas en la cursada o una monografía teórico-metodológica sobre las
potencialidades de la incorporación de métodos computacionales para el estudio
de lo social.

Bibliografía

Boczkowski, Pablo J., y Eugenia Mitchelstein. s. f. El entorno digital: breve

manual para entender cómo vivimos, aprendemos, trabajamos y pasamos el
tiempo libre hoy. Sociología y política (Siglo Veintiuno Argentina Editores).
Buenos Aires: Siglo Veintiuno Argentina.
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.
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).
Díaz Martínez, Capitolina; Díaz García, Pablo y Navarro Sustaeta, Pablo (2020).
«Sesgos de género ocultos en los macrodatos y revelados mediante redes
neurales: ¿hombre es a mujer como trabajo es a madre?». Revista Española de
Investigaciones Sociológicas, 172: 41-60.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to
statistical learning (Vol. 112, p. 18). New York: springer.
Jurafsky, Dan, and James H. Martin. "Speech and Language Processing. 3rd."
(2022).
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.
Laura K. Nelson. 2017. Computational Grounded Theory: A Methodological
Framework. Sociological Methods and Research.
https://journals.sagepub.com/doi/full/ 10.1177/0049124117729703
McKinney, W. (2017). Python for data analysis: Data wrangling with Pandas,
NumPy, and IPython. 2nd edition. O'Reilly Media".
Molina, Mario, and Filiz Garip. “Machine learning for sociology.” Annual Review
of Sociology 45 (2019): 27-45. https://osf.io/a6r9g/download
Oliver, P., Lim, C., Matthews, M. y A. Hanna (2022) “Black Protests in the United
States, 1994-2010”, Sociological Science.
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.
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.
Salganik, M. (2018) Bit by Bit. Social research in the digital age. Princeton:
Princeton University Press.
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.