Course Syllabus

Export

Conoscenza e comprensione

L'insegnamento mira a fornire agli studenti i principali concetti che stanno alla base della gestione dei dati originati nei media sociali (accesso, pre-processing, modellazione) e della loro successiva analisi.

Capacità di applicare conoscenza e comprensione

Gli studenti saranno in grado, in particolare, di collezionare, processare e analizzare dati provenienti dai principali media sociali, utilizzando le tecnologie più adatte allo scopo. Sarà inoltre in grado di fornire una rappresentazione di strutture sociali complesse al fine di estrarne informazioni utili. Durante le lezioni e le attività di laboratorio vengono promosse e valutate le capacità degli studenti di applicare le conoscenze acquisite sugli argomenti trattati nell'insegnamento.

Autonomia di giudizio

L’insegnamento mira a sviluppare l’autonomia di giudizio e la capacità di analisi critica rispetto alle principali sfide legate alla raccolta, alla rappresentazione e all'analisi dei dati nelle piattaforme sociali. Tali competenze saranno stimolate anche attraverso discussioni in aula e attività di laboratorio.

Abilità comunicative

Sviluppo della capacità di comunicare in modo chiaro, consapevole e privo di ambiguità contenuti tecnici, idee, problemi e relative soluzioni a interlocutori diversi. Tali abilità saranno promosse durante l’insegnamento e valutate in sede d’esame.

Capacità di apprendimento

L'insegnamento è concepito per fornire sia conoscenze teoriche sia competenze pratiche, costituendo un solido punto di partenza anche per eventuali approfondimenti individuali sui principi di recupero, rappresentazione e analisi dei dati sociali.

  1. Introduzione al Web sociale;
  2. I dati nei media sociali e problematiche connesse;
  3. La rappresentazione dei dati sociali mediante strutture sociali complesse: teoria dei grafi e delle reti;
  4. Analisi topologica delle reti sociali: le principali metriche;
  5. Analisi topologica delle reti sociali: algoritmi per l'identificazione delle comunità nelle reti sociali;
  6. Analisi dei contenuti nell reti sociali: soggettività, “sentiment” e ironia;
  7. Analisi dei contenuti nell reti sociali: Named-Entity Recognition e Linking;
  8. Visualizzazione di dati provenienti da social media e delle analisi su tali dati.

1. Introduzione

  • Introduzione al Web sociale e alla terminologia utilizzata: Web sociale, reti sociali, media sociali, contenuto generato dagli utenti;
  • Gli “oggetti informativi” sul Web sociale: 1) testi: post, blog, microblog, 2) immagini, 3) audio, 4) video;
  • Social Media Analytics: definizione e obiettivi, i concetti di auto-presentazione e auto-rivelazione.

2. I dati nei media sociali

  • Le principali piattaforme, le tipologie di dato, le interfacce di programmazione, il processo di crawling.
  • Pre-processing e memorizzazione di dati sociali.
  • Cenni di problematiche legate alla raccolta dei dati, sia dal punto di vista legale (il GDPR) sia dal punto di vista tecnologico.

3. La rappresentazione dei dati sociali

  • Strutture dati elementari e complesse;
  • Rappresentazione di strutture sociali mediante grafi (teoria dei grafi, tipologie di reti).

4./5. Analisi delle reti sociali

  • Link analysis, Web link analysis, principali metriche;
  • Network clustering: algoritmi di community detection;
  • Modelli di influenza e contagio nelle reti sociali.

6./7. Analisi dei contenuti nelle reti sociali

  • Introduzione a concetti di Natural Language Processing nell'ambito delle reti sociali;
  • Oggettività/soggettività, polarità, emozioni e ironia nelle reti sociali;
  • Approcci lessicali e approcci semantici;
  • Named-entity Recognition e Linking.

8. Visualizzazione di dati provenienti da social media: problemi aperti e tecniche

Conoscenza di base dei principi di algebra lineare, statistica, programmazione.

  • Lezioni (28 ore).
  • Esercitazioni in laboratorio (18 ore).
  • L'insegnamento verrà tenuto in lingua inglese.
  • Le lezioni sono da 2 ore e vengono svolte sia in modalità erogativa (specie nella parte iniziale della lezione) sia in modalità interattiva (durante la lezione) per il coinvolgimento attivo degli studenti.
  • Alcune lezioni potranno essere svolte in modalità erogativa-interattiva da remoto.
  • Rahman, Md Saidur. Basic graph theory. Springer, 2017.
  • Reinhard Diestel. Graph Theory. Springer, 2017.
  • Suliman Hawamdeh, Hsia-Ching Chang. Analytics and Knowledge Management. CRC Press. 2018.
  • John Scott. Social Network Analysis. Sage, 2012.
  • Bing Liu. Sentiment Analysis and Opinion Mining. Morgan & Claypool. 2016.
  • Eneko Agirre, Philip Edmonds. Word Sense Disambiguation: Algorithms and Applications (Text, Speech and Language Technology). Springer. 2007.

Primo semestre.

Prova scritta con esercizi e domande aperte.
La prova scritta ha come obiettivo la valutazione estensiva ed intensiva delle competenze teoriche e teorico-pratiche acquisite durante l'insegnamento.

Progetto di gruppo (con presentazione orale).
Il progetto ha come obiettivo la valutazione della capacità degli studenti di applicare in ambiti reali le competenze acquisite durante l’insegnamento, attraverso lo sviluppo e l’impiego di soluzioni tecnologiche per l’analisi dei dati nei social media. Il progetto viene presentato di persona dagli studenti, per accertare tali competenze sia di natura tecnica sia critica e di giudizio, e al contempo per sviluppare le capacità comunicative.

  • La prova scritta viene valutata su una scala da 0 a 24.
  • Gli studenti devono ottenere una valutazione maggiore o uguale a 12 nella prova scritta.
  • Il progetto, con relativa discussione orale, viene valutato su una scala da 0 a 8.

Il voto finale sarà dato dalla somma del voto ottenuto nell'esame scritto e dal voto relativo al progetto.

Su appuntamento: Marco Viviani (marco.viviani@unimib.it).

SALUTE E BENESSERE | PARITÁ DI GENERE | RIDURRE LE DISUGUAGLIANZE
Export

Knowledge and Understanding

The course aims to provide students with the fundamental concepts underlying the management of data generated from social media platforms (access, pre-processing, and modeling) and their subsequent analysis.

Applying Knowledge and Understanding

Students will be able to collect, process, and analyze data from major social media platforms, using the most appropriate technologies for the task. They will also be able to represent complex social structures in order to extract meaningful information. During lectures and lab activities, students are encouraged and assessed on their ability to apply the knowledge acquired on the topics covered in the course.

Making Judgements

The course aims to foster independent judgement and critical analysis skills in relation to the main challenges involved in collecting, representing, and analyzing data from social platforms. These competencies will also be developed through in-class discussions and lab activities.

Communication Skills

Development of the ability to clearly, consciously, and unambiguously communicate technical content, ideas, problems, and corresponding solutions to different types of audiences. These skills will be promoted during the course and assessed as part of the final examination.

Learning Skills

The course is designed to provide both theoretical knowledge and practical skills, offering a solid foundation for further individual study of the principles of retrieval, representation, and analysis of social data.

  1. Introduction to the Social Web;
  2. Data in social media and related issues;
  3. Representing complex social data structures: graph and network theory;
  4. Social Network Analysis: metrics;
  5. Social Network Analysis: algorithms for community detection in social networks;
  6. Social Content Analysis: subjectivity and sentiment analysis, irony detection;
  7. Social Content Analysis: Named Entity Recognition and Linking;
  8. Visualization of data from social media and the analysis on such data.

1. Introduction

  • The Social Web: introduction and related terminology: Social Web, Social Networks, Social Media, User-Generated Content (UGC);
  • Different classes of social “information objects”: 1) texts: posts, blogs, microblogs, 2) images, 3) audios, 4) videos;
  • Social Media Analytics: definition and objectives. The concepts of auto-presentation and auto-disclosure.

2. Data in social media

  • Main social platforms, Advanced Programming Interfaces (API)s, the “crawling” process;
  • Pre-processing and storing of social data;
  • Hints of data collection issues, both legally (the GDPR) and technologically.

3. Social data representation

  • Elementary and complex data structures;
  • Representing social structures via a graph-based representation (graph theory, network topologies).

4./5. Social Network Analysis

  • Link analysis, Web link analysis, and related metrics;
  • Network clustering: community-detection algorithms;
  • Influence and contagion in social media.

6./7. Social Content Analysis

  • Introduction to concepts of Natural Language Processing in the context of social networks;
  • Objectivity/subjectivity, polarity, emotion and irony in social networks;
  • Lexical and Semantic Approaches;
  • Named-entity Recognition and Linking.

8. Visualization of social media data: open issues and techniques

Basic knowledge of the principles of linear algebra, statistics, programming.

  • Lectures (28 hours).
  • Laboratory sessions (18 hours).
  • The course will be taught in English.
  • Each lecture lasts 2 hours and is delivered in both expository mode (especially at the beginning of the session) and interactive mode (during the session), to ensure active student engagement.
  • Some lectures may be delivered remotely in an expository-interactive format.
  • Rahman, Md Saidur. Basic graph theory. Springer, 2017.
  • Reinhard Diestel. Graph Theory. Springer, 2017.
  • Suliman Hawamdeh, Hsia-Ching Chang. Analytics and Knowledge Management. CRC Press. 2018.
  • John Scott. Social Network Analysis. Sage, 2012.
  • Bing Liu. Sentiment Analysis and Opinion Mining. Morgan & Claypool. 2016.
  • Eneko Agirre, Philip Edmonds. Word Sense Disambiguation: Algorithms and Applications (Text, Speech and Language Technology). Springer. 2007.

First semester.

Written exam with exercices and open questions.
The written test aims at the extensive and intensive evaluation of the theoretical and theoretical-practical skills acquired during the course.

Group project (with oral presentation).
The project aims to assess students’ ability to apply the skills acquired during the course to real-world scenarios, through the development and use of technological solutions for social media data analysis. The project is presented in person by the students to verify these competencies, both technical and critical judgement, while also fostering communication skills.

  • The written exam is assessed on a scale from 0 to 24.
  • Students must obtain a grade of 12 or more in the written exam.
  • The project, with relative oral discussion, is evaluated on a scale from 0 to 8.

The final grade will be given by the sum of the evaluation obtained in the written exam and by the evaluation related to the project.

By appointment: Marco Viviani (marco.viviani@unimib.it).

GOOD HEALTH AND WELL-BEING | GENDER EQUALITY | REDUCED INEQUALITIES
Enter

Key information

Field of research
INF/01
ECTS
6
Term
First semester
Activity type
Mandatory to be chosen
Course Length (Hours)
46
Degree Course Type
2-year Master Degreee
Language
English

Staff

    Teacher

  • Marco Viviani
    Marco Viviani

Students' opinion

View previous A.Y. opinion

Bibliography

Find the books for this course in the Library

Enrolment methods

Manual enrolments

Sustainable Development Goals

GOOD HEALTH AND WELL-BEING - Ensure healthy lives and promote well-being for all at all ages
GENDER EQUALITY - Achieve gender equality and empower all women and girls
REDUCED INEQUALITIES - Reduce inequality within and among countries