Аспирантура
2019/2020
Большие данные и методы машинного обучения в исследованиях образования
Статус:
Курс по выбору
Направление:
44.06.01. Образование и педагогические науки
Кто читает:
Институт образования
Когда читается:
2-й курс, 1 семестр
Формат изучения:
без онлайн-курса
Преподаватели:
Смирнов Иван Борисович
Язык:
русский
Кредиты:
2
Контактные часы:
20
Программа дисциплины
Аннотация
Социальные науки стремительно компьютеризируются. Данные из социальных сетей и другие цифровые следы позволяют проводить исследования на гораздо больших выборках и с гораздо большей детализацией, чем это возможно с помощью традиционных методов. Они также открывают доступ к информации, которая обычно недоступна исследователям, например, о режиме дня школьников, их интересах и эмоциональном состоянии, об общении с учащимися из других школ. Новыми становятся не только данные, но и методы их анализа. Например, методы машинного обучения позволяют по цифровым следам восстанавливать социально-экономический статус учащихся, их академическую успеваемость и другие характеристики. Это не только открывает новые возможности перед исследователи, но и ставит перед ними новые этические вызовы. Курс позволит аспирантам познакомиться с этой областью на примере конкретных исследований и понять, как новые данные и методы могут быть использованы в их собственных исследованиях.
Цель освоения дисциплины
- познакомить слушателей с основными исследованиями, использующими большие данные и методы машинного обучения в области образования и социальных наук в целом, а также помочь аспирантам понять, как они могут использовать новые методы в собственных исследованиях
Планируемые результаты обучения
- знать основные типы новых данных и их источники, понимать ограничения различных источников данных, уметь подобрать источник данных целесообразный исследовательскому вопросу
- знать основные возможности методов машинного обучения и искусственого интеллекта и их ограничения, понимать как эти методы могут использоваться в социальных исследованиях
- понимает в чем заключается преимущество компьютерного моделирования в социальных науках и в чем основные ограничения, может привести несколько примеров моделей социальных процессов, объяснить, какое новое знание они позволяют получить
- знает типичные ошибки в количественных методах, умеет критически проинтерпретировать результаты количественных исследований
- понимают основные этические риски использования цифровых следов, больших данных и методов машинного обучения, могут предложить способы улучшения дизайна исследования для сокращения этических рисков
Содержание учебной дисциплины
- Новые источники данных в социальных исследованияхБольшие, быстрые, глубокие и др. данные. Возможности их применения.
- Методы машинного обучения и искусственный интеллект в социальных исследованиях
- Компьютерное моделирование социальных процессов
- Типичные ошибки количественных исследований и ограничения новых методов
- Этика исследований
Элементы контроля
- Постановка задачи для проекта исследования
- Обзор литературы для проекта исследования
- Описание методологии исследования
Промежуточная аттестация
- Промежуточная аттестация (I семестр)0.25 * Обзор литературы для проекта исследования + 0.5 * Описание методологии исследования + 0.25 * Постановка задачи для проекта исследования
Список литературы
Рекомендуемая основная литература
- Benjamin L. Smarr, & Aaron E. Schirmer. (2018). 3.4 million real-world learning management system logins reveal the majority of students experience social jet lag correlated with decreased performance. Scientific Reports, (1), 1. https://doi.org/10.1038/s41598-018-23044-8
- Blumenstock, J., Cadamuro, G., & On, R. (2015). Predicting poverty and wealth from mobile phone metadata. Science, 350(6264), 1073–1076. https://doi.org/10.1126/science.aac4420
- Kosinski, M., Stillwell, D., & Graepel, T. (2013). Private traits and attributes are predictable from digital records of human behavior. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.FABDAC62
- Kramer, A. D. I., Guillory, J. E., & Hancock, J. T. (2014). Experimental evidence of massive-scale emotional contagion through social networks. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E82A0FBC
- Lee, E., Karimi, F., Wagner, C., Jo, H.-H., Strohmaier, M., & Galesic, M. (2017). Homophily and minority size explain perception biases in social networks. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsarx&AN=edsarx.1710.08601
- Tatem, A. J., Guerra, C. A., Atkinson, P. M., & Hay, S. I. (2004). Momentous sprint at the 2156 Olympics?: Women sprinters are closing the gap on men and may one day overtake them. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.A729547C
Рекомендуемая дополнительная литература
- Martin, T., Hofman, J. M., Sharma, A., Anderson, A., & Watts, D. J. (2016). Exploring limits to prediction in complex social systems. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E058D9C4