Python und Netzwerkanalyse

Python und Netzwerkanalyse

In digitalen Daten bilden sich soziale Zusammenhänge und Phänomene ab: In sozialen Netzwerken werden Freundschafts- und Arbeitsbeziehungen widergespielt; im World Wide Web lassen sich Positionierungen und Vernetzungen von Organisationen und Initiativen beobachten; in Newsforen werden intensive Debatten zu gesellschaftlichen Fragen geführt.

Um diese Phänomene empirisch analysieren zu können, sind fundierte Kenntnisse zur Funktionsweise und Entwicklung von Algorithmen eine wichtige Voraussetzung. Am Beispiel der Programmiersprache Python werden daher grundlegende Konstrukte für Algorithmen und Datenstrukturen vorgestellt und ausprobiert. Anhand von großzahligen Datensätzen aus aktuellen Forschungsprojekten wie zum Beispiel zu Klimawandel-Debatten im World Wide Web oder zur Wissensgenerierung auf Wikipedia werden soziale Netzwerkanalysen durchgeführt.

Lernziel

·       Fähigkeiten zur selbständigen Entwicklung von Algorithmen

·       Kenntnisse zur Durchführung von sozialen Netzwerkanalysen auf digitalen Daten

·       Erste Erfahrungen mit eigenen Digital Social Science-Forschungsprojekten

Vorgehen

Die Veranstaltung richtet sich an Studierende, die verstehen wollen, wie Algorithmen aufgebaut werden und wie man sozialwissenschaftliche Analysen mittels Programmierung von Algorithmen durchführen kann. Dabei werden keine Programmierkenntnisse vorausgesetzt. Auch ist weder ein gesteigertes Interesse an Mathematik noch an Statistik notwendig, um erfolgreich Programmieren zu lernen. Allerdings sind Ausdauer, Frustrationstoleranz und kontinuierliches Arbeiten nötig, um die Lernziele zu erreichen.

Übungsaufgaben

Alle zwei Wochen müssen Übungsaufgaben zur Programmierung bzw. zur Datenanalyse erledigt und digital abgegeben werden. In den Wochen dazwischen besteht die Chance, Aufgaben gemeinsam mit anderen TeilnehmerInnen über Online-Tools zu bearbeiten und Probleme zu diskutieren. Erfahrene Entwickler stehen dabei online als Betreuer zur Verfügung.

Hausarbeit

In den letzten Veranstaltungsterminen werden reale Datensätze für Digital Social Science-Projekte vorgestellt. Auf Basis dieser Datensätze werden dann Fragestellungen für Hausarbeiten erarbeitet und zur Diskussion gestellt.

Auszug aus der Literaturliste

Scott, J. (2017). Social Network Analysis. 4th Edition. SAGE. (https://katalogplus.sub.uni-hamburg.de/vufind/Record/879889349)

Bastian, M., Heymann, S., & Jacomy, M. (2009). Gephi: An open source software for exploring and manipulating networks. ICWSM, 8, 361-362.

Hunt, J. (2019). A Beginners Guide to Python 3 Programming (1st ed. 2019.). Springer. (https://katalogplus.sub.uni-hamburg.de/vufind/Record/1676313761)

Freeman, E. 1., & Lang, J. W. (2018). Programmieren lernen von Kopf bis Fuß (1. Auflage.). O´Reilly. (https://katalogplus.sub.uni-hamburg.de/vufind/Record/1019199113)