• Descripción

Big data y social media es una asignatura optativa de 5 créditos del máster universitario de Social Media, gestión y estrategia. Esta asignatura proporciona diferentes estrategias de análisis de los datos que son presentes en medios sociales como Twitter o Facebook. Se pondrán en práctica diversas herramientas para llevar a cabo la recogida de datos de los medios sociales, llevar a cabo operaciones y análisis básicos con técnicas de minería de datos y preparar la visualización final de los resultados obtenidos. La asignatura tiene un enfoque muy práctico y dinámico con el objetivo que los estudiantes puedan poner en práctica de manera inmediata los contenidos del curso aplicándolos a temas de su interés.
  Los objetivos de aprendizaje que se plantean en esta asignatura son los siguientes:
- Recoger y analizar de los datos que son presentes en los medios sociales. 
- Llevar a cabo operaciones y análisis básicos con técnicas de Minería de Datos.
- Usar herramientas para la visualización de los resultados obtenidos.

• La asignatura en el conjunto del plan de estudios

La asignatura optativa Big data y social media se enmarca en el bloque de asignaturas optativas del máster que permite profundizar especialmente en el área de investigación centrada en los medios sociales. Así mismo, también permite conocer los medios sociales como canal desde el cual se puede obtener información y desde el cual se distribuye esta información.

• Conocimientos previos

No se requiere ningún conocimiento previo.

• Objetivos y competencias

Objetivos

El contenido académico de esta asignatura se orienta a conseguir que el estudiante logre los objetivos siguientes:

• Extraer contenidos de los medios sociales usando herramientas específicas.
• Usar métodos de Minería de Datos para generar conocimiento en base a los datos extraídos de los medios sociales
• Visualizar los resultados para extraer conocimiento de los datos
• Saber interpretar y argumentar de manera clara y exhaustiva los resultados obtenidos de los datos analizados
• Entender las implicaciones de la recopilación y análisis de datos para la privacidad de las personas implicadas.

 Competencias

Las competencias básicas y generales del máster que están vinculadas a la asignatura Big data y social media son las siguientes:

• Disponer de conocimientos que aporten una base u oportunidad de ser originales en el desarrollo o aplicación de ideas, a menudo en un contexto de investigación.
• Saber comunicar a públicos especializados y no especializados de una manera clara y sin ambigüedades, las conclusiones a las que se ha llegado después del análisis.
• Reconocer y evaluar la relevancia y significación de la información, e identificar las implicaciones y consecuencias de un argumento, discurso o razonamiento. 

Las competencias transversales del máster que están vinculadas a la asignatura Big data y social media son las siguientes:

• Aplicar de forma crítica el uso de las TIC en el ámbito académico y profesional de referencia.
• Diseñar un plan o proyecto y gestionarlo en un entorno profesional o de investigación.

Las competencias específicas del máster vinculadas a la asignatura Big data y social media son las siguientes:

• Reconocer y dominar las diferentes técnicas, tecnologías o recursos para la identificación, el seguimiento, la recuperación, el tratamiento, la creación, la representación, la visualización, la explotación de los datos y contenidos que hay en los medios sociales.
• Comprender y emitir informes profesionales o de investigación en el ámbito de los medios sociales.
• Formular y desarrollar una estrategia de curación de contenidos o gestión de datos en los medios sociales que permita, por medio de diferentes técnicas y métodos, recopilar, seleccionar y generar información de calidad para el entorno profesional o de investigación.

A partir de las competencias específicas del máster, se trabajan las siguientes competencias propias de la asignatura:

• Diseñar una estrategia de recopilación y análisis de datos para contestar preguntas de interés.
• Identificar fuentes de datos relevantes.
• Usar herramientas para recopilar datos de redes sociales, como por ejemplo, las propias de Twitter.
• Preparar la visualización de los resultados obtenidos.
• Redactar informes para explicar el proceso de análisis y los resultados
• Interpretar los resultados sacando conclusiones para responder las preguntas de investigación

• Contenidos

La asignatura Big fecha y social media consta de los contenidos siguientes:

• Módulo 1: Datos masivos y minería de datos sociales, conceptos y herramientas 
• Módulo 2: Minería de datos de los Social Media, técnicas para el análisis de datos masivos
• Módulo 3: Visualización de datos extraídos de los Social Media

• Consulta de los recursos de aprendizaje que dispone la asignatura

• Recursos de aprendizaje y herramientas de apoyo

La asignatura cuenta con unos módulos de lectura obligatoria que focalizan el trabajo de la asignatura. Estos módulos estan en un blog.

La asignatura cuenta con unos módulos de lectura obligatoria que focalizan el trabajo de la asignatura. 

Además, en el aula hay una recopilación de materiales de apoyo, cuya lectura el profesor irá indicando en el tablón del profesor para reforzar conocimiento y ayudar a la realización de ejercicios.

• Bibliografía y fuentes de información

Akhtar, Nadeem (2014). Social Network Analysis Tools, Nadeem Akhtar. En: Fourth International Conference on Communication Systems and Network Technologies

Barabasi L., Martino M. and Posfai M. "Network Science". 

Bedi, P., & Sharma, C. (2016). Community detection in social networks. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 6(3), 115-135.

Bryl, Sergey. Twitter sentiment analysis with R http://analyzecore.com/2014/04/28/twitter-sentiment-analysis/

Easley, D.; Kleinberg, J. (2010) Networks, Crowds, and Markets: Reasoning. Reasoning About a Highly Connected World" <http://www.cs.cornell.edu/home/kleinber/networks-book/>

Ediger, David et al. Massive Social Network Analysis: Mining Twitter for Social Good. A:  2010 39th International Conference on Parallel Processing, San Diego, CA, 2010, pp. 583-593.

Garcia-Alsina, M. (2017). Big Data. Gestión y explotación de grandes volúmenes de datos. Barcelona: Editorial UOC.

Hays, R., & Daker-White, G. (2015). The care.data consensus? A qualitative analysis of opinions expressed on twitter. BMC Public Health, 15.

Külcü, Özgür (2014). Privacy in social networks: An analysis of Facebook. International journal of information management [0268-4012] vol.:34 iss:6 Pàg.:761 -769

Lin, S., Hu, Q., Wang, G., & Philip, S. Y. (2015, May). Understanding community effects on information diffusion. In Pacific-Asia Conference on Knowledge Discovery and Data Mining (pp. 82-95). Springer International Publishing

Nadeem Akhtar, Hira Javed, Geetanjali Senga (2013). Analysis of Facebook Social Network. En: 2013 5th International Conference on Computational Intelligence & Communication Networks.

OH, Chong; SASSER, Sheila; ALMAHMOUD, Soliman (2015) Social media analytics framework: the case of twitter and super bowl ads, Journal of Information Technology Management (JITM).

Paradis, Emmanuel "R para Principiantes"

Pérez-Solà, C.; Casas-Roma. J. (2016). Análisis de datos de redes sociales. Barcelona: Editorial UOC

R Package http://www.r-project.org/

Rais, Karfy (2014). Twitter Analysis in RStudio using R. En:https://www.slideshare.net/ajayohri/twitter-analysis-by-kaify-rais

Santos, C. Q. et al. Can Visualization Techniques Help Journalists to Deepen Analysis of Twitter Data? Exploring the "Germany 7 x 1 Brazil" Case. 2016 49th Hawaii International Conference on System Sciences (HICSS), Koloa, HI, 2016, p. 1939-1948.

Sathiyanarayanan, M.; Pirozzi, D. Spherule diagrams with graph for social network visualization.2016 8th International Conference on Communication Systems and Networks (COMSNETS), Bangalore, 2016, p. 1-6

Sigman, B. P., Garr, W., Pongsajapan, R., Selvanadin, M., McWilliams, M. and Bolling, K. (2016), Visualization of Twitter Data in the Classroom. Decision Sciences Journal of Innovative Education, 14: 362-381.

Stephens, M., & Poorthuis, A. (2015). Follow thy neighbor: Connecting the social and the spatial networks on Twitter. Computers, Environment and Urban Systems, 53, 87-95.

The Open Graph Viz Platform https://gephi.org

Tutoriales Python http://www.postdata-statistics.com/IntroEstadistica/TutorialesPython/tutorialesPython.html.

Uhl, A., Kolleck, N., & Schiebel, E. (2017). Twitter data analysis as contribution to strategic foresight-the case of the EU research project "foresight and modelling for european health policy and regulations" (FRESHER). European Journal of Futures Research, 5(1), 1-16.

Xu, P. et al. Visual Analysis of Topic Competition on Social Media. IEEE Transactions on Visualization and Computer Graphics, vol. 19, no. 12, p. 2012-2021, Dec. 2013.

Zhao, J. et al. (2014)  #FluxFlow: Visual Analysis of Anomalous Information Spreading on Social Media. IEEE Transactions on Visualization and Computer Graphics, vol. 20, no. 12, p. 1773-1782.

Zubiaga, Arkaitz, et al. Arkaitz Zubiaga 1 , Spina, Damiano; Martínez, Raquel; Fresno, Víctor (2015). "Real time classification of Twitter trends." Journal of the Association for Information Science and Technology 66.3 (2015): 462-473.

• Metodología

A lo largo del curso alternaremos la lectura de contenidos teóricos con ejemplos para aplicar los conceptos trabajados en los materiales.

Para trabajar la parte práctica utilizaremos herramientas cuya finalidad es descargar, representar, visualizar y analizar datos.

Forma parte de la metodología de trabajo la lectura continuada de los materiales, las prácticas y las consultas permanentes al profesor.

Se realizaron tres Pruebas de Evaluación Continuada (PEC) dónde de manera progresiva se trabajará la misma red social. Una vez evaluada cada PEC, el estudiante recibirá comentarios personalizados de su trabajo.

• Información sobre la evaluación en la UOC

El proceso de evaluación se fundamenta en el trabajo personal de cada estudiante y presupone la autenticidad de la autoría y la originalidad de los ejercicios realizados.

La falta de autenticidad en la autoría o de originalidad de las pruebas de evaluación; la copia o el plagio; el intento fraudulento de obtener un resultado académico mejor; la colaboración, el encubrimiento o el favorecimiento de la copia, o la utilización de material o dispositivos no autorizados durante la evaluación, entre otras, son conductas irregulares que pueden tener consecuencias académicas y disciplinarias graves.

Por un lado, si se detecta alguna de estas conductas irregulares, puede comportar el suspenso (D/0) en las actividades evaluables que se definan en el plan docente –incluidas las pruebas finales– o en la calificación final de la asignatura, ya sea porque se han utilizado materiales o dispositivos no autorizados durante las pruebas, como redes sociales o buscadores de información en internet, porque se han copiado fragmentos de texto de una fuente externa (internet, apuntes, libros, artículos, trabajos o pruebas del resto de estudiantes, etc.) sin la correspondiente citación, o porque se ha practicado cualquier otra conducta irregular.

Por el otro, y de acuerdo con las normativas académicas, las conductas irregulares en la evaluación, además de comportar el suspenso de la asignatura, pueden dar lugar a la incoación de un procedimiento disciplinario y a la aplicación, si procede, de la sanción que corresponda.

• Consulta del modelo de evaluación

• Evaluación Contínua

La Evaluación Continuada (EC) es el modelo de aprendizaje progresivo, donde prevalece el esfuerzo constante del estudiante realizado a lo largo del curso. 

Esta asignatura consta de tres PECs (Prueba de Evaluación Continuada), donde el estudiante trabajará diferentes aspectos del social media, sobre la misma red social. 

En la primera, el estudiante tendrá que adquirir datos de dos redes sociales (Facebook y Twitter) y familiarizarse con su estructura.

En la segunda, el estudiante tendrá que aprender a generar visualizaciones eficientes de redes sociales, y a hacer algunas operaciones básicas con los datos.

Finalmente, en la tercera PEC el estudiante tendrá que desarrollar capacidades interpretativas que permitan llevar a término acciones específicas basadas en datos.

Se considera aprobada la Evaluación Continuada si se han superado las tres PECs. 

Nota
La Normativa académica de la UOC dispone que el proceso de evaluación se fundamenta en el trabajo personal del estudiante y presupone la autenticidad de la autoría y la originalidad de los ejercicios hechos.

La carencia de originalidad en la autoría o el mal uso de las condiciones en que se hace la evaluación de la asignatura es una infracción que puede tener consecuencias académicas graves.

El estudiante será calificado con un suspenso (D/0) si se detecta carencia de originalidad en la autoría de alguna actividad evaluable (práctica, prueba de evaluación continua (PEC) o final (PAF), o la que se defina al plan docente), sea porque ha utilizado material o dispositivos no autorizados, sea porque ha copiado textualmente de internet, o ha copiado de apuntes, de materiales, de manuales o de artículos (sin la citación correspondiente), otros estudiantes, o por cualquier otra conducta irregular.

La calificación de suspenso (D/0) en las calificaciones finales de evaluación comporta suspender la asignatura.

Por otro lado, esta conducta puede dar lugar a la incoación de un procedimiento disciplinario y la aplicación, si procede, de la sanción que corresponda.

La UOC habilitará los mecanismos que considere oportunos para velar por la calidad de sus titulaciones y garantizar la excelencia y la calidad
de su modelo educativo.

• Evaluación final

Esta asignatura se supera mediante la Evaluación Continuada. No habrá examen final presencial.

• Feedback

Una vez cerrado el plazo de entrega de cada una de las actividades previstas, el profesor proporcionará feedback general e individualizado.

En el aula, presentará feedback general consistente en dos documentos. En primer lugar habrá una valoración global de cada PEC, que incluirá el comentario de los aciertos y errores más frecuentes y otros aspectos que el consultor considere pertinentes. En segundo lugar, si se tercia, se proporcionará una solución tipo o una selección de las mejores respuestas.

Además, el consultor proporcionará feedback personalizado al estudiante. En el Registro de Evaluación Continuada hará constar la calificación asignada individualmente a las actividades que han sido entregadas, y registrará el mensaje donde comente el ejercicio del estudiante.