Инструменты и методы в коммуникационных исследованиях

Бакалавриат 2020/2021

Лучший по критерию «Новизна полученных знаний»

Статус: Курс обязательный (Реклама и связи с общественностью)

Направление: 42.03.01. Реклама и связи с общественностью

Кто читает: Школа коммуникаций

Где читается: Факультет креативных индустрий

Когда читается: 3-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Преподаватели: Запорожцева Людмила Евгеньевна, Суворина Татьяна Владимировна, Чмель Кирилл Шамилевич

Язык: русский

Кредиты: 6

Контактные часы: 94

Полная версия программы учебной дисциплины

Аннотация

Основной курс специализации «Исследования в коммуникациях» отличается своей методологической направленностью, что является его уникальной чертой по отношению к другим курсам, реализованным в рамках образовательной программы. Задача данного курса – оснастить студентов уникальным инструментарием для работы с эмпирическими данными, агрегации полученных результатов и создания уникальных коммуникационных продуктов. В результате освоения дисциплины студенты смогут формулировать инсайты и предлагать коммуникационные решения, основываясь на креативе, подкрепленном результатами исследования на эмпирических материалах, что делает такие решения более точными и конкурентными среди прочих альтернатив. Логика курса построена таким образом, что студенты начинают погружаться в методологию коммуникационных исследований, разбирая сложные кейсы исследований и применения Big Data в кампаниях. Наработав критическое мышление в рамках оценки релевантности применения тех или иных методов и инструментов для решения содержательных задач, студенты осваивают непосредственно сами методы работы с данными, в том числе анализ больших данных. Дополнительным преимуществом данного курса является то, что студенты для работы с данными осваивают язык программирования Python в более простом формате как язык для анализа данных, что позволяет им стать более конкурентоспособными на рынке труда. Курс сочетает в себе лучшие практики аналитической работы, анализа больших данных и основы дата-ориентированных коммуникаций, что является приоритетным направлением в индустрии сегодня.

Цель освоения дисциплины

формирование у студентов третьего курса направления «Реклама и связи с общественностью» теоретических знаний и профессиональных компетенций, связанных с проведением коммуникационных исследований (социологических, маркетинговых, в PR и политических кампаниях)
формирование профессиональных компетенций по работе с данными, используя язык программирования Python

Планируемые результаты обучения

Знает основные типы коммуникационных исследований
Может различать стратегии и подбирать методы в соответствии с содержательными задачам
Знает основные концепции коммуникационного исследования
Умеет считать метрики для разных задач
Знает, как переводить данные в метрики
Знает основные инструменты и методы исследований
Знает основные типы объектов в Python
Умеет решать базовые задачи программирования
Умеет применять функции из библиотек
Знает, как написать пользовательские функции
Умеет обращаться к данным не из баз данных через API или через requests
Знает основные задачи машинного обучения
Может сопоставить задачам машинного обучения методы
Умеет ставить и принимать аналитические задачи
Умеет задавать конкретные исследовательские вопросы
Умеет применять инструменты библиотеки для автоматизации задач
Владеет навыками построения базовых предиктивных моделей
Умеет кластеризировать объекты и предобрабатывать данные для кластеризации объектов
Умеет решать задачу сегментации посредством применения инструментов машинного обучения

Содержание учебной дисциплины

Типы исследований: научные / прикладные; formative / evaluative / predictive; исследования в политических и PR кампаниях
Введение в методологию и методы исследований в коммуникациях. Стратегические коммуникации: определение инструментария и базовые принципы формирования стратегии. Коммуникационные исследования как основа стратегических коммуникаций. Рынок прикладных коммуникационных исследований в России и мире. Онлайн-панели как первая революция на рынке исследований (OMI). Большие данные как вторая революция на рынке (исследования Yandex, Google). Анализ кейсов.
Концептуальный аппарат исследований в коммуникациях
Качественная и количественная методология исследований. Базовый аппарат количественных исследований: квантификация, операционализация, измерение, шкалы (номинальная, порядковая, интервальная и др.). Методы сбора и методы анализа данных. Типы выборок, алгоритмы sampling. Online и offline методология исследований. Big N vs Small N в исследованиях. Типы и источники данных. Умные данные. Оценка качества собранных данных. Деанонимизация. Мифы о больших данных. Анализ кейсов.
Данные и метрики: отличие данных от метрик
Типы данных, источники данных, ограничения данных. Структурированные и неструктурированные данные. Введение в науку о метриках. Виды коммуникационных метрик. Линейные и нелинейные характеристики. Работа с не-коммуникационными данными в коммуникационных задачах. Алгоритм агрегирования данных в метрику. Анализ кейсов.
Введение в инструменты и методы коммуникационных исследований
Обзор классов методов в исследованиях коммуникаций. Ограничения методов. Машинное обучение без кода. Корреляция, ковариация и каузальность. AB-тест и экспериментальные методы коммуникационных исследований.
Объектно-ориентированное программирование
Введение в программирование в Python: объекты (строка, список, словарь, integer, float и др.), циклы (for, while, try), функции (синтаксис функции def, самостоятельное написание функций), регулярные выражения (описание шаблонов для поиска текста и проверки соответствия текста шаблону, принципы работы с подстроками), сортировка (выбором, вставками, методом «пузырька», Шелла).
Библиотека и ее базовое устройство
Обращение с документацией библиотеки. Библиотеки в Python: numpy (линейная алгебра и прочие математические операторы), pandas (работа с data frame), requests (разработка веб-проекта), TensorFlow (машинный интеллект, сложные модели, комплексные вычисления) и др.
Постановка задачи сбора данных с веб-страниц
Архитектура сайтов и различные варианты разметки. Ограничения по сбору данных с интернет-страниц (requests, Seleniun и модуль time). Инструменты сбора данных с веб-страниц: XML, BeautifulSoup. Сбор данных через подключение к API. Этический аспект сбора данных о пользователях. Принципы публикации данных и анонимизация. Анализ кейсов.
Задачи машинного обучения в коммуникационных исследованиях
Обучение с учителем и без учителя: особенности и различия. Терминологический аппарат машинного обучения: объекты, признаки, обучение, переобучение, функция потерь. Подмножества: обучающее и тестовое. Кросс-валидация и ее виды.
Как ставить и принимать аналитические задачи
Принцип пирамиды; правила постановки вопросов; стандарты обработки данных и системы прикладного анализа; CRISP-DM.
Pandas для прикладных задач; обращение к данным не из БД
Pandas, структура датасета, основные статистики, срезы данных, ищем страны с наибольшим потреблением электроэнергии; parsing и web-scrapping; API; json.
Основные виды МЛ моделей; особенности предсказаний в машинном обучении
Меры качества предсказания используемого алгоритма. Линейная и логистическая регрессии как базовые предиктивные модели. Кривая AUC-ROC, F-меры (гармоническое среднее). Регуляризация L1 и L2. Способы преодоления проблемы переобучения в машинном обучении. Анализ кейсов.
Кластеризация: kmeans, PCA, иерархическая кластеризация
Кластеризация: k-means для изображений, новостных тематик и спортивных матчей, PCA, иерархическая кластеризация.
Способы сегментации аудитории в маркетинге и сценарии использования
RFM-сегментация: главный принцип построения, два способа построения, визуализация и варианты использования сегментов.

Элементы контроля

Итоговый проект
Контрольная работа во 2 модуле
Аудиторная работа во 2 модуле
Домашние работы
Коллоквиум
Коллоквиум проходит в письменной форме. На коллоквиуме запрещено использовать конспекты и / или любые иные записи; категорически запрещается выходить во время проведения коллоквиума; категорически запрещается пользоваться любыми техническими средствами; запрещается переговариваться с другими студентами. Студент получает оценку, пропорциональную числу правильных ответов.
Презентация программы исследования

Промежуточная аттестация

Промежуточная аттестация (4 модуль)
0.07 * Аудиторная работа во 2 модуле + 0.33 * Домашние работы + 0.3 * Итоговый проект + 0.23 * Коллоквиум + 0.035 * Контрольная работа во 2 модуле + 0.035 * Презентация программы исследования

Программа дисциплины