Магистратура
2020/2021![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
![Элементы контроля](/f/src/global/i/edu/controls.svg)
![Промежуточная аттестация](/f/src/global/i/edu/intermediate_certification.svg)
![Список литературы](/f/src/global/i/edu/library.svg)
Прикладные исследования в культуре
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс обязательный (Прикладная культурология)
Направление:
51.04.01. Культурология
Кто читает:
Школа философии и культурологии
Где читается:
Факультет гуманитарных наук
Когда читается:
1-й курс, 1-3 модуль
Формат изучения:
без онлайн-курса
Преподаватели:
Никишина Ирина Александровна,
Никогосян Каринэ Сергеевна,
Пузанов Кирилл Александрович
Прогр. обучения:
Прикладная культурология
Язык:
русский
Кредиты:
6
Контактные часы:
76
Программа дисциплины
Аннотация
Данная дисциплина является частью раздела «Полевые методы» и является обязательной для студентов образовательной программы бакалавриата «Культурология». Отдельные блоки курса имеют тематические пересечения и дополняются результатами изучения следующих дисциплин: социальная и культурная антропология; анализ и визуализация данных; современные проблемы культурологии. Основные положения дисциплины могут быть использованы в дальнейшем при написании курсовой и выпускной квалификационной работы.
Цель освоения дисциплины
- Целью курса становится формирование и развитие навыков и умений, необходимых для проведения и организации полевых научных и аналитических исследований в двух областях, важных для прикладной культурологии: 1) Digital Humanities - общие принципы организации данных для анализа, принципы визуализации разнообразия и взаимосвязей, рассматриваются основы креативной инфографики; по городской тематике .
Планируемые результаты обучения
- Знать специфику предметных полей, взаимосвязи между ними и смежными областями и принципы разработки и реализации исследований
- Владеть базовыми навыками построения дизайна исследования; анализа и визуализации данных, включая элементы анализа социальных сетей, компьютерной картографии и анализа текстов; пре-процессинга (предварительной подготовки) данных, включаяя “очистку” сырых данных и подготовку их к работе в средах анализа данных и статистического программирования
- Знать специфику предметных полей, взаимосвязи между ними и смежными областями и принципы разработки и реализации исследований
- Владеть базовыми навыками построения дизайна исследования; анализа и визуализации данных, включая элементы анализа социальных сетей, компьютерной картографии и анализа текстов; пре-процессинга (предварительной подготовки) данных, включаяя “очистку” сырых данных и подготовку их к работе в средах анализа данных и статистического программирования
- Уметь понимать логику построения дизайна исследования, использовать необходимые инструментальные средства и методы (программные и прикладные) для обработки анализа и систематизации информации по теме исследования
- Понимать общие принципы организации данных, их структуры
- Уметь использовать Python для решения прикладных задач по специальности
- Использовать различные инструменты для анализа данных и работы с данными
- Уметь использовать инструменты визуализации данных
Содержание учебной дисциплины
- Тема 1. ВведениеПонятие digital humanities. Сферы применения анализа и визуализации гуманитарных и социальных науках. Понятие данных. Основные способы представления данных.
- Тема 2. Области примененияТрадиционные области концентрации – анализ исторических данных, корпусная лингвистика и компьютерный анализ текстов, публикация источников он-лайн.
- Тема 3. Сбор данныхЗнакомство и освоение основных принципов сбора данных для последующего анализа с помощью Python.
- Тема 4. Обработка данныхЗнакомство и освоение основных инструментов предварительной обработки данных на Python. Использование Regular Expressions для сбора и обработки данных.
- Тема 5. Анализ данныхЗнакомство и освоение основных инструментов анализа данных на Python.
- Тема 6. Визуализация данныхЗнакомство и освоение основных инструментов визуализации данных на Python.
- Тема 7. Работа с исследовательскими проектамиФормулировка исследовательских задач. Подбор адекватных инструментов анализа данных и последующей визуализации.
- Тема 8. Концептуализация и операционализация.Семинар разделен на две части. В первой части разбираются следующие вопросы: постановка ключевого исследовательского вопроса, концептуализация и операционализация, роль метафоры в социологическом исследовании. Во второй части студенты предлагают свои варианты метафоры и концептуализации города.
- Тема 9. Выбор метода: различия количественных и качественных методовОбзор ключевых особенностей качественных и количественных методов. Тренинг по постановке ключевого исследовательского вопроса.
- Тема 10. Количественные методы социологического исследования: создание анкетыРазбор основных правил создания анкеты количественного исследования. Разбор сенситивных вопросов и социально одобряемых ответов. Структура анкеты, операционализация гипотез. Понятие выборки и генеральной совокупности. Критерии репрезентативности, случайная и квотная выборки.
- Тема 11. Количественные методы социологического исследования: пилотирование инструментарияПервая половина семинара — разбор домашнего задания и финализация анкеты для проведения социологического исследования. Вторая половина — пилотный опрос по созданной анкете и разбор основных допущенных ошибок.
- Тема 12. Знакомство с методами анализа статистических данных.На базе собранного на предыдущих занятиях и в рамках домашнего задания материала, создается массив данных для дальнейшего анализа. В рамках первого знакомства необходимо освоить интерфейс программы, научиться перекодировать данные, создавать частотные таблицы и таблицы сопряженности, а также рассчитывать критерий хи-квадрат.
- Тема 13. Факторный и кластерный анализыРазбор проекта «Механика Москвы». Анализ внутригородских процессов, вскрываемых кластерным и факторным анализами больших массивов социологических данных. На базе произвольного массива данных о районах Москвы объясняется следующий инструментарий: иерархическую кластеризацию, деревья кластеризации и факторный анализ. При помощи этих инструментов нужно создать и описать авторскую кластеризацию районов Москвы.
- Тема 14. Метод ментальной картографииАнализ сильных сторон и ограничений метода: описание примеров использования и ошибок интерпретации результатов. Способы сбора: методологические эксперименты по форматированию ответов респондентов. Критерии анализа данных: относительные размеры объектов, топонимы, границы и пр. Разбор примеров актуальных исследований.
- Тема 15. Социальная структура города. Субъективно полагаемое качество городской среды. Представления горожан о месте своего обитания: соседства, вернакулярные районы, точка отсчета городской среды. Вопросы безопасность и отношения к ней горожан. Образ города и ментальное картографирование: районирование города в зависимости от представлений горожан или от их социальных практик.
- Тема 16. Внутригородские вернакулярные районыРазбор различных теоретических подходов к концепции вернакулярных районов. Поиск единых оснований трактовки концепции в представлении Л.В. Смирнягина и А.А. Высоковского. Связь региональной индентичности и вернакулярных районов. Эффект раковина и специфика границ вернакулярных районов.
- Тема 17. Метод «Фото-GPS»Оптимизация полевых наблюдений. «Человеческий фактор» в полевых исследованиях и субъективность трактовки участниками полевых экспедиций наблюдаемых явлений. Анализ сильных сторон и ограничений метода, способы сбора и анализа данных, разбор примеров актуальных исследований. Метод «Дифференциации городского пространства». Комплексный анализ города: представление о городской среде как о единстве и взаимном влияние множества подсистем. Разбор пяти ключевых подсистем: рельефно-планировочной, функциональной, архитектурной, социально-экономической и ментальной. Анализ сильных сторон и ограничений метода, способы сбора и анализа данных, разбор примеров актуальных исследований.
Элементы контроля
- Домашнее задание 1
- Проект
- Экзамен после 1 модуля
- Экзамен после 3 модуля
- Работа на семинарах
- Домашнее задание 3
- Домашнее задание 2
Промежуточная аттестация
- Промежуточная аттестация (1 модуль)0.3 * Домашнее задание 1 + 0.3 * Домашнее задание 2 + 0.4 * Проект
- Промежуточная аттестация (3 модуль)0.35 * Домашнее задание 3 + 0.15 * Проект + 0.5 * Промежуточная аттестация (1 модуль)
Список литературы
Рекомендуемая основная литература
- McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1605925
- Тавокин, Е. П. Социологическое исследование [Электронный ресурс] / Е. П. Тавокин // Социология : Учебное пособие / Под ред. Д. С. Клементьева. - М. : Филол. о-во 'Слово' ; Изд-во Эксмо, 2004. - С. 354-387. - ISBN 5-8123-0248-0, ISBN 5-699-07315-9. - Режим доступа: http://znanium.com/catalog/product/417093
Рекомендуемая дополнительная литература
- Оганян К. М. - МЕТОДОЛОГИЯ И МЕТОДЫ СОЦИОЛОГИЧЕСКОГО ИССЛЕДОВАНИЯ 3-е изд., испр. и доп. Учебник для академического бакалавриата - М.:Издательство Юрайт - 2019 - 299с. - ISBN: 978-5-534-09590-6 - Текст электронный // ЭБС ЮРАЙТ - URL: https://urait.ru/book/metodologiya-i-metody-sociologicheskogo-issledovaniya-434398