Научно-исследовательский семинар

Бакалавриат 2024/2025

Статус: Курс обязательный (Медиакоммуникации)

Направление: 42.03.05. Медиакоммуникации

Кто читает: Департамент медиа

Где читается: Санкт-Петербургская школа гуманитарных наук и искусств

Когда читается: 3-й курс, 1-4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Вартанов Сергей Александрович, Фирсанова Виктория Игоревна

Язык: русский

Кредиты: 5

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Научно-исследовательский семинар на 2 курсе программы «Медиакоммуникации» предназначен для формирования у студентов базовых представлений и навыков в сфере медиаисследований. Тематический модуль «Введение в медиаисследование» раскрывает специфику социально-гуманитарного знания с последующим фокусом на исследованиях в сфере медиа, включая их дизайн, методы и оформление результатов. Тематический модуль под «Методы исследования медиаконтента», который посвящен изучению направлений и методов анализа медиаконтента (количественным и качественным). Формы текущего контроля включают домашние задания (написание аналитической записки по итогам сбора данных, разработка исследовательских проектов). Тематический блок «Опросные методы исследования» посвящен принципам сбора количественных опросных данных, качественных опросных данных и методологических принципов проведения опросных исследований онлайн. По итогам курса студенты выполняют практические задания: разрабатывают и пилотируют собственный исследовательский инструментарий, как в индивидуальном порядке, так и в небольших группах.3 Курс посвящён инструментальным методам медиааналитики. Во втором модуле студенты научатся использовать системы генеративного искусственного интеллекта, не требующие навыков программирования, для создания и анализа медиаконтента, интерпретации статистических данных и принятия решений в процессе создания и редактирования различных материалов. Они получат представление о методах промпт-инжиниринга, создании системных ролей для систем искусственного интеллекта и основных разновидностях генеративных систем для анализа данных в медиасфере. Третий модуль курса направлен на развитие у слушателей знаний о математических методах в медиаисследованиях и связанных с ними практических навыках, а также с математическими основами ИИ-моделей. Тематический блок «Введение в математическую статистику» познакомит студентов с моделированием случайных величин, первичной обработкой количественных данных в медиаисследованиях, точечном и интервальном оценивании неизвестных параметров распределений, проверкой статистических гипотез и азами продвинутых методов статистического анализа (корреляционный, кластерный и факторный анализ). Тематический блок «Прикладные задачи в медиаисследованиях» даст представление о принципах сбора количественных данных медиаисследований, ключевых метриках медиаметрии, панельных методах и количественных методах контент-анализа. Четвертый модуль посвящен маркетинговому анализу данных для принятия решений в бизнесе и оптимизации работы с трафиком на коммерческих сайтах. Тематический блок «Маркетинговая аналитика для оптимизации интернет-рекламы» познакомит с базовым набором метрик продвижения для продуктов и их арифметикой, применяемой в прикладных задачах бизнес-анализа, а также с главными отчетами в веб-аналитической системе «Яндекс Метрика». Блок «Методы проведения экспериментов в бизнесе при помощи маркетинговой аналитики» позволит разобраться с типовыми методами приоритезации гипотез в бизнесе и способами их проверки, что в свою очередь позволит студентам освоение аналитических подходов к формулированию идей для продвижения в интернете. Блок «Исследовательский анализ данных в бизнесе при помощи таблиц и Python» — прикладной блок по количественным методам работы с маркетинговыми данными, поможет студентам понять, как бизнес работает с «зашумленными данными», в условиях технических ограничений по сбору и обработке данных, а маркетологи анализируют рекламные кампании и принимают решения о дальнейшем продвижении. Блок «Доверительное A/B-тестирование» даст возможность понять, как проверять несколько маркетинговых гипотез при помощи статистических методов и делать выводы и рекомендации для бизнеса.

Цель освоения дисциплины

Сформировать у студентов базовые навыки научно-исследовательской работы, включая разработку методологии исследования
Научить студентов использовать различные методы сбора, обработки и интерпретации данных, в частности, в процессе написания курсовых работ по медийной тематике
Умение применять инструменты генеративного искусственного интеллекта для создания медиаконтента и проведения медиаисследований
Способность грамотно и осознанно решать задачи медиаисследований с привлечением продвинутого математического аппарата, анализировать их и формулировать выводы.
Умение анализировать и интерпретировать интернет-трафик на сайтах и решать типовые прикладные маркетинговые задачи с помощью анализа данных.

Планируемые результаты обучения

Разрабатывает дизайн исследования
Адекватно выбирает методы, стратегии, подходы
Находит и использует научную литературу
Находит качественные научные источники
Оформляет текст, ссылки и список литературы согласно российским / международным стандартам
Представляет и защищает проект медиаисследования
Проектирует дизайн медиаисследования
Работает с базами зарубежной научной периодики
Самостоятельно делает обзор литературы
Ставит исследовательские вопросы
проводит онлайн-исследования
составляет опросный инструментарий в качественных исследованиях
составляет опросный инструментарий в количественных исследованиях
Описывает и применяет основы фрейм-анализа
Описывает и применяет метод контент-анализа
Описывает и применяет принципы построения выборки в медиа исследовании
Знает определения и свойства распределения вариационного ряда, свойств эмпирической функции распределения.
Знает основные количественные характеристики медиатекстов, метрики и модели статистического контент-анализа.
Понимает взаимосвязь искусственного интеллекта и медиа.
Умеет выбирать инструменты на основе генеративного искусственного интеллекта для решения задач создания и анализа медиаконтента
Имеет представление о том, как генеративные модели создают и обрабатывает данные, и умеет перечислять основные параметры генеративных моделей
Умеет описывать типы моделей (например, языковые модели, модели генерации изображений)
Применяет генеративные модели для генерации медиаконтента: текстов, заголовков, изображений и других видов контента.
Применяет модели генерации изображений для создания аналитического контента (например, инфографики и дашбордов для соцсетей).
Знает место искусственного интеллекта и алгоритмов в цикле производства и потребления информации и современных информационных процессах.
Владеет инструментами на основе генеративного искусственного интеллекта для создания и анализа медиаконтента.
Знает основные параметры и типы моделей генеративного искусственного интеллекта.
Умеет применять модели генеративного искусственного интеллекта для создания различных видов медиаконтента.
Умеет оценивать влияние искусственного интеллекта на медиапроцессы и медиаиндустрию.
Умеет анализировать текущие тенденции и перспективы развития искусственного интеллекта в медиа.
Умеет оценивать эффективность различных инструментов генеративного искусственного интеллекта для конкретных задач.
Знает основные понятия, методы, схемы и алгоритмы современных систем искусственного интеллекта, используемых в медиакоммуникационной индустрии.
Умеет настраивать параметры моделей для достижения желаемого результата.
Знает основы теории вероятностей и математической статистики
Умеет использовать методы математической статистики для решения задач медиаисследований
Понимает метрики, встречающиеся в интернет-рекламе.
Понимает инструменты для исследовательского анализа данных в интернет-маркетинге.
Умеет обрабатывать сырые данные.
Умеет проводить количественные исследования по результатам рекламных кампаний в интернете

Содержание учебной дисциплины

Курсовая работа по медиаисследованиям
Теория, поиск и обзор литературы
Дизайн и методы медиаисследования
Дизайн и стратегии медиаисследования
Оформление результатов научного исследования
Защита командных исследовательских проектов
Количественный анализ медиатекстов. Примеры методов для количественного исследования: метод контент-анализа
Методологические развилки в рамках метода контент-анализа. Типы кодирования
Количественный анализ медиатекстов. Источники данных для количественного исследования
Количественный анализ медиатекстов. Презентации групповых проектов
Качественный анализ медиатекстов. Практикум по дизайну качественного медиа-исследования
Качественный анализ медиатекстов. Презентация мини-проектов
Введение в опросные методы
Количественные методы: сбор данных
Как формулировать вопросы.
Как проектировать анкету
Использование вторичных опросных данных.
Анализ количественных данных: введение.
Введение в качественные опросные методы.
Подготовка и проведения экспертного интервью.
Анализ качественных данных.
Проведение опросов онлайн.
Проведение качественных исследований онлайн.
Что такое генеративный искусственный интеллект.
Анализ данных из социальных сетей с помощью no-code и low-code решений
Большие языковые модели.
Модели для генерации изображений и визуального контента для социальных сетей.
Автоматизация генерации контента для социальных сетей.
Брейнсторминг с помощью генеративного искусственного интеллекта.
Разработка и тестирование проектов с использованием генеративного искусственного интеллекта.
Основы теории вероятностей.
Математическая статистика и методы статистической обработки результатов испытаний. Часть 1.
Математическая статистика и методы статистической обработки результатов испытаний. Часть 2.
Математическая статистика и методы статистической обработки результатов испытаний. Часть 3.
Метод контент-анализа: теоретические основания и применение.
Общий обзор современных технологий ИИ в медиа, их классификация и систематизация.
Маркетинговая аналитика для оптимизации интернет-рекламы
Методы проведения экспериментов в бизнесе при помощи маркетинговой аналитики
Исследовательский анализ данных в бизнесе при помощи таблиц и Python
Доверительное A/B-тестирование

Элементы контроля

Работа на занятиях
Студентам необходимо участвовать в дискуссии на занятиях с преподавателем и друг с другом, формируя диалогическую коммуникацию, избегая многократного повторения одних и тех же суждений, демонстрируя фоновые и полученные в ходе подготовки к занятию знания. Вопросы студентам в аудитории дает преподаватель, вопросы базируются на домашнем задании. Время на подготовку - 20 минут
Анализ научной статьи
Критический отзыв о научной статье, в которой были использованы методы исследований медиа. В отзыве должны быть - передача основных тезисов прочитанного текста, описание методов исследования, которые были применены в статье, критика прочитанного текста (аргументированное согласие/несогласие с выдвинутыми в тексте тезисами), обоснование возможных областей применения полученных знаний, анализ библиографии статьи.Задание выполняется дома. Объем отзыва 1200 слов.
Исследовательский проект
Проект пишется по итогам освоения материалов курса. Тему исследования и подходящий для нее метод должен сформулировать сам учащийся, исходя из проблематики курса и своих интересов. Требования к проектному документу: Проект должен быть написано на языке реализации образовательной программы. Объем – не менее 4 и не более 10 страниц, шрифт Times New Roman прямого начертания, кегль (размер) шрифта 12, междустрочный интервал – полуторный. Текст должен быть завершенным и четко структурированным: введение (в котором формулируется проблематика исследования, ее предмет, актуальность и новизна), основная часть ( гипотеза исследования, дизайн исследования, которое учащийся собирается провести), заключение (содержащие собственные выводы по теме), список использованной литературы (не более 2 страниц). Необходимо указать ссылки на все использованные источники. В тексте должно быть продемонстрировано владение предметом исследования, его понятийным аппаратом, терминологией, знание общепринятых научных концепций в заданной предметной области, понимание современных тенденций и проблем в исследовании предмета. Степень оригинальности текста – не менее 70%. Текст должен был представить до дедлайна.
Генерация медиаконтента с помощью искусственного интеллекта
Студенты осваивают навыки создания контента для современных медиаплатформ, учатся анализировать тренды и предсказывать реакции аудитории. Письменное задание заключается в выборе актуальной темы, которая может привлечь внимание целевой аудитории, и создании нескольких вариантов контента, включая тексты (лонгриды, публикации для блогов, интервью, обзоры), изображения (инфографика, иллюстрации, дизайн веб-страниц), а также аудио и видео (короткие видеоролики, анимации, звуковое сопровождение для подкастов или видео). Студенты используют инструменты медиааналитики и методы социологического опроса для оценки релевантности и качества сгенерированного контента, выявляя наиболее привлекательные элементы для аудитории и формулируя рекомендации по улучшению вовлеченности.
Анализ медиаконтента с помощью искусственного интеллекта
Студенты осваивают навыки анализа медиаконтента, выявления трендов, оценки эффективности контента и предсказания реакций аудитории на основе анализа больших данных. Письменное задание заключается в выборе актуальной темы (связанной с психологией, образованием, лайфстайлом, технологиями и т. д.) и сборе данных из социальных сетей, новостных сайтов, блогов или видеохостингов с использованием инструментов веб-скрейпинга, сервисов анализа веб-трафика или API. Студенты анализируют и визуализируют метаданные, проводя текстовый анализ для выявления ключевых слов и тематических кластеров, анализ вовлеченности для извлечения информации о реакциях на публикации, выявляют тренды для определения популярных тем и форматов контента, а также сегментацию аудитории для выявления демографических и поведенческих характеристик. На заключительном этапе результаты анализа обобщаются в инфографике, выявляются закономерности, и формулируются рекомендации по ведению контента на различных площадках.
Задачи по статистике
Данный элемент контроля представляет собой 10 задач по статистике, которые будут даны студентам (в виде двух домашних заданий). Решение задач должно быть сдано в письменной форме. Из этих 10 задач 8 являются задачами базового уровня, а 2 имеют повышенный уровень сложности. В случае, если какая-то из работ не сдана, средняя оценка рассчитывается из суммы общего количества работ, которые студент должен был сдать в рамках данного элемента контроля.
Исследовательский анализ данных
Студенты получают песочницу данных c логами из Яндекс Метрики финтех-сервиса для онлайн-оплаты сервиса для командной игры в видеоигры. Необходимо самостоятельно, дома при помощи Python и библиотек для работы со статистикой и визуализации провести исследование. Оно включает в себя следующие этапы: Сделать предобработку данных, очистить от выбросов. Определить в датасете период проведения рекламных кампаний в Яндекс Директ, визуализировать бизнес-результаты до и после запуска рекламных кампаний. Установить гипотезу о влиянии “типов” рекламных кампаний в Яндекс Директе на результаты значимые для бизнеса. Отфильтровать и визуализировать типы кампаний и результаты. Предложить рекомендации по дальнейшему продвижению в Яндекс Директ.

Промежуточная аттестация

2023/2024 учебный год 3 модуль
0.2 * Анализ научной статьи + 0.2 * Анализ научной статьи + 0.5 * Исследовательский проект + 0.5 * Исследовательский проект + 0.1 * Работа на занятиях + 0.1 * Работа на занятиях + 0.1 * Работа на занятиях + 0.1 * Работа на занятиях + 0.1 * Работа на занятиях + 0.1 * Работа на занятиях
2024/2025 учебный год 4 модуль
0.15 * Анализ медиаконтента с помощью искусственного интеллекта + 0.15 * Анализ медиаконтента с помощью искусственного интеллекта + 0.15 * Генерация медиаконтента с помощью искусственного интеллекта + 0.15 * Генерация медиаконтента с помощью искусственного интеллекта + 0.4 * Задачи по статистике + 0.4 * Задачи по статистике + 0.3 * Исследовательский анализ данных + 0.3 * Исследовательский анализ данных

Список литературы

Авторы

Котюкова Анастасия Васильевна
Фирсанова Виктория Игоревна
Тюркин Михаил Вячеславович
Вартанов Сергей Александрович
Аргылов Никита Антонович

Программа дисциплины