BIG DATA AND KNOWLEDGE SOCIETY
GRADO EN ESTUDIOS GLOBALES/GLOBAL STUDIES
Curso 2025/2026
1. Subject Information
(Date last modified: 26-05-25 12:33)- Code
- 109030
- Plan
- 290
- ECTS
- 4.00
- Type
- Opcional
- Year
- 3
- Duration
- First semester
- Language
- ENGLISH
- Area
- COMUNICACIÓN AUDIOVISUAL Y PUBLICIDAD
- Departament
- Sociología y Comunicación
- Virtual platform
Professor Information
- Professor
- Profesor/Profesora PENDIENTE de asignar
- Group/s
- Único
- Centre
- -
- Office
- -
- Office hours
- -
- Web address
- -
- -
- Phone
- -
2. Association of the subject matter within the study plan
3. Prerequisites
-
4. Learning objectives
- Que el alumno sea capaz de comprender el impacto de las grandes cantidades de datos (big data) en la sociedad contemporánea.
- Que el alumno conozca las principales técnicas de recolección de grandes cantidades de datos.
- Que el alumno utilice las principales técnicas de aprendizaje automático (Machine Learning) y analítica predictiva (Predictive Analytics) y esté en capacidad integrarse en equipos multidisciplinares (informáticos, matemáticos, etc.) para el análisis de los datos, especialmente en entornos distribuidos (Cloud Computing)
- Que el alumno esté en capacidad de utilizar el conocimiento derivado de los datos para tomar decisiones (Business Intelligence).
- Que el alumno esté en capacidad de comunicar y visualizar sus resultados
5. Contents
Theory.
- Introducción al big data y a los métodos computacionales aplicados al estudio de la sociedad del conocimiento
- Programación básica en Python y R
- Formatos y tratamiento de los datos
- Análisis exploratorio de datos
- Modelado estadístico y aprendizaje automático
- Análisis computacional de textos
- Scrapping
- Análisis de Redes Sociales
- Análisis computacional de imágenes
- Computación distribuida
6. Competences acquired
7. Teaching methods
-
8. Anticipated distribution of the use of the different teaching methods
9. Resources
Reference books.
- Van Atteveldt, W., Trilling, D. & Arcila, C. (2020). Computational Analysis of Communication. Wiley.
Other bibliographic references, electronic or other types of resources.
- Arcila, C., Ortega, F., Álvarez, M. & Vicente, M. (2019). Distributed Supervised Sentiment Analysis of Tweets: Integrating Machine Learning and Streaming Analytics for Big Data Challenges in Communication and Audience Research. Empiria. Revista de metodología de ciencias sociales, 42, 113-136, doi: 10.5944/empiria.42.2019.23254
- Arcila, C., Barbosa, E. & Aguaded, I. (2019). Modeling and Diffusion of News Topics in Social Media: Features and Factors of the Emergence of News in a Twitter Informative Channel. Comunicación y Sociedad, 34, 1-21. doi: https://doi.org/10.32870/cys.v2019i0.6437
- Arcila, C.; Ortega, F.; Jiménez, J. & Trulleque, S. (2017). Análisis supervisado de sentimientos políticos en español: Clasificación en tiempo real de tweets basada en
- aprendizaje automático. El Profesional de la Información, 26 (5), 978-987.
- Arcila, C.; Barbosa, E. & Cabezuelo, F. (2016). Técnicas Big Data: Análisis de textos a gran escala para la investigación científica y periodística. El Profesional de la Información, 25 (4), 623-631. http://dx.doi.org/10.3145/epi.2016.jul.12
- Bird, S., Klein, E., & Loper, E. (2009). Natural language processing with Python: analyzing text with the natural language toolkit. O'Reilly Media, Inc.
- Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O'Reilly Media.
- Kelleher, J. D., Mac Namee, B., & D'Arcy, A. (2015). Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. MIT Press.
- Salganik, M. J. (2019). Bit by bit: Social research in the digital age. Princeton University Press.
10. Assessment
Assessment criteria.
Consideraciones Generales:
La evaluación de la asignatura implica superar los objetivos y adquirir las competencias especificadas en los anteriores apartados.
El estudiante deberá conocer y comprender los contenidos teóricos y metodológicos propuestos en el temario y ser capaz de aplicarlos a casos concretos.
Además de la superación de cada uno de los instrumentos de evaluación especificados, se valorará el trabajo autónomo continuado, la activa participación en clase y el cumplimiento de los plazos.
Criterios de evaluación:
- Capacidad de desarrollar habilidades computacionales
- Implicación en las prácticas de la asignatura
- Capacidad de trabajar en equipo
- Aprobar tanto las prácticas en clase como el proyecto final del curso
Evaluation systems.
- Ensayo sobre el impacto del Big Data en la sociedad (10%)
- Práctica en clase I: Programación (10%)
- Práctica en clase II: Análisis exploratorio de datos (10%)
- Práctica en clase III: Análisis de sentimientos (10%)
- Práctica en clase IV: Modelado de temas (10%)
- Práctica en clase V: Análisis de redes sociales (10%)
- Práctica en clase VI: Clasificación de imágenes (10%)
- Proyecto final del curso (30%)
Assessment recommendations.
Recomendaciones para la recuperación:
En el caso de que el estudiante no alcance la calificación mínima, el profesor realizará recomendaciones individuales según la situación específica de cada alumno/a.