Il modulo didattico intende affrontare alcuni elementi cruciali della metodologia della ricerca e in particolare la formulazione e il controllo empirico di ipotesi multivariate. Come tecniche di analisi dei dati verranno affrontate: l'analisi della varianza fattoriale, la regressione lineare multipla, l'analisi fattoriale esplorativa e l'analisi dei gruppi (metodi iterativi e gerarchici). Non sono richiesti particolari prerequisiti per frequentare il modulo: è previso infatti a inizio corso un breve riallineamento alla logica dell'inferenza statistica e alle principali funzioni del software utilizzato. Per sperimentare le tecniche di analisi dei dati presentate nel corso del modulo verrà usato jamovi (https://www.jamovi.org/ ), software open access e open source basato su R (https://www.r-project.org/ ). L'interfaccia grafica del programma consente l'utilizzo di un menu a tendina ma è possibile, in ogni momento, visualizzare il codice sorgente – scritto in linguaggio R – utilizzato per effettuare le analisi. JAMOVI verrà installato sui computer del laboratorio e sui portatili dei frequentanti. Il programma legge matrici dati di diversi formati (Testo, Excel, Spss, Stata e, ovviamente, R): le attività di elaborazione saranno svolte su di una matrice dati fornita dai docenti.
Ci sarà anche il tempo per elaborare dati in possesso dei singoli partecipanti, se ovviamente lo desiderano.

Letture consigliate

https://www.jamovi.org/
https://www.jamovi.org/user-manual.html

Il text mining e la sentiment analysis consentono di analizzare grandi quantità di informazioni in forma testuale (ad esempio, post sui social media, recensioni, commenti) e di estrarre informazioni utili sui sentimenti, sulle opinioni e sui comportamenti delle persone. I risultati di queste attività aiutano a comprendere le tendenze sociali, le dinamiche di gruppo, le percezioni e le emozioni associate a determinati eventi o prodotti, nonché a individuare i bisogni e le criticità di determinati segmenti della popolazione. Inoltre, il text mining può essere utilizzato per analizzare la lingua e la comunicazione in contesti specifici, come il dibattito politico, la pubblicità e la propaganda, il marketing e l'opinione pubblica, fornendo informazioni preziose sulle strategie di comunicazione e di persuasione.
Il corso offrirà un'introduzione al text mining e alla sentiment analysis utilizzando Python, uno dei linguaggi di programmazione più popolari per l'analisi dei dati grazie alla sua semplicità, alla vasta gamma di librerie e alla sua velocità. 
Alla fine del corso lo studente avrà acquisito le nozioni fondamentali necessarie per la progettazione e lo sviluppo di sistemi in grado di estrarre informazioni utili dai dati testuali, compresa l'analisi semantica e la classificazione del testo.

Letture consigliate

• Jurafsky D. and Martin J.H. 2023. Speech and Text Processing. Chapter 25 - Lexicons for Sentiment, Affect, and Connotation;
• Basile, P., Basile, V., Nissim, M., Novielli, N., & Patti, V. (2018). Sentiment Analysis of Microblogging Data.

Il territorio rappresenta una delle dimensioni centrali nell'analisi sociologica e ha caratterizzato opere di alcuni autori classici, come quelli della celebre scuola di Chicago. Sebbene talvolta menzionata come semplice analisi di contesto, l'analisi territoriale dei fenomeni sociali è talvolta imprescindibile per ottenere una loro corretta comprensione. Si pensi, per esempio, al nutrito corpus di ricerche che cade all'interno del filone dei Neighborhoodeffects. La cosiddetta rivoluzione dei dati ha portato ad un rinnovato interesse verso l'analisi territoriale e questo perché i geo-media hanno permesso di studiare l'interazione fra due mondi prima considerati inconciliabili ovvero quello online e quello offline. La mappatura dei fenomeni comunicativi è diventata così una nuova frontiera della ricerca sociale.
Alla luce di queste riflessioni il corso si propone di dare gli strumenti teorici, tecnici e statistici per mappare i fenomeni sociali e comunicativi. Il corso sarà articolato nel seguente modo:

1. Introduzione all'analisi territoriale;
   
2. Fonti nuove e classiche per l'analisi territoriale;
   
3. Costruire una matrice per l'analisi territoriale;
   
4. Un'introduzione ai software opensource e userfriendly QGIS e GEODA;
   
5. Dalle mappe agli strumenti di statistica spaziale;
   
6. Studi di caso ed esercitazioni pratiche.

Letture consigliate

Pintaldi, F. (2009). Come si analizzano i dati territoriali. FrancoAngeli.
Catania, D. (2013). Dati e rappresentazioni territoriali con Arcgis (primi due capitoli).
See L., Mooney P., Foody G., et al. (2016). Crowdsourcing, Citizen Science or Volunteered Geographic Information? The Current State of Crowdsourced Geographic Information. International Journal of Geo-Information, 5(5): 55-77. doi: 10.3390/ijgi5050055.
Goodchild M.F. (2007). Citizens as Sensors: The World of Volunteered Geography. GeoJournal, 69(4): 211-221.
Anselin L. (2003). An Introduction to Spatial Autocorrelation Analysis with GeoDa.

Software
https://geodacenter.github.io/documentation.html
https://docs.qgis.org/2.18/it/docs/gentle_gis_introduction/preamble.html