Demografia cyfrowa WSE-BD-DC
Na zajęciach uczestnicy zapoznają się ze sposobami w jaki rewolucja cyfrowa generuje nowe dane do badań demograficznych o charakterze masowym, wpisujące się w kategorię big data (3v/5V). Zapoznają się z podstawowymi metodami z obszaru nauk społecznych, a demografii w szczególności niezbędnymi do interpretacji cyfrowych danych śladowych. Uczą się rozumieć zachodzące procesy populacyjne w kontekście rosnącej heterogeniczności źródeł danych przydatnych w badaniach demograficznych. Uczestnicy zaznajamiają się z najnowszymi badaniami w dziedzinie demografii cyfrowej, z naciskiem na badania z zakresu zdrowia, płodności, migracji, formowania związków partnerskich oraz możliwości predykcji zachowań populacyjnych w oparciu o ślady cyfrowe.
Poszczególne tematy obejmują:
1. Wprowadzenie: od klasycznej demografii do demografii w rzeczywistości cyfrowej
2. Ślady cyfrowe w badaniach demograficznych
3. Zastosowania big data do analizy ruchów migracyjnych
4. Internet i media społecznościowe jako źródło do badań nad formowaniem związków partnerskich
5. Czy szerokopasmowy Internet wpływa na dzietność?
6. Big Data w kalkulacji ryzyka zdrowotnego populacji
7. Dane cyfrowych śladów w prognozowaniu demograficznym
|
W cyklu 2024/25_Z:
Na zajęciach uczestnicy zapoznają się ze sposobami w jaki rewolucja cyfrowa generuje nowe dane do badań demograficznych o charakterze masowym, wpisujące się w kategorię big data (3v/5V). Zapoznają się z podstawowymi metodami z obszaru nauk społecznych, a demografii w szczególności niezbędnymi do interpretacji cyfrowych danych śladowych. Uczą się rozumieć zachodzące procesy populacyjne w kontekście rosnącej heterogeniczności źródeł danych przydatnych w badaniach demograficznych. Uczestnicy zaznajamiają się z najnowszymi badaniami w dziedzinie demografii cyfrowej, z naciskiem na badania z zakresu zdrowia, płodności, migracji, formowania związków partnerskich oraz możliwości predykcji zachowań populacyjnych w oparciu o ślady cyfrowe. |
Dyscyplina naukowa, do której odnoszą się efekty uczenia się
Grupa przedmiotów ogólnouczenianych
Opis nakładu pracy studenta w ECTS
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
Wymagania wstępne
Koordynatorzy przedmiotu
Efekty kształcenia
Przedmiotowe efekty uczenia się – *Demografia cyfrowa*
### Wiedza
- Student zna podstawowe pojęcia i koncepcje związane z demografią cyfrową oraz rozumie, w jaki sposób rewolucja cyfrowa generuje nowe źródła danych o charakterze masowym (big data, 3V/5V).
- Student rozumie specyfikę cyfrowych danych śladowych oraz ich potencjał i ograniczenia w badaniach demograficznych.
- Student zna przykłady zastosowań big data w analizie procesów populacyjnych, w tym w obszarze zdrowia, płodności, migracji i formowania związków partnerskich.
- Student rozumie podstawowe metody analizy danych stosowane w naukach społecznych i demografii, niezbędne do interpretacji cyfrowych źródeł informacji.
### Umiejętności
- Student potrafi identyfikować i krytycznie oceniać różne źródła danych cyfrowych przydatnych w badaniach demograficznych.
- Student umie zastosować wybrane metody analizy do interpretacji cyfrowych danych śladowych w kontekście procesów populacyjnych.
- Student potrafi wskazać możliwości i ograniczenia wykorzystania big data w prognozowaniu demograficznym i kalkulacji ryzyka zdrowotnego populacji.
- Student potrafi analizować przykłady badań empirycznych z zakresu demografii cyfrowej i wyciągać z nich wnioski dla praktyki badawczej.
### Kompetencje społeczne
- Student dostrzega znaczenie etycznych i społecznych aspektów wykorzystywania danych cyfrowych w badaniach demograficznych.
- Student jest świadomy rosnącej heterogeniczności źródeł danych i potrafi krytycznie oceniać ich wiarygodność.
- Student rozumie rolę demografii cyfrowej w wyjaśnianiu współczesnych procesów populacyjnych i w kształtowaniu polityk publicznych.
Kryteria oceniania
Ocena zajęć opiera się na na dwóch elementach:
I. Przygotowywanych i wygłaszanych przez uczestników prezentacjach w oparciu o zadane materiały, zarówno indywidualnych, jak i zespołowych, oraz na ich aktywności w dyskusjach. Każdy student będzie prezentował wybrane zagadnienia kilka razy w trakcie kursu – czasami samodzielnie, a czasami w grupie. Oceniane będą następujące aspekty:
1. Zawartość merytoryczna prezentacji – Klarowność i kompletność przekazu oraz dogłębność omówienia tematu.
2. Zrozumienie materiału – Stopień przyswojenia wiedzy oraz umiejętność jej przekazania innym uczestnikom.
3. Jakość prezentacji – Struktura, czytelność, atrakcyjność wizualna oraz skuteczne wykorzystanie narzędzi.
4. Umiejętność odpowiedzi na pytania – Trafność i jasność odpowiedzi w dyskusji po prezentacji.
5. Aktywny udział w dyskusji – Zadawanie pytań, wnoszenie uwag, konstruktywne komentowanie prezentacji innych.
6. Krytyczne myślenie – Umiejętność analizy materiału i formułowania własnych opinii zgodnie z zasadami dyskusji naukowej.
7. Etyka i szacunek w dyskusji – Przestrzeganie zasad akademickiej wymiany myśli i poszanowanie opinii innych.
II. Test wyboru sprawdzający wiedzę z podstawowych pojęć demografii cyfrowej w oparciu o literaturę omawianą na zajęciach.
Prezentacje i aktywność w dyskusji – 50%
Test jednokrotnego wyboru – 50%
Literatura
[Wszystkie prace w tłumaczeniu prowadzącego na j. polski]
Kashyap, R., Zagheni, E. (2023). Leveraging Digital and Computational Demography for Policy Insights. In: Bertoni, E., Fontana, M., Gabrielli, L., Signorelli, S., Vespe, M. (eds) Handbook of Computational Social Science for Policy. Springer, Cham. https://doi.org/10.1007/978-3-031-16624-2_17
Nina Cesare, Hedwig Lee, Tyler McCormick, Emma Spiro, Emilio Zagheni; Promises and Pitfalls of Using Digital Traces for Demographic Research. Demography 1 October 2018; 55 (5): 1979–1999. doi: https://doi.org/10.1007/s13524-018-0715-2
Gil-Clavel, S., & Zagheni, E. (2019). Demographic Differentials in Facebook Usage around the World. Proceedings of the International AAAI Conference on Web and Social Media, 13(01), 647-650. https://doi.org/10.1609/icwsm.v13i01.3263
Sîrbu, A., Andrienko, G., Andrienko, N. et al. Human migration: the big data perspective. Int J Data Sci Anal 11, 341–360 (2021). https://doi.org/10.1007/s41060-020-00213-5
Leasure, D.R., Kashyap, R., Rampazzo, F., Dooley, C.A., Elbers, B., Bondarenko, M., Verhagen, M., Frey, A., Yan, J., Akimova, E.T., Fatehkia, M., Trigwell, R., Tatem, A.J., Weber, I. and Mills, M.C. (2023), Nowcasting Daily Population Displacement in Ukraine through Social Media Advertising Data. Population and Development Review, 49: 231-254. https://doi.org/10.1111/padr.12558
Sironi, M., & Kashyap, R. (2021). Internet access and partnership formation in the United States. Population Studies, 76(3), 427–445. https://doi.org/10.1080/00324728.2021.1999485
Francesco C. Billari, Osea Giuntella & Luca Stella (2019) Does
broadband Internet affect fertility?, Population Studies, 73:3, 297-316, DOI:
10.1080/00324728.2019.1584327
Rowe, R. (2021). Social determinants of health in the Big Data mode of population health risk calculation. Big Data & Society, 8(2). https://doi.org/10.1177/20539517211062881 (Original work published 2021)
Wilde, J., Chen, W., Lohmann, S. and Abdel Ghany, J. (2024), Digital Trace Data and Demographic Forecasting: How Well Did Google Predict the US COVID-19 Baby Bust?. Population and Development Review, 50: 421-446. https://doi.org/10.1111/padr.12647
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: