In diesem Workshop erhalten die Teilnehmer eine Einführung in Digital Trace Data und deren Erhebung (Block 1) sowie in die Analyse von Digital Trace Data, insbesondere von Text Data (Block 2).

Unsere eingeladenen Referenten sind:

    Prof. Dr. Frauke Kreuter _a,b
    Dr. Anna-Carolina Haensch _a
    Prof. Dr. Christoph Kern _a,c
    Clara Strasser Ceballos _a

_{a Ludwig-Maximilians-Universität München
b Universität von Maryland
c Mannheimer Zentrum für Europäische Sozialforschung}

Wann und wo

Datum und Uhrzeit:

26. Juni 2024, 10:00 - 17:00 Uhr MEZ
27. Juni 2024, 10:00 - 17:00 Uhr MEZ
28. Juni 2024, 10:00 - 17:00 Uhr MEZ

Ort: Essen (vor Ort)

Wie man sich anmeldet

Um sich für den Workshop anzumelden, senden Sie bitte eine E-Mail an workshop.fairtu-dortmundde. Bitte geben Sie Ihren Namen, Ihre Institution (z.B. TU Dortmund), Ihren Fachbereich (z.B. Fakultät für Sozial­wissen­schaften), Ihren Status (z.B. Doktorand, Postdoc) und einen kurzen Überblick über Ihre Erfahrungen und Ihre Ziele in Bezug auf Digital Trace Data in der sozialwissenschaftlichen Forschung an (max. 100 Wörter).

Die Frist für die Anmeldung ist der 31. Mai 2024.

Der Workshop " Digital Trace Data in Social Science Research" gliedert sich in zwei Hauptteile:

1. Überblick über Digital Trace Data:  In diesem Abschnitt werden Digital Trace Data vorgestellt und verschiedene Quellen wie E-Learning-Systeme, Websites, Smartphone-Apps und Sensoren in Wearables untersucht. Zu den wichtigsten Aspekten gehören die typischen Merkmale dieser Daten, die Datenqualität und ihr Potenzial für die sozial- und kulturwissenschaftliche Forschung sowie die Voraussetzungen für die Nutzung dieser Potenziale. Besonderes Augenmerk wird auf Social-Media-Daten von Plattformen wie YouTube, Reddit und TikTok gelegt. Die Veranstaltung umfasst sowohl theoretische Diskussionen als auch praktische Übungen zur Datenerhebung mit der statistischen Programmiersprache R.
2. Analyse von Digital Trace Data: Der zweite Abschnitt befasst sich mit der Analyse der zuvor besprochenen Daten. Er beginnt mit einer Einführung in das supervised und unsupervised machine learning und behandelt Anwendungsfälle und Methoden. Anschließend wird auf spezifische Anwendungen eingegangen: Text classification models (ein Beispiel für überwachtes Lernen) und topic modeling (ein Beispiel für unüberwachtes Lernen). Die Teilnehmer werden praktische R-Übungen durchführen, um ihr Wissen zu festigen. Der Workshop schließt mit einem zukunftsweisenden Abschnitt, der die Anwendung dieser Methoden auf andere Datenformate untersucht, z. B. die Analyse offener Antworten in traditionellen Umfragedaten.

Weitere Informationen und die Möglichkeit zur Anmeldung finden Sie hier

oder direkt auf der FAIR-Website