ID:
500028
Durata (ore):
44
CFU:
6
SSD:
STATISTICA SOCIALE
Anno:
2025
Dati Generali
Periodo di attività
Secondo Semestre (16/02/2026 - 23/05/2026)
Syllabus
Obiettivi Formativi
Obiettivi del Corso
Il corso di Statistica Sociale ha l'obiettivo di fornire agli studenti le competenze necessarie per analizzare dati sociali utilizzando tecniche statistiche avanzate. Tra queste tecniche ci sono l'analisi dei social network, il machine learning e i modelli di linguaggio di grandi dimensioni (LLM). Gli studenti impareranno ad applicare queste metodologie per estrarre informazioni significative dai dati sociali e prendere decisioni informate.
Il corso di Statistica Sociale ha l'obiettivo di fornire agli studenti le competenze necessarie per analizzare dati sociali utilizzando tecniche statistiche avanzate. Tra queste tecniche ci sono l'analisi dei social network, il machine learning e i modelli di linguaggio di grandi dimensioni (LLM). Gli studenti impareranno ad applicare queste metodologie per estrarre informazioni significative dai dati sociali e prendere decisioni informate.
Prerequisiti
Non è prevista una propedeuticità formale. Tuttavia, per seguire il corso con profitto è fortemente consigliato possedere una solida padronanza delle principali nozioni di matematica e statistica di base, tipicamente trattate nei corsi introduttivi delle lauree in economia. In particolare, è utile avere familiarità con alcuni strumenti di calcolo matematico, come il calcolo differenziale (ad esempio derivate di funzioni elementari e interpretazione del tasso di variazione), e con concetti di algebra lineare, quali vettori, matrici, operazioni tra matrici e risoluzione di sistemi lineari.
Dal punto di vista statistico, si presuppone la conoscenza dei concetti fondamentali della statistica descrittiva (media, varianza, distribuzioni), dei principi della statistica inferenziale, inclusi test di ipotesi e intervalli di confidenza, nonché delle basi della regressione lineare semplice e dell’interpretazione dei suoi parametri. Queste competenze costituiscono il background metodologico necessario per comprendere e applicare correttamente gli strumenti analitici presentati nel corso di statistica sociale.
Dal punto di vista statistico, si presuppone la conoscenza dei concetti fondamentali della statistica descrittiva (media, varianza, distribuzioni), dei principi della statistica inferenziale, inclusi test di ipotesi e intervalli di confidenza, nonché delle basi della regressione lineare semplice e dell’interpretazione dei suoi parametri. Queste competenze costituiscono il background metodologico necessario per comprendere e applicare correttamente gli strumenti analitici presentati nel corso di statistica sociale.
Metodi didattici
Lezioni frontali
Le lezioni frontali sono dedicate alla presentazione dei fondamenti teorici dei metodi statistici trattati nel corso. In particolare, durante le lezioni vengono introdotti il quadro concettuale e metodologico per l’analisi dei dati sociali, affrontando temi quali l’analisi delle reti sociali, le tecniche di machine learning e l’utilizzo dei modelli di linguaggio di grandi dimensioni (LLM). Nel corso delle lezioni vengono inoltre discussi i principali modelli, le ipotesi alla base delle metodologie presentate e l’interpretazione dei risultati, anche attraverso esempi applicativi basati su dati sociali reali.
Esercitazioni in aula (programmazione in MATLAB)
Le esercitazioni sono dedicate all’applicazione pratica dei metodi presentati nelle lezioni attraverso attività di programmazione in MATLAB. Durante queste sessioni gli studenti lavoreranno su dataset reali o simulati, apprendendo come effettuare operazioni di preparazione dei dati, implementare algoritmi statistici e di machine learning, analizzare reti sociali e utilizzare modelli di linguaggio per l’estrazione di informazioni da dati testuali.
L’integrazione tra lezioni teoriche ed esercitazioni pratiche è finalizzata al raggiungimento degli obiettivi formativi del corso. Le lezioni forniscono le conoscenze concettuali e metodologiche necessarie per comprendere le tecniche statistiche avanzate, mentre le esercitazioni consentono agli studenti di sviluppare le competenze operative per applicare tali strumenti all’analisi di dati sociali reali. In questo modo, gli studenti acquisiscono sia le basi teoriche sia le capacità pratiche necessarie per estrarre informazioni significative dai dati sociali e supportare processi decisionali basati sui dati.
Le lezioni frontali sono dedicate alla presentazione dei fondamenti teorici dei metodi statistici trattati nel corso. In particolare, durante le lezioni vengono introdotti il quadro concettuale e metodologico per l’analisi dei dati sociali, affrontando temi quali l’analisi delle reti sociali, le tecniche di machine learning e l’utilizzo dei modelli di linguaggio di grandi dimensioni (LLM). Nel corso delle lezioni vengono inoltre discussi i principali modelli, le ipotesi alla base delle metodologie presentate e l’interpretazione dei risultati, anche attraverso esempi applicativi basati su dati sociali reali.
Esercitazioni in aula (programmazione in MATLAB)
Le esercitazioni sono dedicate all’applicazione pratica dei metodi presentati nelle lezioni attraverso attività di programmazione in MATLAB. Durante queste sessioni gli studenti lavoreranno su dataset reali o simulati, apprendendo come effettuare operazioni di preparazione dei dati, implementare algoritmi statistici e di machine learning, analizzare reti sociali e utilizzare modelli di linguaggio per l’estrazione di informazioni da dati testuali.
L’integrazione tra lezioni teoriche ed esercitazioni pratiche è finalizzata al raggiungimento degli obiettivi formativi del corso. Le lezioni forniscono le conoscenze concettuali e metodologiche necessarie per comprendere le tecniche statistiche avanzate, mentre le esercitazioni consentono agli studenti di sviluppare le competenze operative per applicare tali strumenti all’analisi di dati sociali reali. In questo modo, gli studenti acquisiscono sia le basi teoriche sia le capacità pratiche necessarie per estrarre informazioni significative dai dati sociali e supportare processi decisionali basati sui dati.
Verifica Apprendimento
L’esame consiste in un lavoro di gruppo e presentazione in aula:
Gli studenti si suddivideranno in gruppi con lo scopo di raccogliere e analizzare dati riguardanti tematiche attuali. Dovranno preparare un paper di ricerca e una presentazione da esporre in aula davanti ai loro compagni di corso.
Si richiede la creazione di un report dettagliato sul lavoro svolto, con chiara indicazione del contributo individuale di ciascun membro.
Saranno programmati diversi momenti in aula per verificare lo stato di avanzamento del lavoro di gruppo.
Il punteggio finale sarà la somma dei seguenti elementi:
Valutazione della presentazione del lavoro di gruppo (10 punti)
Valutazione del report e dell'articolo (20 punti)
La lode sarà assegnata agli studenti che non solo ottengono il massimo punteggio, ma dimostrano anche un coinvolgimento significativo e attivo nelle attività proposte.
Testi
Dietz, T., & Kalof, L. (2009). Introduction to Social Statistics: The Logic of Statistical Reasoning. Wiley-Blackwell.
Linneman, T. J. (2025). Social Statistics: Managing Data, Conducting Analyses, Presenting Results (5th ed.). Routledge.
Agresti, A., & Finlay, B. (2018). Statistical Methods for the Social Sciences (5th ed.). Pearson.
Moore, D. S., McCabe, G. P., & Craig, B. A. (2017). Introduction to the Practice of Statistics (9th ed.). W. H. Freeman.
Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics (4th ed.). Sage.
MathWorks. (2024). Statistics and Machine Learning Toolbox Documentation. Retrieved from https://www.mathworks.com/help/stats/
Barabási, A.-L. (2016). Network Science. Cambridge University Press.
Hoerl, A. E., & Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55–67.
Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 267–288.
Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301–320.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Linneman, T. J. (2025). Social Statistics: Managing Data, Conducting Analyses, Presenting Results (5th ed.). Routledge.
Agresti, A., & Finlay, B. (2018). Statistical Methods for the Social Sciences (5th ed.). Pearson.
Moore, D. S., McCabe, G. P., & Craig, B. A. (2017). Introduction to the Practice of Statistics (9th ed.). W. H. Freeman.
Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics (4th ed.). Sage.
MathWorks. (2024). Statistics and Machine Learning Toolbox Documentation. Retrieved from https://www.mathworks.com/help/stats/
Barabási, A.-L. (2016). Network Science. Cambridge University Press.
Hoerl, A. E., & Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55–67.
Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58(1), 267–288.
Zou, H., & Hastie, T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301–320.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Contenuti
Modulo 1: Introduzione alla Statistica Sociale
Il primo modulo introduce i fondamenti della statistica sociale, spiegando la sua definizione, importanza e le diverse tipologie di dati sociali. Verranno esaminate le principali fonti di dati sociali e saranno trattate le statistiche descrittive, come le misure di tendenza centrale (media, mediana, moda) e le misure di dispersione (varianza, deviazione standard). Inoltre, si affronteranno i concetti di inferenza statistica e i test di ipotesi.
Modulo 2: Analisi dei Social Network
Il secondo modulo si concentra sull'analisi dei social network, introducendo i concetti base e la rappresentazione dei social network tramite nodi e archi. Si discuteranno i diversi tipi di reti sociali, come le reti egocentriche e sociocentriche. Saranno esaminate le metriche dei social network, incluse misure di grado, centralità e analisi delle componenti connesse. Verranno trattati anche la coesione e la struttura dei gruppi, e si utilizzeranno strumenti e software per la visualizzazione dei social network. Infine, si esploreranno applicazioni pratiche dell'analisi dei social network attraverso studi di caso.
Modulo 3: Machine Learning per la Statistica Sociale
Il terzo modulo introduce il machine learning, spiegando la differenza tra apprendimento supervisionato e non supervisionato, e i processi di machine learning come addestramento, validazione e test. Si approfondiranno tecniche di apprendimento supervisionato, come la regressione lineare e logistica, Lasso Ridge ed Elastic Net, alberi decisionali e Random Forest. Inoltre, si tratteranno metodi di ensemble come Random Forest, LSboost e Bagging, con applicazioni pratiche per la predizione di fenomeni sociali. Nell'apprendimento non supervisionato, si esamineranno tecniche di clustering (K-means e gerarchico) e analisi delle componenti principali (PCA), con applicazioni per la segmentazione dei gruppi sociali. Saranno spiegate le metriche di performance dei modelli di machine learning e le tecniche di validazione incrociata, con particolare attenzione a evitare l’overfitting e l’underfitting.
Modulo 4: Modelli di Linguaggio di Grandi Dimensioni (LLM)
L'ultimo modulo introduce i modelli di linguaggio di grandi dimensioni (LLM), spiegandone la definizione e la storia, oltre alle principali architetture come RNN, LSTM e Transformer. Si discuteranno le applicazioni dei LLM nell'analisi sociale, come la sentiment analysis e l'estrazione di opinioni dai social media, e la generazione automatica di testi e riassunti. Il modulo si conclude con esempi pratici di applicazione dei LLM attraverso studi di caso e esercitazioni pratiche con modelli pre-addestrati come GPT-3 e BERT.
Il primo modulo introduce i fondamenti della statistica sociale, spiegando la sua definizione, importanza e le diverse tipologie di dati sociali. Verranno esaminate le principali fonti di dati sociali e saranno trattate le statistiche descrittive, come le misure di tendenza centrale (media, mediana, moda) e le misure di dispersione (varianza, deviazione standard). Inoltre, si affronteranno i concetti di inferenza statistica e i test di ipotesi.
Modulo 2: Analisi dei Social Network
Il secondo modulo si concentra sull'analisi dei social network, introducendo i concetti base e la rappresentazione dei social network tramite nodi e archi. Si discuteranno i diversi tipi di reti sociali, come le reti egocentriche e sociocentriche. Saranno esaminate le metriche dei social network, incluse misure di grado, centralità e analisi delle componenti connesse. Verranno trattati anche la coesione e la struttura dei gruppi, e si utilizzeranno strumenti e software per la visualizzazione dei social network. Infine, si esploreranno applicazioni pratiche dell'analisi dei social network attraverso studi di caso.
Modulo 3: Machine Learning per la Statistica Sociale
Il terzo modulo introduce il machine learning, spiegando la differenza tra apprendimento supervisionato e non supervisionato, e i processi di machine learning come addestramento, validazione e test. Si approfondiranno tecniche di apprendimento supervisionato, come la regressione lineare e logistica, Lasso Ridge ed Elastic Net, alberi decisionali e Random Forest. Inoltre, si tratteranno metodi di ensemble come Random Forest, LSboost e Bagging, con applicazioni pratiche per la predizione di fenomeni sociali. Nell'apprendimento non supervisionato, si esamineranno tecniche di clustering (K-means e gerarchico) e analisi delle componenti principali (PCA), con applicazioni per la segmentazione dei gruppi sociali. Saranno spiegate le metriche di performance dei modelli di machine learning e le tecniche di validazione incrociata, con particolare attenzione a evitare l’overfitting e l’underfitting.
Modulo 4: Modelli di Linguaggio di Grandi Dimensioni (LLM)
L'ultimo modulo introduce i modelli di linguaggio di grandi dimensioni (LLM), spiegandone la definizione e la storia, oltre alle principali architetture come RNN, LSTM e Transformer. Si discuteranno le applicazioni dei LLM nell'analisi sociale, come la sentiment analysis e l'estrazione di opinioni dai social media, e la generazione automatica di testi e riassunti. Il modulo si conclude con esempi pratici di applicazione dei LLM attraverso studi di caso e esercitazioni pratiche con modelli pre-addestrati come GPT-3 e BERT.
Lingua Insegnamento
Italiano
Altre informazioni
NOTA: le studentesse/ studenti iscritte/i al programma "Modalità didattiche inclusive" sono pregate/i di contattare il Docente e il Referente del Corso di Laurea al fine di valutare le esigenze specifiche e definire azioni di supporto mirate.
Corsi
Corsi (2)
ECONOMIA
Laurea
3 anni
MANAGEMENT
Laurea
3 anni
No Results Found
Persone
Persone
No Results Found