Titel |
Datadesign, Multiple Korrespondanceanalyse og R (Videregående metodekursus - indsamling, behandling og analyse af data)
|
Oversat titel |
Advanced methodology course - collection, treatment and analysis of data |
Semester |
F2023
|
Kandidatuddannelse i |
Socialvidenskab * / Virksomhedsstudier * / Politik * / Politik og Forvaltning * / Virksomhedsledelse * / Politik og Forvaltning / Socialvidenskab / Virksomhedsledelse
|
Aktivitetstype |
Valgfrit |
Undervisningssprog |
Dansk
|
Studieordning |
|
TILMELDING OG STUDIEADMINISTRATIV DATA | |
Tilmelding |
|
Deltagerantal |
|
ECTS |
5
|
Aktivitetsansvarlig | |
Studieleder |
Kenneth Reinicke (kennethr@ruc.dk)
|
Undervisere |
|
Studieadministration |
ISE Tilmelding & Eksamen (ise-eksamen@ruc.dk)
|
Aktivitetsnummer |
U60403
|
FAGLIGT INDHOLD | |
Overordnet formål |
Et videregående kursus i samfundsvidenskabelige metoder har til formål at dygtiggøre de studerende til kompetent at kunne vælge og anvende en given metode til indsamling, behandling og analyse af data til belysning af en faglig problemstilling. Kurset gør de studerende i stand til at argumentere for metodens anvendelighed og relevans i forhold til problemstillingen og sætte dem i stand til at mestre metodens teknikker på et professionelt niveau. |
Uddybende beskrivelse |
DMR Kurset har tre hovedformål. At introducere til Multiple Korrespondance Analyse (MCA) som et stærkt og robust alternativ til Standardiserede Kausal Analyser (SCA). SCA bygger på dels en quasi-eksperimentel epistemologi dels på en procedurebunden model-test tilgang (via varianter af regressionsanalyser). I modsætning hertil bygger MCA på en samfundsvidenskabelig og relationel epistemologi som afsæt for sociologisk analyse af ligheder og forskelle i store datasæt med mange variable. Og i MCA i modsætning til SCA så ses disse mange variable i relation til hinanden samtidig og ikke hver for sig. Mao. det er systemer af forskelle der er i centrum for MCA og ikke enkelte variable. På denne måde er MCA lidt svært til at begynde med, men når man først har forstået logikken, er det et mere intuitivt og praktisk orienteret statistisk paradigme, der sætter 'faktiske relationer mellem data' og ikke 'prækonstruerede modeller i centrum'. At introducere til R som programmet til at lave MCA med. R er et open source sprog/platform der tillader statistiskprogrammering med meget høje grader af frihed til at omforme og behandle data på som man ønsker det. Samtidig er man ikke bundet af de kommercielle pakkers begrænsninger. Endelig giver R mulighed for en fantastisk grafisk/visuel fremstilling af store datamængder. At lære R-programmering kan godt opleves som en udfordring men der sættes tid af i selve kurset til at køre mange øvelser og opgaver i R og der stilles R moduler til rådighed som i kan tage afsæt i. Det betyder at der ikke er forventning om at i skal kunne alting selv fra grunden eller at i man skal være fortrolig med programering før kurset – R er tænkt som et sprog/platform hvor man hele tiden ‘låner fra’, 'copy-paster' og ‘hjælper’ hinanden. Men kurset kræver dog en nysgerrighed overfor og mod på programmering. At introducere til datadesign med afsæt i MCA. Med en overflod af tilgængelige data bliver det en selvstændig problemstilling eller en særlig udfordring, at koble refleksion over datadesign og dataproduktion med de metoder der anvendes (her MCA) og de teorier der bringes i spil i analysen (her Bourdieus begreber om felt, kapital og habitus). Mao. det er af central betydning for vores resultater og analyser hvordan vi kobler datadesign, dataproduktion, teorier og metoder for at sikre den videnskabelige kvalitet. Forudsætningsniveauet for kurset er grundkurset i kvantitativ metode fra sam.bac. (BK8) eller tilsvarende. Så hvis du har BK8 eller lig. er du niveaumæssigt godt kørende. Som nævnt kan dem af jer der ikke er bekendte med R eller programmering/scripting/kodning godt opleve et 'kode-chok' DON'T PANIC! Der er helt styr på det og det er helt normalt. Hvis man gerne vil forberede sig er det en go ide at finde en udgave af R for dummies på nettet eller gå indforbi youtube og søge på introduktioner til R-studio og blive fortrolig med det inden kursusstart, men det er ikke et krav. Det er en klar forventning at der mellem hver/til hver kursusgang arbejdes med de øvelser der lægges ud på moodle. Pensum til kurset er ganske kort for netop at give jer tid til at arbejde med øvelserne. Typisk vil det være en fordel at lave øvelserne efter hver kursusgang i en studiegruppe, medmindre vi har skrevet andet. Samtidig er det ikke alle øvelser der vil blive gennemgået i undervisningen – da dette ikke vil kunne nås og ikke vil give mening i praksis. R øvelserne er vigtige fordi den eneste måde man lærer et programmeringssprog på er ved at bruge det. Der er løsninger til mange af øvelserne og dem får I med det samme - så I ikke kommer til at sidde fast. |
Pensum |
Brigitte Le Roux & Henry Rouanet (2010) Multiple Correspondence Analysis, Series in Quantitative Applications in the Social Sciences no 163, SAGE university Paper. REX e-bog udgave Link Henry Rouanet, Werner Ackermann & Brigitte Le Roux (2004) THE GEOMETRIC ANALYSIS OF QUESTIONNAIRES: The Lesson of Bourdieu's La Distinction. Bulletin de Méthodologie Sociologique, 2000, 65, 5-15.] Duval, Julien. “Correspondence Analysis.” The SAGE Handbook of Cultural Sociology, 2016, 255. Duval, Julien, (2017) Multiple Correspondence Analysis, Politika https://www.politika.io/en/notice/multiple-correspondence-analysis |
Tilrettelæggelse og indsats |
Aktivitetsformer: Holdundervisning/forelæsninger/underviseroplæg der sigter på at bearbejde læst litteratur. Herunder vil der forekomme mindre øvelser i grupper med afsæt i den aktuelle litteratur og forelæsningen og med mulighed for at få feedback fra holdunderviser på gruppearbejdet. Der er samtidig også fokus på at der kan stille spørgsmål til holdundervisningen og den læste litteratur mm. Det forventes at i som studerende deltager aktivt med at tage noter, lave de mindre øvelser og ved at stille uddybende spørgsmål til underviseren. Øvelser med det formål er at i som studerende får mulighed for at sætte jeres egen viden i spil og konkrete arbejde med MCA og R. Hjemmeopgaver og øvelser. I forbindelse med kursusarbejdet vil der undervejs være en del hjemme øvelser og opgaver med det formål at lære og blive fortrolige med R. Det er en klar forventning at de studerende bruger tiden på disse opgaver/øvelser. ECTS deklaration: Holdundervisning: 20 timer Forberedelse: 70 timer til litteratur (ca. 1-2 timer pr. kursusgang mere i begyndelsen) og øvelser (ca. 5-6 timer pr. gang en del til første gang men eller mere mod slutningen). Eksamen: 45 timer Timer i alt: 135 timer. |
Udbudsformat |
|
Undervisningsevaluering |
Aktiviteten evalueres regelmæssigt ud fra studienævnets evalueringsprocedure. Den aktivitetsansvarlige vil blive orienteret om en eventuel evaluering af aktiviteten ved semesterstart se link til studienævnets evalueringspraksis her https://intra.ruc.dk/nc/for-ansatte/organisering/raad-naevn-og-udvalg/oversigt-over-studienaevn/studienaevn-for-samfundsstudier/arbejdet-med-kvalitet-i-uddannelserne. |
Program |
Programmet vil fremgå på Moodle. |
BEDØMMELSE | |
Læringsmål |
Efter endt kursus vil de studerende:
|
Prøveform |
Individuel skriftlig hjemmeopgave.
Hjemmeopgaven skal have et omfang på 14.400-19.200 tegn inkl. mellemrum. Omfangskravene er inklusive eventuel forside, indholdsfortegnelse, litteraturliste, figurer og andre illustrationer, men eksklusive eventuelle bilag. Hjemmeopgavens varighed er 7 dage inkl. evt. weekend og helligdage. Bedømmelse: 7-trinsskala |
Omprøveform |
Samme som ordinær eksamen / same form as ordinary exam
|
Prøveform ved særlige tilfælde |
|
Prøveform og bedømmelses-kriterier (udmøntet) |
Kan reflekterer kritisk over MCA metodens styrker og svagheder i forhold til at designe- og analysere data via en konkret case. Demonstrerer evnen til sikkert og selvstændigt at anvende MCA i forhold til en relevant faglig problemstilling med udgangspunkt i R. Demonstrerer evnen til sikkert og selvstændigt at anvende grundlæggende funktioner og supplerende teknikker i MCA ved hjælp af R. Præsentere resultater opnået gennem anvendelse af aktivt datadesign og MCA på data på en korrekt og faglig præcis måde med udgangspunkt i en klar problemformulering og med anvendelse af centrale begreber. |
Eksamenskode(r) | |
Sidst ændret | 06/03/2023 |