Bu ders, öğrencilere R programlama dilini kullanarak bilgisayımsal sosyal bilim (BSS) yaklaşımları ve araçları hakkında kuramsal ve yöntemsel bilgi sahibi olmalarına yardımcı olmayı amaçlamaktadır. Öğrenciler, haftalık okumaları tamamlayarak ve sınıf içi kodlama alıştırmalarına katılarak, BSS alanında pratik beceriler kazanacaklardır. Ders, Siyaset Bilimi ve Uluslararası İlişkiler alanından uygulamalı örnekler kullanacak olmasına rağmen, genelde sosyal bilimlerle ilgilenen öğrenciler için de yararlı ve bilgilendirici olacaktır.
Bu ders, R programlama dili kullanarak öğrencilere BSS yaklaşımları ve araçlarına dair kuramsal ve yöntemsel bir yakınlık kazandırmayı hedeflemektedir. Öğrenciler, haftalık okumaları tamamlayarak ve sınıf içi kodlama alıştırmalarına katılarak BSS'de pratik beceriler kazanacaklardır. Siyaset Bilimi ve Uluslararası İlişkiler alanından uygulamalı örneklerin kullanılacağı bu ders, bilgisayar ve istatistik tabanlı analizlere dair bir ön bilgi birikimi olmayan fakat bu yönelimde ilerleme isteği olan öğrenciler için geliştirilmiştir. Kapsanan konular arasında veri işleme ve görselleştirme, web kazıma, mekansal analiz, metin ve görüntü veri çerçevelerinin temelleri, ağ analizi ve nedensel çıkarsamada makine öğrenimi kullanımı yer almaktadır. Dersler yüz yüze islenecek ve sınıf içi birçok uygulama ve testi bünyesinde barındıracaktır. Dersin sonunda, öğrenciler R'da pratik deneyim kazanacak, akademide ve endüstride veri bilimi konusunda ilerlemeleri için gerekli temel düzeyi yakalamaları sağlanacaktır.
Dikey Sekmeler
Dersin Öğrenme Çıktıları
| Dersin Öğrenme Çıktıları | Program Öğrenim Çıktıları | Öğretim Yöntemleri | Ölçme Yöntemleri |
| BSS'nin tarihsel gelişimini kavrayarak, CSS'nin temel ilkeleri ve araştırma yöntemlerini öğrenme | 1, 5-7, 9-14 | 1,2,3 | A,B |
| İnsanların tutum ve davranışlarını analiz etmede BSS'nin etkinliğini değerlendirebilme | 5-7, 9-15 | 1,2,3 | A,B |
| Çeşitli veri yapılarının (panel, zaman serisi, mekansal, ağ, metin ve görüntü de dahil olmak üzere) anlamlandırılması | 2-7, 9-15 | 1,2,3 | A,B |
| R programlama dili kullanarak veri işleme, analiz ve görselleştirme becerilerini kazanma | 2-7, 9-15 | 1,2,3 | A,B |
| R programlama dilinde basit programlar yazma becerisi kazanma | 2-7, 9-15 | 1,2,3 | A,B |
| Performans sorunlarını tespit edebilmek için bilgisayar kodlarını profilleyebilme ve sorunlu satırları/parçaları tanımlama | 2-7, 9-15 | 1,2,3 | A,B |
Dersin Akışı
| DERS AKIŞI | ||
| Hafta | Konular | Ön Hazırlık |
| 1 | Bilgisayımsal Sosyal Bilime ve R'a Giriş |
[3] Lazer, D., Pentland, A. S., Adamic, L., Aral, S., Barabasi, A. L., Brewer, D., … & Jebara, T. (2009). Life in the network: The coming age of computational social science. Science, 323(5915), 721-3. DOI: 10.1126/science.1167742
[2] Lazer, D., Hargittai, E., Freelon, D., Gonzalez-Bailon, S., Munger, K., Ognyanova, K., & Radford, J. (2021). Meaningful measures of human society in the twenty-first century. Nature, 595, 189-196. DOI: s41586-021-03660-7
[1] Grimmer, J. (2015). We are all social scientists now: How big data, machine learning, and causal inference work together. PS: Political Science & Politics, 48(1), 80-83. DOI: 10.1017/S1049096514001784 |
| 2 | R’da Veri Yönetimi | [1] Llaudet, E. & Imai, K. (2022). Data analysis for social science: A friendly and practical introduction (pp. 1-26, 47-50, 90-96, 126-128, 159-161, 192-195, 226-229). Princeton University Press. |
| 3 | R’da Veri Görselleştirme | [1] Healy, K. (2019). Data visualization: A practical introduction (pp. 54-92). Princeton University Press. |
| 4 | R'da Mekansal Analizin Temel Öğeleri | [1] Lansley, G. & Cheshire, J. (2016). An introduction to spatial data analysis and visualization in R (pp. 39-69). The Consumer Data Research Centre. |
| 5 | R’da Uygulama Programlama Arabirimi ve Web Kazıma | [1] Salganik, M. (2017). Bit by bit: Social research in the digital age (pp. 1-83). Princeton University Press. |
| 6 | Çevrimiçi Anket ve Anket Deneyleri: R ile Hazırlık ve Analizler |
[3] Zhang, B., Mildenberger, M., Howe, P. D., Marlon, J., Rosenthal, S. A., & Leiserowitz, A. (2020). Quota sampling using Facebook advertisements. Political Science Research and Methods, 8(3), 558-564. DOI: 10.1017/psrm.2018.49
[2] Beauchamp, N. (2017). Predicting and interpolating state-level polls using Twitter textual data. American Journal of Political Science, 61(2), 490–503. DOI: 10.1111/ajps.12274
[1] Guess, A. M. (2021). Experiments using social media data. In J. N. Druckman & D. P. Green (Eds.), Advances in experimental political science (pp. 184-198). Cambridge University Press. DOI: 10.1017/9781108777919.013 |
| 7 | R ile Metin Verilerinin Temel Analizine Giriş |
[3] Wilkerson, J. & Casas, A. (2017). Large-scale computerized text analysis in political science: Opportunities and challenges. Annual Review of Political Science, 20, 529-44. DOI: 10.1146/annurev-polisci-052615-025542
[2] Grimmer, J. (2022). Text as data: A new framework for machine learning and the social sciences (pp.13-32). Princeton University Press.
[1] Benoit, K., Watanabe, K., Wang, H., Nulty, P., Obeng, A., Müller, S., & Matsuo, A. (2018). quanteda: An R package for the quantitative analysis of textual data. Journal of Open Source Software, 3(30), 774-774. DOI: 10.21105/joss.00774 |
| 8 | Ara Sınav | |
| 9 | R'da Metin Verilerinin İstatistiksel Analizleri |
[3] Grimmer, J., & Stewart, B. M. (2013). Text as data: The promise and pitfalls of automatic content analysis methods for political texts. Political Analysis, 21(3), 267-297. DOI: 10.1093/pan/mps028
[2] Grimmer, J. (2022). Text as data: A new framework for machine learning and the social sciences (pp.48-77). Princeton University Press.
[1] Denny, M. J., & Spirling, A. (2018). Text preprocessing for unsupervised learning: why it matters, when it misleads, and what to do about it. Political Analysis, 26(2): 168-189. DOI: 10.1017/pan.2017.44 |
| 10 | R ile Sözlük Tabanlı Metin Analizleri |
[3] Tausczik, Y. R., & Pennebaker, J. W. (2010). The psychological meaning of words: LIWC and computerized text analysis methods. Journal of Language and Social Psychology, 29(1), 24-54. DOI: 10.1177/0261927X09351676
[2] Grimmer, J. (2022). Text as data: A new framework for machine learning and the social sciences (pp.171-83). Princeton University Press.
[1] Barberá, P., Boydstun, A. E., Linn, S., McMahon, R., & Nagler, J. (2021). Automated text classification of news articles: A practical guide. Political Analysis, 29(1), 19-42. DOI: 10.1017/pan.2020.8 |
| 11 | R ile Metin Verilerinin Ölçeklendirilmesi ve Sınıflandırılması |
[3] Watanabe, K. (2021). Latent semantic scaling: A semisupervised text analysis technique for new domains and languages. Communication Methods and Measures, 15(2), 81-102. DOI: 10.1080/19312458.2020.1832976
[2] Klemmensen, R., Hobolt, S. B., & Hansen, M. E. (2007). Estimating policy positions using political texts: An evaluation of the Wordscores approach. Electoral Studies, 26(4), 746-755. DOI: 10.1016/j.electstud.2007.07.006
[1] Grimmer, J. (2022). Text as data: A new framework for machine learning and the social sciences (pp.184-217). Princeton University Press. |
| 12 | R'da Görüntülerin Veri Olarak Kullanımına Giriş |
[2] Ooms, J. (2022). tesseract: Open Source OCR Engine. The Comprehensive R Archive Network.
[1] Joo, J., & Steinert-Threlkeld, Z. C. (2022). Image as data: Automated content analysis for visual presentations of political actors and events. Computational Communication Research, 4(1), 11-67. DOI: 10.5117/CCR2022.1.001.JOO |
| 13 | R'da Ağ Analizinin ve Görselleştirmesinin Temelleri |
[3] Bail, C. A., Guay, B., Maloney, E., Combs, A., Hillygus, D. S., Merhout, F., ... & Volfovsky, A. (2020). Assessing the Russian Internet Research Agency’s impact on the political attitudes and behaviors of American Twitter users in late 2017. Proceedings of the National Academy of Sciences, 117(1), 243-250. DOI: 10.1073/pnas.1906420116
[2] Lazer, D. (2011). Networks in political science: Back to the future. PS: Political Science & Politics, 44(1), 61-68. DOI: 10.1017/S1049096510001873
[1] Fowler, J. H., Heaney, M. T., Nickerson, D. W., Padgett, J. F., & Sinclair, B. (2011). Causality in political networks. American Politics Research, 39(2), 437-80. DOI: 10.1177/1532673X10396310 |
| 14 | R ile Nedensel Çıkarımda Makine Öğrenmesi: Nedensel Ormanlar |
[3] Wuttke, A. (2021). The pleasure principle: Why (some) people develop a taste for politics: Evidence from a preregistered experiment. Politics and the Life Sciences, 40(1), 19-39. DOI: 10.1017/pls.2020.18
[2] Athey, S., & Wager, S. (2019). Estimating treatment effects with causal forests: An application. Observational Studies, 5(2), 37-51. DOI: 10.1353/obs.2019.0001
[1] Athey, S., Tibshirani, J., & Wager, S. (2019). Generalized random forests. Annals of Statistics, 47(2): 1148–78. DOI: 10.1214/18-AOS1709 |
| 15 |
Konuları Gözden Geçirme ve
Son Sınav için Hazırlık |
|
| 16 | Son Sınav | |
Kaynaklar
| KAYNAKLAR | |
| Temel Kaynak | - |
| Diğer Kaynaklar | GESIS – Leibniz Institute for the Social Sciences (n.d.) Awesome computational social science. https://github.com/gesiscss/awesome-computational-social-science |
Materyal Paylaşımı
| MATERYAL PAYLAŞIMI | |
| Dökümanlar | - |
| Ödevler | - |
| Sınavlar | - |
Değerlendirme Sistemi
| DEĞERLENDİRME SİSTEMİ | ||
| YARIYIL İÇİ ÇALIŞMALARI | SAYI | KATKI YÜZDESİ |
| Ara Sınav | 1 | % 32 |
| Derse Katılım | 14 | % 2 |
| Toplam | 100 | |
| Finalin Başarıya Oranı | % 40 | |
| Dönem içi Çalışmaların Başarıya Oranı | % 60 | |
| Toplam | 100 | |
Dersin Program Çıktılarına Katkısı
| DERSİN PROGRAM ÇIKTILARINA KATKISI | |||||||
| No | Program Öğrenme Çıktıları | Katkı Düzeyi | |||||
| 1 | 2 | 3 | 4 | 5 | |||
| 1 | Siyaset Bilimi ve Uluslararası İlişkiler disiplininin ve etkileşimde olduğu hukuk, ekonomi, sosyoloji gibi disiplinlerin temel kavram ve kuramlarına hâkim olduğunu gösterir. | X | |||||
| 2 | Ulusal, uluslararası ve ulus-ötesi oluşumların yapısını, kurumlarını ve işleyişlerini, siyaset bilimi ve uluslararası ilişkiler kavram ve kuramları kullanarak yorumlar ve gerektiğinde çözümler içeren projeler üretebilir. | X | |||||
| 3 | İnsan toplulukları ve siyasal sistemler arasında benzerlik ve farklılıkları anlayıp, yorumlayacak düzeyde karşılaştırmalı, analitik ve disiplinlerarası bir bakış açısına sahip olduğunu gösterir. | X | |||||
| 4 | Program sürecinde ekip veya bağımsız araştırma projeleri, staj, tez gibi yöntemlerle sorumluluk alma ve ekip çalışması bilinç ve becerilerini geliştirir. | X | |||||
| 5 | Niteliksel ve niceliksel veri toplama ve analiz yöntemlerinde yetkin olduğunu gösterir. | X | |||||
| 6 | Uluslararası ve ülke içi dinamiklerin değişkenliğini göz önünde bulundurarak kişisel ve profesyonel gelişimi için bilgi güncellemenin, yaşam boyu öğrenmenin ve yaratıcı çözümler üretebilmenin önemini anladığını gösterebilir. | X | |||||
| 7 | Analitik ve eleştirel bir bakış açısıyla siyaset bilimi alanında edindiği bilgileri ve kendi eksikliklerini değerlendirebilir, böylelikle eksikliklerini gidermek için öğrenimini yönlendirebilir. | X | |||||
| 8 | Akademik ve profesyonel ortamlarda, İngilizce ve Türkçe, yazılı ve sözlü iletişim becerilerini kullanabilir. | X | |||||
| 9 | Uluslararası kuramsal düzeyde ve küresel dinamikleri takip edebilecek düzeyde İngilizce yazma, konuşma ve okuma bilgi ve becerisine sahip olduğunu gösterebilir. | X | |||||
| 10 | Kamuda, özel sektörde istihdam edilebilecek ya da akademik kariyere devam edebilecek deneyim ve sosyal niteliklere sahip olduğunu gösterir. | X | |||||
| 11 | Kendi yetiştiği toplumsal çevrenin dışındaki diğer topluluklara karşı empati ve saygı geliştirmiş olduğunu gösterebilir. | X | |||||
| 12 | Sosyal Bilimlerde geçerliliği ve yaygın kullanımı olan bilişim teknolojilerini etkin şekilde kullanabilir. | X | |||||
| 13 | Uluslararası akademisyenler ve öğrencilerle akademik bilgi alışverişi içerisinde olarak, uluslararası ve ülke içi meselelere dair görüş belirtebilir ve olayları yorumlayabilir. | X | |||||
| 14 | Toplumsal, bireysel ve akademik etik kurallarına riayet eder. | X | |||||
| 15 | Sosyal sorumluluk kavramının bireysel, toplumsal ve ekolojik boyutlarını bilir, bu çerçeve içinde üzerine düşen aktif vatandaşlık ve hemşehrilik görevlerini anladığını gösterebilir. | X | |||||
| 16 | Çağdaş toplumların esasını oluşturan sosyal-siyasal, hukuki hakların evrenselliği ve sosyal adalet kavramlarını, toplumsal gelişmenin ve küresel rekabet edebilirliğin gereği olan bilimsel bakış açısının önemini anladığını gösterebilir. | X | |||||
AKTS İş Yükü Tablosu
| AKTS / İŞ YÜKÜ TABLOSU | |||
| Etkinlik | SAYISI |
Süresi (Saat) |
Toplam İş Yükü (Saat) |
| Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) | 16 | 3 | 48 |
| Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, pekiştirme) | 16 | 3 | 48 |
| Ara Sınav | 1 | 7 | 7 |
| Sınıf İçi Ders Çalışma Süresi | 14 | 1 | 14 |
| Final | 1 | 8 | 8 |
| Toplam İş Yükü | 125 | ||
| Toplam İş Yükü / 25 (s) | 5 | ||
| Dersin AKTS Kredisi | 5 | ||