Corso di laurea

Data Analytics Per L’Economia E La Società

Università degli Studi Gabriele D'Annunzio · 29 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Introduzione Alla Programmazione 1° anno · 9 CFU · INFO-01/A · 0 file

Obiettivo del corso è insegnare i fondamenti della programmazione strutturata utilizzando Python come linguaggio di programmazione. Non è obiettivo del corso insegnare la programmazione ad oggetti, che sarà invece uno…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

Obiettivo del corso è insegnare i fondamenti della programmazione strutturata utilizzando Python come linguaggio di programmazione. Non è obiettivo del corso insegnare la programmazione ad oggetti, che sarà invece uno dei punti centrali del corso di Programmazione e Algoritmi 2.

RISULTATI DI APPRENDIMENTO ATTESI

CONOSCENZA E CAPACITÀ DI COMPRENSIONE

Alla fine dell’insegnamento lo studente dovrà essere in grado di:

  • illustrare il funzionamento di base di un calcolatore elettronico e il significato di algoritmo;
  • illustrare il concetto di complessità computazionale asintotica di un algoritmo;
  • illustrare i fondamenti della programmazione strutturata;
  • illustrare le funzioni più importanti della libreria standard Python per la manipolazione di stringhe, i calcoli matematici, l'input e l'output;
  • illustrare le caratteristiche e l'utilizzo delle principali strutture dati predefinite in Python: liste, insiemi e dizionari;
  • esporre il funzionamento degli algoritmi di ricerca lineare e binaria e degli algoritmi di ordinamento più comuni.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE

Alla fine dell’insegnamento lo studente dovrà essere in grado di:

  • determinare manualmente la traccia di esecuzione di un programma in Python;
  • scrivere semplici programmi strutturati in Python;
  • calcolare la complessità computazionale asintotica di un algoritmo.

ABILITÀ DI COMUNICAZIONE

Alla fine dell’insegnamento lo studente dovrà essere in grado di spiegare il funzionamento di programmi e algoritmi usando un linguaggio corretto e preciso.

CAPACITÀ DI APPRENDERE

Alla fine dell'insegnamento lo studente dovrà essere in grado di:

  • iimparare in maniera autonoma ad utilizzare linguaggi di programmazione diversi da Python, purché basati sullo stesso paradigma (programmazione imperativa strutturata con tipizzazione dinamica), quali JavaScript, PHP, Ruby, etc...

Obiettivo di questo insegnamento è completare la preparazione acquisita con l'insegnamento di "Programmazione e Algoritmi 1", integrandola con esercitazioni in laboratorio. Vengono qui indicate solo le conoscenze e capacità che lo studente acquisirà in maniera specifica in questo insegnamento.

RISULTATI DI APPRENDIMENTO ATTESI

CONOSCENZA E CAPACITÀ DI COMPRENSIONE

Alla fine dell’insegnamento lo studente dovrà essere in grado di:

  • spiegare il funzionamento generale e scopo di interpreti, compilatori, ambienti di sviluppo e debugger;
  • illustrare gli strumenti che Python mette a disposizione per documentare il codice.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE:

Alla fine dell’insegnamento lo studente dovrà essere in grado di:

  • utilizzare un ambiente di sviluppo per la realizzazione di programmi Python;
  • utilizzare un debugger;
  • interagire con l'interprete Python in maniera interattiva o tramite notebook;
  • consultare la documentazione delle funzioni e delle classi della libreria standard di Python;
  • documentare correttamente il proprio codice.

CAPACITÀ DI APPRENDERE

Alla fine dell’insegnamento lo studente dovrà essere in grado di:

  • imparare in maniera autonoma ad utilizzare nuove librerie Python, purché non facciano utilizzo di tecniche di programmazione ad oggetti eccessivamente avanzate.

Programma

Programmazione imperativa in Python

Nessuno

Didattica frontale ed esercitazioni al computer utilizzando il programma Python di dominio pubblico.

Modalità d'esame

Esame scritto e orale

Testi di riferimento

Cay S. Horstmann, Rance D. Necaise. Concetti di informatica e fondamenti di Python, 2° edizione. Apogeo Education

Cay S. Horstmann, Rance D. Necaise. Concetti di informatica e fondamenti di Python (2° edizione). Apogeo Education

Codice insegnamento 27427_631L-25-25_203818_451827

Introduzione Alla Statistica 1° anno · 9 CFU · STAT-01/A · 0 file

Il corso Introduzione alla Statistica si suddivide in due moduli. Il modulo di Analisi Esplorativa dei Dati mira a fornire le basi metodologiche per l'utilizzo di strumenti statistici atti ad esplorare fenomeni…

Scheda dell'insegnamento

Obiettivi formativi

Il corso Introduzione alla Statistica si suddivide in due moduli.
Il modulo di Analisi Esplorativa dei Dati mira a fornire le basi metodologiche per l'utilizzo di strumenti statistici atti ad esplorare fenomeni economici, sociali e di altra natura. Gli studenti acquisiranno conoscenze e competenze per condurre analisi esplorative e descrittive dei dati, supportando così il processo decisionale.
Il modulo di Elaborazione e Visualizzazione dei Dati in R intende fornire una formazione tecnica orientata alla programmazione e all'uso del software R per estrarre informazioni dai dati e comunicarle efficacemente tramite visualizzazioni grafiche. Gli studenti saranno in grado di creare report statistici e visualizzazioni intuitive per una comunicazione efficace dei risultati.
RISULTATI DI APPRENDIMENTO ATTESI

CONOSCENZA E COMPRENSIONE
Il corso mira a fornire una comprensione solida dei concetti statistici fondamentali, tra cui distribuzione di frequenza, forma delle distribuzioni, rappresentazioni grafiche, misure di tendenza centrale, misure di dispersione e misure di associazione. Inoltre, verrà introdotto il linguaggio di programmazione R, insieme alla conoscenza dell'ambiente statistico R e ai principi base della progettazione grafica e visualizzazione dei dati.
CAPACITà DI APPLICARE CONOSCENZA E COMPRENSIONE
Al termine del corso gli studenti saranno in grado di:

  • Calcolare e interpretare misure di tendenza centrale, dispersione e associazione.
  • Descrivere le caratteristiche delle distribuzioni di dati.
  • Utilizzare vari tipi di grafici per rappresentare i dati.
  • Applicare concetti e tecniche di statistica descrittiva per condurre analisi esplorative su fenomeni reali.
  • sviluppare scripting in R per importare, pulire e trasformare dati prima dell'analisi.
  • sviluppare scripting in R per l'elaborazione dei dati e la creazione di grafici.
  • Creare report statistici e presentazione efficace dei risultati.
    ABILITà COMUNICATIVE
    Al termine del corso gli studenti avranno sviluppato la capacità di utilizzare un linguaggio statistico appropriato; gli studenti saranno in grado di comunicare in modo chiaro ed efficace le informazioni derivanti dall'analisi dei dati anche per chi non ha una formazione statistica.
    Inoltre gli studenti saranno in grado di utilizzare vari strumenti di presentazione tra cui l'uso del software per creare grafici e visualizzazioni dei dati, report e presentazioni multimediali sia in contesti accademici che professionali.
    AUTONOMIA DI GIUDIZIO
    Il corso mira a sviluppare un'autonomia di giudizio che consenta agli studenti di:
  • Selezionare lo strumento e le tecniche di sintesi dei dati più appropriati in funzione del tipo di dati che hanno a disposizione (numerici, categorici, temporali, ecc.) e degli obiettivi che si pongono nella loro ricerca.
  • Interpretare i risultati ottenuti riconoscendo eventuali limiti dei metodi utilizzati e i loro punti di forza
  • Selezionare lo strumento adeguato nei diversi contesti applicativi, ad esempio la scelta del tipo di grafico appropriato in base alla natura dei dati e all'informazione che vogliono comunicare
  • Sviluppare una capacità critica nell'interpretazione dei dati, sapendo mettere in discussione i risultati alla luce di eventuali bias, errori di campionamento, o influenze esterne.
    CAPACITÀ DI APPRENDIMENTO
    Attraverso le esercitazioni pratiche gli studenti hanno l'opportunità di applicare concretamente le conoscenze teoriche acquisite durante le lezioni in modo da consolidarne la comprensione e identificare eventuali aree in cui necessitano di ulteriore chiarimento o approfondimento.
    Al termine del corso gli studenti saranno in grado di apprendere in modo autonomo e indipendente, senza la necessità di una guida costante. Questo include la capacità di cercare informazioni, studiare nuove metodologie, e applicare quanto appreso in contesti pratici.
    Ad esempio gli studenti impareranno a cercare, installare e utilizzare nuove librerie in R per l'analisi dei dati utilizzando risorse come CRAN (Comprehensive R Archive Network) o GitHub.
    Oltre a conoscere le tecniche di base, gli studenti saranno incoraggiati a esplorare e sperimentare nuovi strumenti e metodi avanzati per l'analisi e la visualizzazione dei dati. Questo approccio li rende capaci di adattarsi rapidamente ai cambiamenti tecnologici e di innovare nelle loro future attività professionali.

Programma

Introduzione alla metodologia statistica
Campionamento e misurazione
Preparazione dei dati
Esplorazione dei dati attraverso grafici e sintesi numeriche
Associazione: tabelle di contingenza, correlazione e regressione
Introduzione alle relazioni multivariate Utilizzo del linguaggio di programmazione R per creare report statistici e visualizzazioni grafiche efficaci

Lezioni frontali, esercitazioni pratiche, attività laboratoriali con l’utilizzo del software statistico

Modalità d'esame

La modalità di verifica dell’apprendimento del modulo ANALISI ESPLORATIVA DEI DATI consiste in una prova scritta, della durata di 2 ore, che include esercizi e domande teoriche aperte su tutto il programma del corso, per verificare la conoscenza del materiale, la comprensione e le abilità comunicative degli studenti. Per il modulo ELABORAZIONE E VISUALIZZAZIONE DEI DATI IN R consiste nella elaborazione e presentazione di un progetto in cui lo studente applica le competenze acquisite durante il corso utilizzando R: raccogliere, organizzare e descrivere dei dati e creare un report finale che includa analisi descrittive e visualizzazioni grafiche.
Il giudizio terrà inoltre in considerazione l’appropriatezza del linguaggio utilizzato e la capacità di utilizzare i diversi strumenti proposti.
Ciascuno dei due moduli avrà una propria valutazione. Il voto finale dell’insegnamento è determinato dalla media ponderata dei voti ottenuti (in trentesimi) nei due moduli con pesi corrispondenti ai CFU di ciascun modulo.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.

Testi di riferimento

Metodi statistici di base e avanzati per le scienze sociali. Alan Agresti, Barbara Finlay. Pearson, 2020.
R for Data Science, Hadley Wickman & Garrett Grolemund, O'Reilly (https://it.r4ds.hadley.nz/index.html)

Codice insegnamento 27427_631L-25-25_205618_452201

Lingua Inglese 1° anno · 3 CFU · 0 file
Marketing 1° anno · 2° semestre · 6 CFU · ECON-07/A · 0 file

Il corso si propone di far acquisire le conoscenze di base per l’implementazione di strategie di marketing che risultino efficaci in relazione alle differenti dinamiche ambientali da gestire. A tal fine, dopo aver…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di far acquisire le conoscenze di base per l’implementazione di strategie di marketing che risultino efficaci in relazione alle differenti dinamiche ambientali da gestire. A tal fine, dopo aver analizzato la collocazione del marketing nei principali approcci metodologici allo studio dell'impresa, si dettaglieranno i contenuti manageriali propri del marketing management. In particolare, si investigherà l’area marketing nei suoi principi e nelle sue strumentazioni concettuali e tecniche, ponendo particolare enfasi sul ruolo di collegamento tra impresa e mercato espletato da tale funzione aziendale.

Programma

Area Marketing: contenuti manageriali.
1.Definizione di marketing.
2. Inserimento dell'area Marketing nei principali approcci allo studio dell'impresa.
3.Percorso storico-evolutivo tracciato dal marketing alla luce degli orientamenti.
4.Il marketing come processo manageriale:
la fase strategica: analisi di mercato;
la fase operativa:analisi di dettaglio delle leve del marketing mix.
5. La strategia di marketing nella pianificazione strategica aziendale.
6. Il comportamento di acquisto del mercato obiettivo (consumatore/organizzazioni).
7. La gestione della marca e la brand equity.

Si consiglia di avere Conoscenza dei principi di base dell'Economia e Gestione delle Imprese.

Lezioni frontali. Esercitazioni. Testimonianze in aula.

Modalità d'esame

esame scritto/prova orale
Durante il corso sarà cura del docente verificare sistematicamente il livello di apprendimento della classe, volto a rimodulare di volta in volta la velocità, i metodi didattici ed eventuali momenti di riflessione ulteriore su alcuni capitoli che risulteranno essere di più ostica comprensione rispetto ad altri.

Per quanto concerne la prova d’esame invece, per gli studenti frequentanti è prevista una verifica orale alla fine del corso per acquisire la consapevolezza del livello di preparazione e di quanto la materia nel corso dei mesi sia stata interiorizzata, mentre per gli studenti non frequentanti non è prevista alcuna verifica pre-esame.

La modalità di verifica dell’apprendimento mira ad accertare il livello di conoscenza degli argomenti indicati nel programma ed a verificare che lo studente abbia acquisito conoscenza della disciplina, e capacità di esposizione chiara e ragionata.
La prova orale consiste in un colloquio articolato e la valutazione rispetta i seguenti criteri: • Mancato superamento dell’esame: preparazione insufficiente

  • Da 18 a 21: preparazione sufficiente con specifico riguardo ai seguenti Obiettivi formativi/risultati di apprendimento.
  • Da 22 a 24: preparazione pienamente sufficiente con specifico riguardo ai seguenti Obiettivi formativi/risultati di apprendimento • Da 25 a 26: preparazione buona con specifico riguardo ai seguenti Obiettivi formativi/risultati di apprendimento.
  • Da 27 a 29: preparazione molto buona con specifico riguardo ai seguenti Obiettivi formativi/risultati di apprendimento.
  • Da 30 a 30 e lode: preparazione ottima/eccellente con specifico riguardo ai seguenti Obiettivi formativi/risultati di apprendimento.

Testi di riferimento

Materiale a cura del docente

Codice insegnamento 27427_631L-25-25_205832_452615

Metodi Matematici Per L'Analisi Dei Dati 1° anno · 12 CFU · STAT-04/A · 0 file

Obiettivo del corso è dotare gli studenti degli strumenti necessari alla comprensione dei fenomeni legati alle funzioni in una variabile ed in più variabili ma lineari, includendo in questo i necessari strumenti di…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo del corso è dotare gli studenti degli strumenti necessari alla comprensione dei fenomeni legati alle funzioni in una variabile ed in più variabili ma lineari, includendo in questo i necessari strumenti di algebra lineare.

Risultati di apprendimento attesi

Conoscenza e capacità di comprensione

  • Padroneggiare gli strumenti matematici necessari alla comprensione dei modelli economici e delle dinamiche aziendali

    Conoscenza e capacità di comprensione applicate
  • Scegliere un modello matematico per risolvere un problema di natura economica
  • Utilizzare il modello matematico di cui sopra per risolvere il problema
  • Reinterpretare la soluzione trovata in termini economici

Obiettivo del corso è dotare gli studenti degli strumenti necessari alla comprensione dei problemi di ottimizzazione di sistemi che si compongono di diverse variabili e vincoli

Risultati di apprendimento attesi

Conoscenza e capacità di comprensione

  • Padroneggiare gli strumenti matematici necessari alla comprensione dei problemi di ottimizzazione in relazione alla gestione ed analisi dei dati

    Conoscenza e capacità di comprensione applicate
  • Impostare un problema di ottimizzazione in termini formali, confrontare diverse strategie risolutive. - Utilizzare il modello matematico di cui sopra per risolvere il problema
  • Reinterpretare la soluzione trovata in termini appllicativi

Testi di riferimento

Materiale didattico fornito dal docente

Lucidi delle lezioni su piattaforma e-learning

Materiale didattico fornito dal docente

Lucidi delle lezioni su piattaforma e-learning

Codice insegnamento 27427_631L-25-25_205244_462205

Metodologie Della Ricerca Sociale 1° anno · 2° semestre · 9 CFU · GSPS-05/A · 0 file

Il corso ha come scopo generale quello di fornire allo studente i fondamenti della sociologia e della metodologia della ricerca sociale, in quanto unico insegnamento sociologico di un corso di studio a vocazione…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha come scopo generale quello di fornire allo studente i fondamenti della sociologia e della metodologia della ricerca sociale, in quanto unico insegnamento sociologico di un corso di studio a vocazione statistica e di data analytics: particolare attenzione è dedicata alla prospettiva sociologica come chiave di lettura dei fenomeni economici e sociali e alla natura sociale dei dati. In coerenza con i descrittori di Dublino, al termine del corso lo studente dovrà aver conseguito i seguenti risultati di apprendimento.

Conoscenza e capacità di comprensione: conoscere i concetti fondamentali della sociologia (azione sociale, istituzioni, socializzazione, cultura, stratificazione e disuguaglianze, mutamento sociale); conoscere i principali riferimenti della storia del pensiero sociologico e i paradigmi della ricerca sociale (positivista e neo/post-positivista, interpretativista, critico) con le loro implicazioni ontologiche, epistemologiche e metodologiche; comprendere la logica e le fasi del processo di ricerca; conoscere le principali tecniche quantitative e, con maggiore approfondimento, i metodi qualitativi; conoscere, in forma introduttiva, le trasformazioni della ricerca sociale nello spazio digitale.

Conoscenza e capacità di comprensione applicate: saper riconoscere, in ricerche sociali esemplificative, il paradigma di riferimento, il disegno della ricerca e le tecniche impiegate; saper impostare, in forma guidata, una semplice domanda di ricerca e le relative ipotesi, scegliendo tra approccio quantitativo e qualitativo in relazione agli obiettivi conoscitivi; saper progettare e condurre, in forma guidata, una semplice rilevazione qualitativa (intervista, focus group, osservazione); saper collocare i dati statistici e digitali nel loro contesto sociale di produzione.

Autonomia di giudizio: sviluppare uno sguardo critico nella lettura della realtà sociale e dei risultati di ricerca, valutando la qualità dei dati e la coerenza tra domande, metodi e conclusioni, e distinguendo le affermazioni fondate su evidenza empirica da quelle di senso comune.

Abilità comunicative: saper esporre con proprietà di linguaggio sociologico e metodologico i contenuti del corso, sia in forma orale sia in forma scritta.

Capacità di apprendimento: acquisire le basi concettuali necessarie per integrare la prospettiva sociologica con gli insegnamenti statistici e di data analysis del corso di studio e per proseguire autonomamente l'approfondimento della letteratura metodologica.

Programma

Il corso costituisce l'insegnamento sociologico del corso di studio e introduce gli studenti alla sociologia e alla metodologia della ricerca sociale attraverso un percorso graduale, che parte dai concetti fondamentali della sociologia generale e, attraverso i paradigmi delle scienze sociali, giunge alle principali tecniche quantitative e qualitative della ricerca, fino alla ricerca sociale nello spazio digitale.

I contenuti si articolano in sei nuclei tematici:

1) Introduzione alla sociologia: che cos'è la sociologia e a che cosa serve; conoscenza scientifica e senso comune; i concetti fondamentali della disciplina: azione sociale, gruppi e istituzioni, socializzazione, cultura, stratificazione e disuguaglianze, mutamento sociale; il contributo della prospettiva sociologica all'analisi dei dati economici e sociali.

2) Elementi di storia del pensiero sociologico funzionali alla metodologia: la nascita della sociologia come scienza; la nascita e lo sviluppo dei paradigmi delle scienze sociali: positivismo, interpretativismo, paradigma critico, con riferimento anche alla sociologia formale; il confronto fra paradigmi sul piano ontologico, epistemologico e metodologico.

3) La logica e le fasi della ricerca sociale: dalla teoria alle ipotesi, l'operativizzazione dei concetti, la definizione del disegno della ricerca, il rapporto tra approccio quantitativo (standard) e qualitativo (non standard).

4) Le tecniche quantitative: l'inchiesta campionaria, la costruzione del questionario, cenni al campionamento, in raccordo con gli insegnamenti statistici del corso di studio.

5) I metodi qualitativi (parte di approfondimento): l'intervista qualitativa e l'intervista comprendente, il focus group, l'osservazione naturalistica e partecipante, cenni all'etnografia e alla Grounded Theory, l'analisi dei dati qualitativi.

6) La ricerca sociale nello spazio digitale: le tracce digitali e i big data come fonti per la ricerca sociale; cenni ai metodi digitali (survey online, etnografia digitale, analisi dei contenuti del web e dei social media); opportunità, limiti e questioni etiche.

Nessuno. Trattandosi di un insegnamento del primo anno, il corso non richiede conoscenze pregresse di sociologia o di metodologia: i concetti fondamentali della disciplina vengono introdotti gradualmente a partire dalle definizioni di base.

Il corso si articola in lezioni frontali di carattere teorico, accompagnate da esercitazioni applicative in aula (analisi guidata di ricerche sociali esemplificative, esercizi di formulazione di domande di ricerca e di operativizzazione dei concetti, costruzione di un questionario, simulazione di intervista qualitativa e di focus group). Sono previsti l'utilizzo di materiali multimediali e audiovisivi a supporto della didattica e la messa a disposizione dei materiali del corso sulla piattaforma e-learning di Ateneo. La partecipazione attiva degli studenti è sollecitata attraverso momenti di discussione in aula.

Modalità d'esame

L'esame consiste in un colloquio orale sui contenuti del programma. All'esame orale potranno essere affiancate una o più verifiche in itinere scritte, riservate agli studenti frequentanti, i cui esiti concorrono alla valutazione finale.

La valutazione, espressa in trentesimi, terrà conto dei seguenti criteri: conoscenza e comprensione dei contenuti (concetti fondamentali della sociologia, storia del pensiero sociologico, paradigmi, logica della ricerca, tecniche quantitative e qualitative); capacità di applicare le conoscenze all'analisi di esempi di ricerca; autonomia di giudizio critico; proprietà del linguaggio sociologico e metodologico. Il raggiungimento pieno dei risultati di apprendimento attesi, unito a capacità critica e padronanza espressiva, sarà valutato con voti di eccellenza (30-30 e lode); una conoscenza adeguata ma prevalentemente mnemonica con voti intermedi; una conoscenza minima dei contenuti fondamentali con voti di sufficienza (18-21). Lacune nelle conoscenze di base e un linguaggio inappropriato comporteranno una valutazione insufficiente.

Testi di riferimento

Corbetta P., Metodologia e tecniche della ricerca sociale, Il Mulino, Bologna, 2014.

Materiali e dispense a cura della docente (introduzione alla sociologia, paradigmi, metodi qualitativi e ricerca digitale).

Eventuali letture integrative per l'approfondimento saranno segnalate durante il corso.

Codice insegnamento 27427_631L-25-25_205818_452601

Statistica 1° anno · 12 CFU · STAT-01/A · 0 file
Archivio Globale

L’insegnamento persegue il generale obiettivo del corso di studio di formare figure professionali esperte nella gestione e analisi di dati in tutti i contesti lavorativi. Il corso si propone di fornire agli studenti i…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento persegue il generale obiettivo del corso di studio di formare figure professionali esperte nella gestione e analisi di dati in tutti i contesti lavorativi.
Il corso si propone di fornire agli studenti i concetti di base del calcolo delle probabilità, come eventi, spazi campione, probabilità condizionata, teorema di Bayes, e distribuzioni di probabilità. Mira, inoltre, ad introdurre le principali variabili casuali discrete e continue, le loro distribuzioni, descrivendo come calcolare e interpretare parametri come media, varianza e momenti. È previsto lo studio dei teoremi principali della probabilità, come la legge dei grandi numeri, il teorema centrale del limite, e le distribuzioni limite. Infine, vengono presentati alcuni modelli probabilistici finalizzati a descrivere fenomeni aleatori e analizzare situazioni reali attraverso la probabilità.
Al termine dell’insegnamento lo studente dovrà possedere conoscenze e competenze inerenti agli aspetti teorici e applicativi del calcolo delle probabilità e delle principali variabili casuali. Le conoscenze acquisite, in quanto trasversali ai vari ambiti economico-gestionali e sociali, potranno essere applicate per modellizzare i fenomeni reali al fine di svolgere indagini ed esperimenti ed analisi dei dati.
A tal fine il corso si propone di trasmettere le seguenti competenze e conoscenze:
CONOSCENZE E CAPACITA' DI COMPRENSIONE

  • concetti di base del calcolo delle probabilità;
  • principali modelli probabilistici (discreti e continui) come la variabile casuale binomiale, di Poisson, Normale;
  • valore atteso, varianza e, in generale, momenti di variabili aleatorie;
  • teoremi principali della probabilità.
    A tal fine il corso propone di trasmettere le seguenti competenze e conoscenze in termini di obiettivi particolari:
    CONOSCENZE E CAPACITA' DI COMPRENSIONE (applicata)
  • utilizzare strumenti matematici utili per la risoluzione di problemi di natura probabilistica e statistica;
  • applicare teoremi e assiomi della probabilità e utilizzare le principali variabili aleatorie;
  • utilizzare software statistici per condurre analisi dei dati e produrre report di sintesi
    AUTONOMIA DI GIUDIZIO:
  • individuare in modo autonomo gli strumenti e i modelli probabilistici da utilizzare per formalizzare ed analizzare un fenomeno reale;
  • esprimere in forma orale considerazioni analitiche e di sintesi sugli aspetti fondamentali della disciplina;
  • fornire una valutazione critica dei risultati delle analisi e formulare conclusioni, anche sulla base di collegamenti interdisciplinari, che forniscano indicazioni strategiche e le relative ripercussioni socio-economiche.
    ABILITA' COMUNICATIVE:
  • utilizzare il linguaggio statistico in modo appropriato e pertinente;
  • comunicare in forma scritta e orale i risultati delle analisi statistiche e i ragionamenti logici sottostanti, anche in contesti interdisciplinari e in presenza di interlocutori non esperti.
    CAPACITÀ DI APPRENDERE
  • effettuare ricerche individuali e di gruppo su aspetti specifici e temi di interesse in diversi domini applicativi economici e sociali.

Testi di riferimento

Dispensa a cura del docente.
Libri consigliati:
Borra, S., Di Ciaccio A., Statistica, metodologie per le scienze economiche e sociali, terza edizione, McGraw-Hill, 2014.
Sheldon M. Ross, Probabilità e statistica per l'ingegneria e le scienze, quarta edizione, Apogeo, 2023

Codice insegnamento 27427_631L-25-25_205624_452207

Strategie Di Impresa 1° anno · 2° semestre · 6 CFU · ECON-07/A · 0 file

L'insegnamento si propone di analizzare il concetto di strategia ed il processo di gestione strategica e di indagare la vera natura dei vantaggi competitivi per le imprese. CONOSCENZA E CAPACITÀ DI COMPRENSIONE…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di analizzare il concetto di strategia ed il processo di gestione strategica e di indagare la vera natura dei vantaggi competitivi per le imprese.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE
L'insegnamento permette di conoscere i fondamenti della strategia d'impresa e a comprendere come una corretta gestione della strategia d'impresa possa migliorare le performance aziendali.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
I modelli studiati saranno applicati attraverso l'utilizzo di casi aziendali discussi in aula, i quali mettono in evidenza le decisioni strategiche che i manager devono effettuare.
AUTONOMIA DI GIUDIZIO
Lo studente deve essere in grado di valutare e comprendere le strategie d'impresa afferenti i diversi settori
ABILITÀ COMUNICATIVE
Gli studenti saranno stimolati ad intervenire in classe presentando le proprie decisioni sui casi discussi
CAPACITÀ DI APPRENDIMENTO
L'utilizzo di casi aziendali, in aggiunta alle lezioni teoriche, permetterà di massimizzare la capacità di apprendimento degli studenti

Programma

Il significato di strategia
L'analisi del contesto competitivo
La creazione di valore: le risorse, le competenze ed il sistema del valore
La natura e le fonti del vantaggio competitivo
Le strategie di business nei diversi contesti competitivi
Le strategie di gruppo
Le strategie di crescita delle imprese: diversificazione, integrazione e internazionalizzazione
Le modalità di crescita esterna

no

Il metodo didattico adottato prevede, oltre alle lezioni tradizionali a cura del docente del corso, la presentazione e discussione in aula di casi di strategia a cura del docente, e/o di testimoni aziendali selezionati in base all'esperienza ed alle competenze acquisite nella loro professione

Modalità d'esame

L'apprendimento viene verificato attraverso una prova scritta il cui punteggio sarà espresso in trentesimi.
In particolare, gli studenti frequentanti (ovvero chi ha seguito le lezioni del corso) dovranno prepararsi su quanto svolto in aula (casi, testimonianze, slide) integrando con i libri di testo in base alle indicazioni del Professore durante lo svolgimento delle lezioni; gli studenti non frequentanti dovranno prepararsi sul libro di testo indicato nella sezione testi consigliati e bibliografia.
In entrambi i casi verranno valutate:
Chiarezza nell'esprimere contenuti
Capacità di rielaborare i concetti e di spiegarli anche attraverso esempi
Conoscenza dei temi oggetto d'esame.

Testi di riferimento

verra comunicato nel mese di settembre precedente l'erogazione nel secondo semestre

Codice insegnamento 27427_631L-25-25_205834_452617

Economia Dei Mercati Digitali 2° anno · 2° semestre · 9 CFU · ECON-04/A · 0 file

Il corso si propone di fornire allo studente gli strumenti per: comprendere ed analizzare le dinamiche competitive proprie soprattutto dei mercati dell’economia digitale; identificare ed analizzare le modalità con cui le…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire allo studente gli strumenti per: comprendere ed analizzare le dinamiche competitive proprie soprattutto dei mercati dell’economia digitale; identificare ed analizzare le modalità con cui le più importanti innovazioni nelle telecomunicazioni e nella tecnologia dell’informazione interagiscono con le strutture di mercato e valutare i risultati di questo processo di interazione. In particolare, si forniranno gli strumenti logici ed analitici necessari a comprendere le relazioni competitive fra le imprese impegnate nei mercati digitali, le loro criticità, l’intervento pubblico finalizzato a garantire il corretto funzionamento dei mercati, le relative implicazioni in termini sistemici (efficienza, crescita). Particolare enfasi sarà posta sull'utilizzo di casi di studio come strumento per sollecitare l'applicazione in concreto delle conoscenze teoriche acquisite.

RISULTATI DI APPRENDIMENTO ATTESI
1) Conoscenza e comprensione.
Al termine del corso gli studenti saranno in possesso degli strumenti conoscitivi per:

  • comprendere ed approfondire le basi teoriche ed empiriche necessarie allo studio delle dinamiche competitive dei mercati dell’economia digitale;
  • descrivere e discutere criticamente gli aspetti rilevanti dell'impatto dei mercati legati alle internet platforms sui sistemi economici;
  • comprendere le principali problematiche concorrenziali e regolatorie tipiche dei mercati dell’economia digitale;
  • comprendere le logiche di intervento delle autorità pubbliche.

    2) Capacità di applicare conoscenza e comprensione.
    Al termine del corso gli studenti saranno in grado di:
  • analizzare e discutere criticamente casi di studio relativi a specifici aspetti dell'economia digitale e dei suoi mercati;
  • individuare/sviluppare collegamenti fra evoluzione degli scenari di mercato, condotte competitive d’impresa e rischi antitrust (inclusa l'analisi e la discussione di casi studio tratti dalle esperienze di tutela e promozione della concorrenza italiane ed europee);
  • valutare l’adozione e l’impatto di possibili scelte regolatorie relative ai mercati digitali;
  • applicare le conoscenze acquisite a contesti e problemi reali, proponendo soluzioni appropriate e discutendone le implicazioni.

    3) Abilità comunicative.
    Al termine del corso gli studenti avranno acquisito le seguenti abilità comunicative:
  • comprendere le relazioni tra linguaggio economico e manageriale nell’analisi di problemi relativi ai mercati dell’economia digitale;
  • sintetizzare ed esporre i contenuti di rapporti e documenti relativi ai mercati dell'economia digitale;
  • esporre e discutere problemi antitrust e di regolazione, interagire nella ricerca di soluzione in contesti multidisciplinari;
  • interagire con esperti di tecnologia e di economia/management nella discussione di temi di interesse comune.

Programma

Durante il corso saranno illustrate e discusse le criticità che l'affermazione delle tecnologie digitali e dell'ICT hanno determinato per le condotte strategiche delle imprese e per il funzionamento ordinato ed efficiente dei mercati. In particolare, il corso è inteso a presentare agli studenti, anche attraverso l’analisi di casi di studio, le basi teoriche ed empiriche per l’analisi di settore nel campo della digital economy e per la formulazione delle strategie competitive delle imprese.

Nessuno

Per la didattica ci si avvarrà di lezioni frontali, esercitazioni e casi di studio.
Le attività di didattica frontale avranno per oggetto argomenti teorici e saranno svolte dal docente, con la partecipazione occasionale di esperti d’impresa e delle istituzioni invitati a presentare testimonianze sugli argomenti trattati.
Le esercitazioni avranno per oggetto l’applicazione delle conoscenze acquisite attraverso la discussione di quesiti organizzati anche in forma di questionari ed esercizi. Esse avranno l’obiettivo di verificare il livello di comprensione degli argomenti trattati e di fornire agli studenti gli strumenti di autovalutazione necessari al miglioramento dei risultati dello studio
I casi di studio saranno affrontati con la modalità del lavoro di gruppo e saranno finalizzati a sviluppare la capacità di applicazione delle conoscenze acquisite a contesti pratici e la capacità di comunicazione/presentazione dei risultati ottenuti
La frequenza è facoltativa, ma consigliata. Ai lavori di gruppo potranno partecipare solo studenti frequentanti.

Modalità d'esame

Tipo di esame: Orale

Modalità di verifica dell'apprendimento:
La verifica dell’apprendimento sarà svolta attraverso una prova orale, composta da 2/3 domande volte a verificare la conoscenza del materiale di riferimento, oltre che la capacità di comprensione, l’autonomia di giudizio e le abilità comunicative. A questo fine sarà prestata particolare attenzione all’appropriatezza del linguaggio utilizzato, alla capacità di stabilire collegamenti fra argomenti diversi e alla capacità di interagire criticamente sui temi proposti dal docente. La prova orale sarà valutata con un punteggio espresso in trentesimi. Un punteggio da 0 a 17 connota una prova insufficiente, priva degli elementi minimi in ordine alla conoscenza della disciplina, alla capacità di disegnare e interpretare grafici e di esporre in concetti con linguaggio tecnico, alla capacità di mettere criticamente in relazione i modelli e gli strumenti di analisi. Per le prove almeno sufficienti, la valutazione sarà articolata in ragione del conseguimento di ciascuno degli obiettivi formativi previsti e di tutti i risultati di apprendimento attesi, secondo la seguente scala: punteggio pari a 18: livello sufficiente; 19-22: più che sufficiente; 23-26: buono; 27-29: molto buono; 30: ottimo. La lode è attribuita quando l’esame riceve una valutazione ottima e le risposte nel loro complesso indichino un eccellente livello di autonomia di giudizio, di abilità comunicative e di capacità di apprendimento.

Valutazione:
Voto in trentesimi

Testi di riferimento

Carlton D., Perloff J. F., Organizzazione Industriale, McGraw-Hill, terza edizione

Øverby H., Audestad J. A., Introduction to Digital Economics. Foundations, Business Models and Case Studies, Springer, seconda edizione

Comino S., Manenti F., Economia di Internet & delle Information And Communication Technology I mercati high-tech tra innovazione, reti e standard, Giappichelli, capp: 3, 4

Cambini C., Manganelli A., Napolitano G. e Nicita A. (a cura di), Economia e diritto della regolazione. Reti, piattaforme e servizi di pubblica utilità, Il Mulino, capp: XI, XII

Durante le lezioni sarà fornito materiale aggiuntivo.

Codice insegnamento 27427_631L-25-25_205838_452621

Economia Politica 2° anno · 6 CFU · ECON-01/A · 0 file
Archivio Globale

Obiettivo del corso è l’introduzione all’analisi microeconomica e macroeconomica. L’analisi microeconomica studia il comportamento dei singoli agenti economici come i consumatori e le imprese fornendo una teoria che…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo del corso è l’introduzione all’analisi microeconomica e macroeconomica. L’analisi microeconomica studia il comportamento dei singoli agenti economici come i consumatori e le imprese fornendo una teoria che sta alla base del loro comportamento. Inoltre, la teoria microeconomica studia le forme di mercato come la concorrenza perfetta, il monopolio e l’oligopolio fornendo una spiegazione sul modo in cui si fissano i prezzi di mercato e del grado di efficienza economica di ogni singola forma di mercato.
L’analisi macroeconomica studia il sistema economico nel suo complesso e cerca di interpretare e prevedere variabili aggregate come il prodotto interno lordo, il livello di disoccupazione, l’inflazione e i tassi di cambio. Queste variabili sono fondamentali nel funzionamento di una economia e le politiche tese ad un miglioramento del benessere della società devono partire dalla loro comprensione. Nel corso si cercherà di rispondere a domande del tipo: perché alcune economie crescono più velocemente di altre? Successivamente si analizzeranno le fluttuazioni economiche nel breve e medio/lungo periodo e si analizzeranno le politiche che possono essere adottate per limitare gli effetti di queste fluttuazioni.

Conoscenza e comprensione:
Ci si aspetta che gli studenti comprendano i nessi causali tra le principali variabili microeconomiche e macroeconomiche.
Il modo in cui interagiscono gli agenti economici all’interno delle varie forme di mercato al fine di valutare le cause di inefficienza in termini di benessere per la collettività.
I fattori determinanti le fluttuazioni cicliche e la crescita economica di lungo periodo. Inoltre, gli studenti sono in grado di comprendere, interpretare e prevedere le conseguenze delle politiche economiche.

Capacità di applicare conoscenza e comprensione:
Gli studenti saranno in grado di: (1) applicare i modelli microeconomici e macroeconomici per formulare un ragionamento rigoroso su diverse questioni relative all’economia reale, (2) comprendere il contenuto di articoli e documenti relativi a questioni economiche.

Autonomia di giudizio:
Gli studenti saranno in grado di analizzare criticamente l'effetto di diversi shock sia sull'economia nazionale che su quella globale. Sono anche in grado di valutare il ruolo dei principali attori economici e gli effetti delle azioni politiche in diversi scenari economici.

Abilità comunicative:
gli studenti saranno in grado di: (1) elaborare dati, documenti e opinioni sulle più importanti questioni economiche (2) presentare chiaramente ad un pubblico di pari il loro ragionamento su una determinata questione economica, e a motivare usando la teoria le loro conclusioni.

Capacità di apprendimento:
le lezioni, il materiale didattico e gli articoli permettono agli studenti di intraprendere con autonomia corsi di economia più avanzati e di pianificare e condurre autonomamente un piccolo progetto di ricerca (ad es. una tesi di laurea) su argomenti economici.

Programma

INTRODUZIONE
Nella parte introduttiva si spiegherà cos’è l’Economia politica e come pensare da economista.

MICROECONOMIA
La parte del corso relativa alla microeconomia analizzerà le forze di mercato della domanda e dell’offerta, le curve di domanda e di offerta e la loro interazione.
Successivamente verrà affrontata la teoria delle scelte del consumatore e la teoria dell’impresa per poi passare allo studio dell’economia dei mercati dei fattori, alla domanda di lavoro, all’offerta di lavoro e all’equilibrio nel mercato del lavoro.
Infine, si studieranno le varie forme di mercato quali la concorrenza perfetta, il monopolio e l’oligopolio.


MACROECONOMIA
Dopo lo studio della contabilità nazionale, il corso prevede l’analisi del modello macroeconomico base di economia chiusa e pieno impiego. Quindi si analizzerà un modello di crescita nel lungo periodo. Successivamente, verranno prima introdotti il modello IS-LM di economia chiusa. Infine, si analizzeranno le politiche di stabilizzazione. Il corso prevede una serie di esercitazioni per approfondire attraverso esempi numerici i temi trattati in classe.

Matematica generale

Lezioni frontali ed esercizi svolte in classe.

Modalità d'esame

Il corso prevede lo svolgimento in classe di periodiche esercitazioni, utili alla preparazione delle prove scritte.
La valutazione dello studente sarà articolata come segue:

1. Valutazione in itinere (individuale): fino a due punti di bonus ottenibili attraverso la consegna dei Problem Set che saranno distribuiti nel corso del semestre. Tramite le prove in itinere si intende testare la capacità di comprensione degli argomenti trattati durante lo svolgimento delle lezioni. Le prove in itinere consentono di ottenere fino a un massimo di 2 (due) punti di bonus sulla base della preparazione individuale e della frequenza del corso.

2. Valutazione a fine corso (individuale): fino a 30 punti. Esame finale scritto. Tramite questa prova si intende testare principalmente le conoscenze e la capacità di comprensione.
L'esame finale sarà composto da un mix di domande a risposta aperta ed esercizi, con i quali lo studente dovrà dimostrare di conoscere le nozioni teoriche dell’insegnamento, saperle applicare a casi pratici dimostrando di aver conseguito il metodo di studio e la capacità di apprendimento necessari a proseguire anche in autonomia l’approfondimento della materia. La numerosità delle domande di ciascuna di tali tipologie verrà decisa dal docente nel corso dello svolgimento dell’insegnamento e comunicato agli studenti all’inizio del corso.
Il mancato raggiungimento di un punteggio pari a 18/30 nell’esame scritto finale comporta il mancato superamento dell’esame.

Testi di riferimento

Mankiw, N.G - Taylor, M. P. Principi di Economia, ottava edizione, Zanichelli

Codice insegnamento 27427_631L-25-25_205630_452401

Gestione Di Data Base 2° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

L'obiettivo è di fornire una conoscenza approfondita ed aggiornata degli aspetti più importanti dei sistemi per la gestione delle basi di dati e delle loro applicazioni. Risultati di apprendimento attesi Capire cosa è…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo è di fornire una conoscenza approfondita ed aggiornata degli aspetti più importanti dei sistemi per la gestione delle basi di dati e delle loro applicazioni.

Risultati di apprendimento attesi
Capire cosa è una base di dati, dal punto di vista concettuale, matematico e pratico;
essere capaci di sviluppare il disegno concettuale, logico e fisico di una base di dati relazionale, considerando sia la struttura che le operazioni;
capire come lavora un sistema di basi di dati.

Programma

Le conoscenze di base necessarie per disegnare, usare ed implementare basi di dati.
Attività di laboratorio con il linguaggio MySQL

Nessuno

Lezioni ed esercitazioni in aula svolte utilizzando lavagna,
videoproiettore e computer, esercitazioni pratiche presso il Laboratorio
di Informatica con il linguaggio MySQL

Sebbene raccomandata, la frequenza del corso non è obbligatoria.

Modalità d'esame

Prova scritta (obbligatoria) e prova orale (facoltativa o a discrezione del docente), progetto (obbligatorio) e sua discussione orale (obbligatoria). La valutazione finale, espressa in trentesimi, tiene conto sia del progetto che della sua discussione.

Testi di riferimento

P.ATZENI, S. CERI, S. PARABOSCHI, R. TORLONE, Basi di dati. Modelli e linguaggi di interrogazione. McGraw-Hill.

Materiale didattico a cura del docente (Lucidi delle lezioni svolte ed esercizi proposti e svolti) messo a disposizione per gli studenti sulla piattaforma didattica https://fad.unich.it/

Codice insegnamento 27427_631L-25-25_205826_452609

Metodi Quantitativi Per Le Scienze Sociali 2° anno · 2° semestre · 9 CFU · STAT-03/B · 0 file

Obiettivi formativi L’insegnamento ha l’obiettivo di fornire agli studenti le conoscenze e gli strumenti metodologici per l’analisi quantitativa e qualitativa dei fenomeni sociali. In particolare, il corso contribuisce…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi formativi
L’insegnamento ha l’obiettivo di fornire agli studenti le conoscenze e gli strumenti metodologici per l’analisi quantitativa e qualitativa dei fenomeni sociali. In particolare, il corso contribuisce alla formazione di figure professionali capaci di operare in ambito statistico-sociale, sia in contesti accademici che professionali, supportando la progettazione e l’interpretazione di indagini statistiche su tematiche di interesse sociale. L’insegnamento è finalizzato a sviluppare competenze nella costruzione di strumenti di rilevazione, nell’analisi dei dati sociali e nella valutazione critica dei risultati ottenuti, in coerenza con gli sbocchi occupazionali previsti dal CdS, quali analisti di dati statistici per enti pubblici, istituti di ricerca e aziende private.
Risultati di apprendimento attesi
Al termine del corso, gli studenti saranno in grado di:
Conoscenze:

  • Comprendere il ruolo della statistica sociale come strumento di analisi e ricerca nel contesto delle scienze sociali.
  • Conoscere le principali fasi del processo di indagine statistica, dalla progettazione alla raccolta e analisi dei dati.
  • Applicare correttamente le scale di misura e le scale di atteggiamenti nelle ricerche sociali.
  • Comprendere i modelli di misura, con particolare riferimento al modello di Rasch e ai modelli IRT.
  • Distinguere tra indici e indicatori sociali e analizzare criticamente le metodologie utilizzate per la loro costruzione.
  • Approfondire le metodologie per la convergenza di opinioni e la costruzione di scenari per il foresight strategico.
    Abilità:
  • Progettare un questionario per la raccolta di dati sociali, scegliendo le domande e le tecniche più appropriate.
  • Applicare tecniche di analisi statistica per la valutazione della qualità delle misure e dei dati raccolti.
  • Interpretare i risultati delle scale di atteggiamenti e dei modelli di misura con riferimento a contesti reali.
  • Utilizzare strumenti di analisi per la calibrazione degli item e la stima delle capacità individuali nei modelli IRT.
  • Condurre analisi sui dati sociali, identificando le relazioni tra variabili e costruendo indicatori sintetici.
  • Implementare metodi per il foresight strategico e il forecasting in ambito sociale e demografico.
    Competenze trasversali:
  • Sviluppare un approccio critico all’analisi dei dati sociali, valutandone qualità e attendibilità.
  • Migliorare le capacità di comunicazione e interpretazione dei risultati statistici per un pubblico non specialistico.
  • Favorire l’autonomia di giudizio nell’interpretazione delle evidenze empiriche e nella progettazione di indagini.
  • Acquisire capacità di apprendimento continuo attraverso l’uso di software statistici e metodologie avanzate di analisi.
    L’insegnamento prevede inoltre attività pratiche, esercitazioni informatiche e l’utilizzo di strumenti per la raccolta e l’analisi dei dati, al fine di consolidare le competenze acquisite e favorire una formazione applicata e professionalizzante.

Programma

Il corso “Metodi quantitativi per le Scienze Sociali” fornisce strumenti statistici per l’analisi dei fenomeni sociali. Affronta le fasi dell’indagine statistica, dalla progettazione del questionario all’uso delle scale di misura, con particolare attenzione ai criteri di misurazione oggettiva e alle scale di atteggiamenti.
Vengono introdotti modelli avanzati come il modello Rasch e la Item Response Theory (IRT), utili per la valutazione della qualità delle misure. Il corso approfondisce inoltre l’uso di indici e indicatori sociali, il trattamento del dato soggettivo, l’analisi di dati rilevati tramite testimoni privilegiati e le tecniche per la convergenza di opinioni. Infine, si esplorano le tecniche di analisi dei dati per il foresight strategico, attraverso alcune tecniche di costruzione di scenari futuri come strumento di supporto per la previsione e la pianificazione sociale.

Statistica descrittiva e statistica inferenziale.

Lezioni in aula, laboratori e lavori di gruppo.

Modalità d'esame

L’apprendimento sarà verificato attraverso le seguenti prove, con peso differenziato:
1. Lavoro di gruppo, per i frequentanti (70%) – Gli studenti, organizzati in gruppi, dovranno progettare e realizzare un’indagine empirica con somministrazione di un questionario e analisi dei dati. Gli studenti di ciascun gruppo realizzeranno una presentazione congiunta, accompagnata da una tesina scritta e una presentazione in PowerPoint, in cui esporranno il lavoro svolto. La valutazione si baserà sulla qualità della progettazione, sulla coerenza metodologica e sulla capacità di analizzare i dati raccolti. Il voto sarà espresso in trentesimi (fino a un massimo di 21/30).
2. Prova scritta, per i non frequentanti (70%) – Consiste in esercizi applicativi e domande a risposta multipla su metodi quantitativi e tecniche di misurazione nelle scienze sociali. La valutazione terrà conto della correttezza metodologica, della capacità di applicare le tecniche statistiche e della chiarezza nell’esposizione dei risultati. Il voto sarà espresso in trentesimi (fino a un massimo di 21/30).
3. Colloquio orale (30%) – Verterà sulla discussione critica dei contenuti trattati nel corso e sull’approfondimento del lavoro di gruppo (frequentanti) o della prova scritta (non frequentanti). Sarà valutata la capacità di argomentazione, l’uso del lessico specialistico e la chiarezza espositiva. Il voto sarà espresso in trentesimi (fino a un massimo di 9/30).
Il voto finale sarà calcolato come somma dei voti delle due prove. Per superare l’esame è necessario conseguire almeno 18/30 complessivo.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.

Testi di riferimento

  • Francesco Delvecchio. SCALE DI MISURA E INDICATORI SOCIALI, Cacucci, Bari, 1995.
  • Massimo Penta, Carlyne Arnould, Céline Decruynaere. ANALISI DI RASCH E QUESTIONARI DI MISURA. Applicazioni in medicina e scienze sociali, Springer-Verlag Italia, Milano, 2008.
  • Simone Di Zio, Antonio Pacinelli. STATISTICA SOCIALE, Mondadori Università, Milano, 2015.
  • Antonio Pacinelli. METODI PER LA RICERCA SOCIALE PARTECIPATA, Franco Angeli, Milano, 2008.
  • Materiali didattici disponibili sulla piattaforma FAD di ateneo https://fad.unich.it/my/

Codice insegnamento 27427_631L-25-25_205822_452605

Modelli Statistici Per L' Apprendimento Automatico 2° anno · 1° semestre · 9 CFU · STAT-01/A · 0 file

L’insegnamento si inserisce nel generale obiettivo del corso di studio di fornire conoscenza riguardo all’analisi multivariata per dati complessi. L’insegnamento si propone di fornire allo studente gli strumenti per…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si inserisce nel generale obiettivo del corso di studio di fornire conoscenza riguardo all’analisi multivariata per dati complessi.
L’insegnamento si propone di fornire allo studente gli strumenti per estrarre informazioni rilevanti da dati complessi, con particolare
attenzione all'apprendimento statistico (statistical learning) sia in contesto predittivo che non
RISULTATI DELL'APPRENDIMENTO ATTESI
L'insegnamento prevede di completare la formazione dello studente con nozioni e strumenti utili ad approfondire gli aspetti dell’analisi statistica multivariata per dati complessi. La formazione sarà quindi completata e arricchita dalle seguenti competenze:

Conoscenza e capacità di comprensione

  • Conoscenza di concetti statistici per l’analisi multivariata e relativa terminologia specializzata
  • Capacità di applicare i principi di ragionamento statistico nell'elaborazione e nell'interpretazione dei risultati derivanti da analisi di dati reali
  • Capacità di utilizzare i software R, Python e MATLAB per l’analisi statistica di dati a struttura complessa
  • Capacità di applicare conoscenza e comprensione
    Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studi concreti, sarà in grado di analizzare dati complessi, anche di grandi dimensione, con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di trattare "oggetti" non strutturati e comprendere le complesse strutture relazionali e correlazioni insite nei dati

    Autonomia di giudizio
  • Apprendere i concetti logici e statistici che sono indispensabili per lavorare autonomamente nella ricerca,
  • Selezione, preparazione ed elaborazione di dati a struttura complessa

    Abilità comunicative
  • Imparare la terminologia e le tecniche statistiche di analisi multivariata per comunicare o discutere correttamente i risultati dell'analisi dei dati

Programma

Il corso prevede la trattazione dei seguenti argomenti per il raggiungimento dei risultati di apprendimento attesi: introduzione all'apprendimento statistico, Tecniche di visualizzazione dei dati, Tecniche di apprendimento supervisionato (classificazione) e non supervisionato (tecniche di riduzione di dimensionalità) con l’uso del linguaggio R, Python e MATLAB

Conoscenze di matematica generale, algebra lineare, matrici, statistica inferenziale

Lezione frontale ed esercitazioni in aula informatica con utilizzo del software R, Python e MATLAB

Modalità d'esame

Conoscenza e capacità di comprensione
L’esame si articola in una prova orale volta a verificare la conoscenza della parte teorica degli argomenti trattati a lezione e in una discussione orale di un report redatto per l’analisi di data sets (sceltti dallo studente) mediante l’uso di un software (R, Python o Matlab). Nella determinazione del voto finale dell’esame, il peso della discussione del report è pari al 30%.
Capacità di applicare conoscenza e comprensione

Con la valutazione della presentazione di un report basato su casi di studio reali si verifica la capacità degli studenti di applicare le tecniche ed i modelli introdotti durante il corso, nonché la comprensione e la capacità di analisi critica degli argomenti trattati

Testi di riferimento

  • Dispense del corso ed esercitazioni pratiche
  • Trevor Hastie, Robert Tibshirani and Jerome Friedman (2008) The Elements of Statistical Learning Springer-Verlag
  • Kevin Murphy (2012) Machine learning : a probabilistic perspective, The MIT Press, Cambridge, Massachusetts, London, England

Codice insegnamento 27427_631L-25-25_205824_452607

Modelli Statistici Per La Previsione 2° anno · 1° semestre · 9 CFU · STAT-01/A · 0 file

Il corso ha l'obiettivo di fornire allo studente gli strumenti statistici fondamentali per l'analisi e la previsione di fenomeni quantitativi e qualitativi attraverso modelli di regressione nelle loro principali…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha l'obiettivo di fornire allo studente gli strumenti statistici fondamentali per l'analisi e la previsione di fenomeni quantitativi e qualitativi attraverso modelli di regressione nelle loro principali specificazioni. I Modelli Lineari Generalizzati costituiscono il filo conduttore del corso, consentendo di inquadrare in un'unica struttura teorica la regressione lineare, logistica e di Poisson. Il programma comprende inoltre i metodi dell'analisi della varianza e la valutazione delle performance previsive.

Il corso combina l'approfondimento metodologico con un approccio pratico basato sul learning by doing. Ogni modulo tematico è accompagnato da un'esercitazione in R su dati reali, finalizzata al consolidamento delle conoscenze e allo sviluppo delle competenze analitiche.

Al termine del corso, gli studenti saranno in grado di:

  • stimare e interpretare modelli di regressione applicati a dati reali, selezionando la specificazione più adeguata;
  • riconoscere e trattare problemi di diagnostica (eteroschedasticità, multicollinearità, specificazione);
  • produrre previsioni e valutarne l'accuratezza con tecniche di validazione;

utilizzare R per l'implementazione dei modelli e la visualizzazione dei risultati.

Programma

Il corso si propone di fornire agli studenti le conoscenze teoriche e le competenze operative necessarie per costruire, stimare, validare e interpretare modelli statistici a scopo descrittivo ed esplicativo, con particolare attenzione alla previsione. Partendo dai richiami di algebra matriciale e inferenza statistica, il percorso formativo sviluppa i principali modelli di regressione — lineare, logistica e di Poisson — inquadrandoli nella cornice unificante dei Modelli Lineari Generalizzati (GLM).

L’insegnamento integra approfondimento metodologico e applicazioni pratiche mediante esercitazioni nell’ambiente statistico R, favorendo l’acquisizione di competenze utili per l’analisi dei dati e il supporto ai processi decisionali.

In coerenza con il profilo professionale del corso di studi, l’insegnamento mira allo sviluppo delle seguenti competenze:

  1. Conoscenza e capacità di comprensione • Padroneggiare i fondamenti di algebra matriciale necessari alla formulazione e alla stima dei modelli di regressione. • Comprendere la struttura dei Modelli Lineari Generalizzati e le principali funzioni di legame. • Stimare e interpretare modelli di regressione lineare, logistica e di Poisson. • Applicare i metodi dell’analisi della varianza per il confronto tra gruppi. • Comprendere i principi della validazione dei modelli e della valutazione delle capacità previsive. • Implementare le procedure analitiche in R e interpretarne correttamente i risultati.
  2. Autonomia di giudizio • Selezionare il modello più appropriato in funzione della natura della variabile risposta e degli obiettivi dell’analisi. • Valutare la qualità dell’adattamento dei modelli e la plausibilità delle ipotesi sottostanti. • Confrontare modelli alternativi mediante criteri statistici e previsivi. • Interpretare criticamente i risultati ottenuti e le relative implicazioni applicative.
  3. Capacità applicative e comunicative • Comunicare i risultati delle analisi utilizzando un linguaggio statistico appropriato. • Tradurre i risultati modellistici in indicazioni operative per il supporto alle decisioni. • Realizzare e presentare un’analisi applicata mediante il software R.

Pur non essendo richiesto alcun requisito propedeutico formale, si consiglia di possedere una conoscenza di base dei concetti fondamentali di statistica (distribuzioni di probabilità, test di ipotesi, intervalli di confidenza) e nozioni elementari di calcolo e algebra lineare.

L'insegnamento prevede 72 ore di lezione, articolate in lezioni teoriche e laboratori pratici con R. Ogni modulo tematico è corredato da un'esercitazione nell'ambiente statistico R su dataset reali o fittizi, finalizzata al consolidamento delle conoscenze metodologiche.

La distribuzione indicativa del monte ore è la seguente: 48 ore di lezione frontale e 24 ore di laboratorio in R. Per ulteriori informazioni: [email protected]

Modalità d'esame

La valutazione del livello di apprendimento si articola in due parti:
Parte teorica
Prova orale finalizzata alla verifica della conoscenza dei modelli statistici trattati durante il corso, della loro interpretazione e delle condizioni di applicabilità.
Parte pratica – Lavoro di gruppo
Gli studenti, organizzati in gruppi, realizzano e presentano un'analisi applicata su un caso di studio reale mediante l'utilizzo del software R. La valutazione considera la correttezza metodologica nell'applicazione delle tecniche statistiche, la qualità dell'interpretazione dei risultati ottenuti e la chiarezza dell'esposizione.
Al lavoro di gruppo viene attribuito un punteggio aggiuntivo compreso tra 0 e 4 punti. Tale punteggio contribuisce alla determinazione del voto finale secondo il seguente schema:

0–1 punti: nessuna variazione del voto conseguito nella prova teorica;
2–3 punti: attribuzione di 1 punto aggiuntivo al voto della prova teorica;
4 punti: attribuzione di 2 punti aggiuntivi al voto della prova teorica.

Il voto finale è determinato dalla valutazione della prova teorica integrata dall'eventuale incremento derivante dal lavoro di gruppo.
Per gli studenti che non svolgono il lavoro di gruppo, il voto finale coincide con la valutazione conseguita nella prova teorica.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.

Testi di riferimento

Materiale didattico preparato dalla docente e pubblicato sulla piattaforma fad.unich.

Per approfondimenti si suggeriscono i seguenti testi

Levine DM, Krehbiel TC, Berenson ML (2018) Statistica, Apogeo, Milano. [Intervalli di confidenza, verifica di ipotesi, modello di regressione]

Wooldridge JM (2020) Introduzione all'econometria, CEDAM. [Regressione multipla, diagnostica, modelli con variabile dipendente limitata]

Hosmer DW, Lemeshow S, Sturdivant RX (2013) Applied Logistic Regression, 3rd ed., Wiley.

Cameron AC, Trivedi PK (2013) Regression Analysis of Count Data, 2nd ed., Cambridge University Press. [Regressione di Poisson]

Salvan A., Sartori N., Pace L. (2020), Modelli Lineari Generalizzati, Springer. [Teoria e applicazioni dei GLM; modelli logistici, modelli per dati di conteggio e utilizzo del software R].

Codice insegnamento 27427_631L-25-25_205828_452611

Politica Economica 2° anno · 2° semestre · 9 CFU · ECON-02/A · 0 file

OBIETTIVI FORMATIVI Il corso si propone di fornire agli studenti conoscenze e strumenti per comprendere in modo approfondito le politiche di intervento economico e strutturale e, più in generale, il funzionamento delle…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI
Il corso si propone di fornire agli studenti conoscenze e strumenti per comprendere in modo approfondito le politiche di intervento economico e strutturale e, più in generale, il funzionamento delle istituzioni e dei policy maker nei Paesi e nelle organizzazioni sovranazionali. Gli studenti apprendono cosa comporta, per un paese, far parte di un’unione e come gli interventi di policy debbano essere adattati a tale contesto.
RISULTATI DI APPRENDIMENTO ATTESI
CONOSCENZA E COMPRENSIONE
Alla fine del corso, gli studenti conoscono le strategie di politica economica esistenti e sono in grado di valutare analiticamente i relativi interventi, con particolare riferimento al contesto italiano ed europeo, al loro impatto sull’economia e al funzionamento delle istituzioni sociali ed economiche. Gli studenti dispongono degli strumenti necessari per comprendere come si formano le politiche strategiche e come i singoli paesi e i loro cittadini interagiscono con esse.
Gli studenti comprendono le strategie adottate dalle banche centrali e dai singoli paesi e sono inoltre in grado di individuare e valutare i possibili rischi derivanti dalle interrelazioni tra tali paesi, nonché di pianificare adeguati interventi nell’ambito della politica economica. In generale, gli studenti comprendono il funzionamento di aggregati economici complessi, caratterizzati al tempo stesso da indipendenza, vincoli e interdipendenza tra i paesi membri. Gli studenti conoscono il funzionamento della BCE e il ruolo dell’euro nei mercati finanziari.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
Gli studenti sono capaci di analizzare con rigore e comprendere in modo approfondito gli aspetti macroeconomici connessi agli interventi di policy, con particolare riferimento all’Italia e all’Unione europea. In particolare, sono in grado di svolgere analisi teoriche e suggerire adeguati interventi di policy riguardanti il mercato comune e il funzionamento dei mercati monetari e finanziari, con particolare riferimento alle unioni monetarie.
In sintesi, gli studenti sono in grado di programmare azioni di policy che coinvolgono aggregati di paesi. In particolare, sono in grado di formulare specifici scenari di regolamentazione e di policy per l’Eurozona, nonché di progettare appositi interventi.
AUTONOMIA DI GIUDIZIO
Oltre ad applicare i principi di intervento della politica economica, gli studenti sono in grado di selezionare e valutare le strategie di policy, comprese quelle finalizzate a ridurre l’incertezza e i rischi connessi alla stabilità economica. Gli studenti sono in grado di selezionare informazioni e dati utili a formulare un giudizio sulle politiche nazionali e sui programmi comunitari.
ABILITÀ COMUNICATIVE
Al termine del corso, gli studenti sono in grado di utilizzare adeguatamente il linguaggio economico specialistico, discutere con rigore le relazioni sottostanti ai modelli studiati e le diverse articolazioni della politica economica e monetaria, nonché illustrare il ruolo delle principali istituzioni.
CAPACITÀ DI APPRENDIMENTO
Gli studenti sono in grado di consultare le fonti necessarie per approfondire gli argomenti macroeconomici trattati. Conoscono inoltre i canali informativi utili a mantenere aggiornate le proprie conoscenze nell’ambito della politica economica con particolare riferimento al caso italiano e a quello europeo.

Programma

Il Corso è articolato in moduli, raggruppati nelle sei parti che compongono il programma di studi. Le parti iniziali sono finalizzate a fornire le conoscenze necessarie per approfondire, nel prosieguo del Corso, il funzionamento e le politiche economiche con particolare riferimento al caso Italiano, dell’Unione europea, dell’Eurozona e della moneta unica, l’euro.
Nella prima parte del programma sono esaminati alcuni aspetti fondamentali dell’economia politica, che costituiscono le basi per comprendere le leggi di funzionamento dei sistemi economici. Tali leggi forniranno successivamente il fondamento teorico per l’analisi delle interpretazioni, degli strumenti e degli interventi propri della politica economica. Sono quindi approfondite diverse tipologie di politica economica ed è introdotto il ruolo dello Stato. Seguono lo studio delle politiche keynesiane e la presentazione di alcuni casi specifici di intervento pubblico.
Nella seconda parte del programma sono approfondite le caratteristiche specifiche di alcune politiche economiche. Gli argomenti trattati comprendono la disoccupazione e il mercato del lavoro, le politiche di stabilizzazione, le politiche disinflazionistiche e l’analisi della credibilità delle politiche adottate.
Nella terza parte del programma, la politica monetaria e la politica fiscale rappresentano i principali ambiti di analisi in chiave macroeconomica. Tra gli argomenti di studio figurano l’indipendenza delle banche centrali, la sostenibilità del debito pubblico, le politiche economiche nelle economie aperte e le relazioni finanziarie internazionali. In questa parte sono analizzati anche modelli applicati utili a interpretare fenomeni recenti.
Nella quarta parte del programma, prima di introdurre lo studio dell’Unione europea, le politiche esaminate sono applicate ai processi di crescita e sviluppo, con particolare attenzione al ruolo della globalizzazione. Sono inoltre analizzati i peculiari processi di sviluppo socioeconomico dei cosiddetti Paesi BRIC.
Le conoscenze acquisite nei moduli precedenti sono funzionali ad approfondire, nella quinta parte del programma, il complesso processo di integrazione dell’Unione europea. Gli argomenti trattati comprendono l’evoluzione storica dell’Unione, i principali trattati e i più recenti eventi che ne hanno condizionato lo sviluppo, tra cui la Grande Recessione e lo shock pandemico.
La sesta parte del programma è dedicata alle politiche economiche dell’Eurozona e approfondisce il ruolo e le caratteristiche della Banca centrale europea, nonché le politiche di bilancio adottate, comprese quelle più recenti, come Next Generation EU. Sono inoltre esaminati i rischi che possono compromettere la stabilità delle unioni monetarie, sulla base dei casi specifici dell’Italia e della Grecia nell’Eurozona. Infine, viene analizzato il ruolo dei mercati finanziari nel contesto delle unioni monetarie, con particolare riferimento all’euro.

Conoscenze base di Microeconomia e Macroeconomia.

La didattica si articola in lezioni frontali dedicate alla trattazione di argomenti teorici e all’approfondimento di casi di studio. La frequenza è facoltativa.

Modalità d'esame

La verifica finale si svolge in forma orale e consiste in tre domande. Il voto è espresso in trentesimi. Oltre alla conoscenza degli argomenti presentati durante il corso, si tiene conto della capacità di ragionare su tali argomenti e della qualità complessiva dell’esposizione.
In particolare, le domande orali sono volte a verificare la conoscenza degli strumenti di intervento della politica economica a disposizione dei policy maker. Il docente verifica la comprensione delle strategie e delle risposte di policy, con particolare riferimento a quelle riguardanti il contesto nazionale ed europeo. Sono pertanto oggetto di valutazione la conoscenza del ruolo dei governi e delle banche centrali, nonché la comprensione dei rapporti tra paesi nell’ambito delle unioni monetarie.
Viene inoltre verificato il raggiungimento di un’adeguata capacità di applicare le nozioni apprese, tenendo conto del funzionamento dei mercati e dei gruppi di paesi. A tal fine, agli studenti sono proposti scenari nei quali formulare risposte di policy a problemi concreti. Agli studenti viene anche richiesto di distinguere tra interventi alternativi, formulare giudizi su di essi ed eventualmente indicare le fonti necessarie per reperire dati adeguati. Oltre alle fonti di dati, che costituiscono la base delle decisioni strategiche, gli studenti devono saper indicare fonti documentali pertinenti.

Per ciascuna risposta, l’utilizzo di un adeguato linguaggio tecnico-economico e la capacità di sviluppare argomentazioni rigorose e opportunamente articolate costituiscono parte integrante della valutazione.
Per le prove d’esame superate, ossia con una votazione pari o superiore a 18/30, è prevista l’attribuzione di una votazione compresa tra 18 e 21/30 in presenza di una conoscenza almeno sufficiente delle principali problematiche proprie della politica economica e dei sottostanti modelli di economia politica. Una votazione compresa tra 22 e 25/30 può essere ottenuta se lo studente dimostra una buona conoscenza e comprensione di specifici interventi di policy esaminati nella letteratura economica. Una votazione più elevata, compresa tra 26 e 27/30, è associata a una capacità molto buona di interpretare gli strumenti descritti in relazione agli specifici contesti presentati durante il corso, dall’Italia all’Unione europea, dai Paesi BRIC ai paesi in via di sviluppo, eventualmente citando dati e casi di studio.
Per conseguire le votazioni più elevate, comprese tra 28 e 30/30 e 30 e lode, lo studente deve dimostrare un’ottima preparazione e fornire risposte esaurienti, che includano un’appropriata valutazione di diversi interventi di policy e strumenti, nonché riferimenti ai fenomeni quantitativi illustrati dal docente e presentati nel libro di testo, indicandone le fonti.
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento.

Testi di riferimento

Libro di testo consigliato: Marelli, E. Signorelli, M. (2025). Politica Economica – Le politiche in tempi di grandi shock e instabilità geopolitiche. Giappichelli. Ulteriore materiale sarà fornito dal docente.

Codice insegnamento 27427_631L-25-25_205836_452619

Statistica Economica 2° anno · 2° semestre · 9 CFU · STAT-02/A · 0 file

OBIETTIVI FORMATIVI L’insegnamento vuole dotare lo studente di strumenti per l’analisi quantitativa dei fenomeni economico-finanziari. In particolare, si intende fornire allo studente una conoscenza delle teorie e…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI
L’insegnamento vuole dotare lo studente di strumenti per l’analisi quantitativa dei fenomeni economico-finanziari. In particolare, si intende fornire allo studente una conoscenza delle teorie e delle tecniche per il monitoraggio del rischio finanziario di mercato e per l’indagine campionaria di fenomeni economici.

RISULTATI DI APPRENDIMENTO ATTESI
A. CONOSCENZA E COMPRENSIONE
Al termine del corso gli studenti saranno in grado di:

  • analizzare statisticamente il rischio finanziario di mercato;
  • utilizzare la teoria del campionamento statistico nella progettazione di una indagine.

    B. CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE
    Lo studente, al termine dell’insegnamento, sarà in grado di:
  • analizzare statisticamente ed interpretare i dati relativi ai principali mercati finanziari (dei cambi, del debito, di borsa, monetario);
  • valutare modelli statistici di Valore a Rischio per monitorare il rischio di un portafoglio costruito prendendo posizione su detti mercati;
  • interpretare i risultati di una indagine campionaria mediante i principii del campionamento statistico.

    C. AUTONOMIA DI GIUDIZIO
  • scegliere le metodologie più coerenti con le finalità di analisi quantitativa di fenomeni economico-finanziari;
  • selezionare criticamente gli strumenti software da applicare per l'implementazione delle strategie di analisi scelte.

    D. ABILITA' COMUNICATIVE
    Al termine del corso gli studenti avranno acquisito le seguenti abilità comunicative:
  • saper utilizzare il lessico inerente i dati finanziari, le analisi del rischio, le strategie di campionamento;
  • saper delineare e discutere rigorosamente i fondamenti statistici dei modelli studiati.

    E. CAPACITÀ DI APPRENDERE
  • saper individuare proposte formative adeguate a raggiungere i propri obiettivi professionali in termini di analisi statistica e finanziaria;
  • saper valutare le moderne piattaforme software disponibili per l'analisi di posizioni finanziarie.

Programma

Il corso è diviso in due moduli. Il primo modulo approfondisce le modalità con le quali la natura stocastica dei fenomeni finanziari può essere rappresentata attraverso gli strumenti della statistica. Il secondo modulo tratta del campionamento statistico da popolazione finite.

Statistica di base descrittiva e inferenziale.

Per la didattica ci si avvarrà di lezioni frontali. Le attività di didattica frontale avranno per oggetto argomenti teorici e saranno svolte dal docente, con la partecipazione occasionale di esperti di analisi di dati finanziari o di indagini campionarie, invitati a presentare testimonianze sugli argomenti trattati.

Modalità d'esame

La verifica dell’apprendimento si basa su due serie di quesiti. La prima serie, composta da due terzi delle domande complessive, verte sull’analisi statistica dei mercati finanziari, mentre la seconda ha ad oggetto la teoria dei campioni.
Valutazione: Voto in trentesimi.
Nella formulazione del giudizio finale troveranno applicazione i seguenti criteri di valutazione: • Mancato superamento dell’esame: il candidato non raggiunge nessuno dei risultati descritti ai punti A-E della sezione dedicata ai “Risultati di apprendimento attesi”. • Da 18 a 21: Livello sufficiente. Il candidato raggiunge, in particolare, i risultati di apprendimento descritti al punto A. • Da 22 a 24: Livello pienamente sufficiente. Il candidato raggiunge, in particolare, i risultati di apprendimento descritti ai punti A e B. • Da 25 a 26: Livello buono. Il candidato raggiunge i risultati di apprendimento di cui ai punti A-C. • Da 27 a 29: Livello molto buono. Il candidato raggiunge i risultati di apprendimento di cui ai punti A-D. • Da 30 a 30 e lode: Livello eccellente. Il candidato raggiunge pienamente tutti i risultati di apprendimento attesi.

Testi di riferimento

Appunti dalle lezioni di analisi dei dati finanziari.

Appunti dalle lezioni di teoria dei campioni.

Codice insegnamento 27427_631L-25-25_205830_452613

Corso A Scelta Dello Studente I 3° anno · 6 CFU · 0 file
Corso A Scelta Dello Studente Ii 3° anno · 6 CFU · 0 file
Critica Ed Etica Dell' Intelligenza Artificiale 3° anno · 1° semestre · 6 CFU · PHIL-02/A · 0 file

Il corso intende fornire agli studenti gli strumenti concettuali e critici per comprendere i principali problemi etici e filosofici posti dall’Intelligenza Artificiale (IA) e dalla robotica. Lo scopo è sviluppare una…

Scheda dell'insegnamento

Obiettivi formativi

Il corso intende fornire agli studenti gli strumenti concettuali e critici per comprendere i principali problemi etici e filosofici posti dall’Intelligenza Artificiale (IA) e dalla robotica. Lo scopo è sviluppare una consapevolezza critica sulle tecnologie emergenti, attraverso le lenti delle teorie etiche, del diritto e delle politiche pubbliche.

Programma

● Introduzione all’etica dell’IA
○ Concetti fondamentali, panoramica storica e introduzione ai dibattiti sul rapporto tra tecnologia e società.
● Privacy e sorveglianza
○ Gestione dei dati e tutela delle libertà individuali; impatto della sorveglianza di massa.
● Manipolazione dei comportamenti e dipendenze digitali
○ Meccanismi di “dark patterns”, “nudging”, social media e big data.
● Opacità dei sistemi di IA e bias algoritmico
○ Sistemi di decisione automatizzata, discriminazioni emergenti e possibili soluzioni (explainable AI, auditing, regolamentazione).
● Impatto sociale dell’automazione
○ Lavoro e disoccupazione tecnologica; implicazioni economiche e di giustizia distributiva.
● Autonomia e responsabilità
○ Concetto di “autonomous systems”; veicoli autonomi e armi autonome; responsabilità civile e penale.
● Machine ethics e agenti morali artificiali
○ Teorie e approcci sulla possibilità di delegare funzioni morali ai sistemi di IA.
● Superintelligenza e singolarità
○ Le tesi sul “rischio esistenziale” e i dibattiti sul controllo di sistemi superintelligenti.
● Policy, regolamentazione e prospettive future
○ Codici etici, linee guida e raccomandazioni per un’IA “trustworthy”.

Nessun prerequisito formale specifico. È consigliata una conoscenza di base delle tecnologie digitali.

Il corso prevede lezioni frontali, seminari interattivi, lavori di gruppo, incontri con esperti. Eventuali dettagli saranno specificati dal docente a lezione.

Modalità d'esame

Tipo di esame: orale
Modalità di verifica dell’apprendimento:
● Per i frequentanti: colloquio orale. Valutazione di eventuali lavori e presentazioni in classe.
● Per i non frequentanti: esame orale su materiali indicati in bibliografia e su eventuali letture aggiuntive concordate con il docente.

Testi di riferimento

Programma per frequentanti
● Selezione di articoli (in lingua italiana o inglese) tratti dalla Stanford Encyclopedia of Philosophy e dal volume Robot Ethics 2.0. From Autonomous Cars to Artificial Intelligence (a cura di P. Lin, K. Abney, R. Jenkins).
● Documenti ufficiali e linee guida:
○ Ethics Guidelines for Trustworthy AI (High-Level Expert Group on AI, Commissione Europea)
○ IEEE: Ethically Aligned Design
Programma per non frequentanti
● Luciano Floridi, La quarta rivoluzione: come l’infosfera sta trasformando il mondo, Raffaello Cortina, Milano 2017.
● Articoli aggiuntivi indicati dal docente, riguardanti nello specifico le tematiche di bias algoritmico, privacy e responsabilità legale dei sistemi autonomi.
● Selezione di fonti normative e linee guida (es. EU General Data Protection Regulation, Ethics Guidelines for Trustworthy AI) per comprendere i fondamenti della regolamentazione in materia di IA.

Codice insegnamento 27427_631L-25-25_205848_452631

Diritto Dell'Informazione E Delle Nuove Tecnologie 3° anno · 1° semestre · 6 CFU · GIUR-06/A · 0 file

Il corso fornisce allo studente la padronanza dei principali strumenti metodologici necessari per la comprensione e l’analisi anche critica del diritto all’informazione e dei media, con particolare riferimento allo…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce allo studente la padronanza dei principali strumenti metodologici necessari per la comprensione e l’analisi anche critica del diritto all’informazione e dei media, con particolare riferimento allo sviluppo e all’utilizzo delle nuove tecnologie e dell’ecosistema digitale nel quadro dei principi costituzionali sulla libertà di informazione e di essere informati.
Vengono affrontati i problemi giuridici che sorgono per effetto della metamorfosi rapidissima e radicale delle tecniche di diffusione, modalità di fruizione, tipologia stessa di utenti dei servizi di comunicazione e informazione. La rivoluzione legata ai big data analytics si fonda sulla raccolta massiva di dati, ed è prima di tutto una rivoluzione culturale: si “datizza” la realtà tramite informazioni trasmesse da device collegati alla rete, presenti sul territorio e nelle abitazioni (Internet of the Things). Attraverso la traduzione della realtà in grandi flussi di dati, diviene possibile stabilire correlazioni statistiche tra fenomeni che prima non erano evidenti, formulare previsioni sull’andamento dei fenomeni, assumere decisioni concernenti la tutela degli interessi (mediante algoritmi deterministici e non deterministici).
L’obiettivo è quello di consentire allo studente di apprendere i principi, le tecniche di regolazione e le politiche poste in essere a livello europeo – secondo un modello interventista che lo distingue dai sistemi dominanti su scala globale (Stati Uniti e Cina). L’Unione europea ha sviluppato un quadro normativo complesso e articolato che va dal trattamento dei dati, all’intelligenza artificiale, passando per i servizi e i mercati digitali e la libertà dei mezzi di informazione di massa.
Alla base di questo sforzo regolatorio vi è la comunicazione della Commissione europea dal titolo “Plasmare il futuro digitale dell’Europa”, che annuncia l’intenzione di adottare regole generali e il più possibile uni- formi riguardanti l’ecosistema digitale, anticipando le scelte regolative di altri paesi, con l’effetto di estendere oltre i confini dell’Europa i valori democratici posti alla base dell’Unione europea. Il problema di fondo riguarda la capacità delle istituzioni politiche e del diritto di preservare i modelli di convivenza sociale fondati sulla liberal-democrazia dinanzi all’enorme potere di influenza esercitato dalle cosiddette Big Tech, un manipolo di giganti tecnologici apparentemente in grado di espandersi senza limiti nell’arena globale.

Programma

Modulo I Nozioni generali (2 CFU)
1.Libertà di manifestazione del pensiero e diritti della persona
2. Le libertà di informazione nel quadro costituzionale
3. I limiti alle libertà di manifestazione del pensiero
4. Il diritto di cronaca, critica e satira

Modulo II I settori (2CFU)
5. Le comunicazioni elettroniche
6. La disciplina di Internet

Modulo III I temi trasversali (2 CFU)
7. Riservatezza e privacy
8. Gli organi di governo, di gestione e di garanzia

E' consigliata una conoscenza generale del diritto pubblico

Alle lezioni in aula si aggiungono attività di auto-apprendimento e verifica impiegando la piattaforma Moodle. Circa due terzi dell'attività in aula è costituita da lezioni frontali, un terzo si basa su esercitazioni che impiegano il metodo del problem based learning, vale a dire la discussione di casi concreti.

Modalità d'esame

L'esame è orale e consiste in un colloquio sui temi del corso con particolare attenzione alla capacità di argomentare partendo da problemi e all'acquisizione di un linguaggio tecnicamente appropriato
Potrà essere previsto, negli appelli della sessione estiva, un pre-esame scritto, normalmente il giorno prima dell’appello, sulla piattaforma e-learning moodle, consistente in 20 domande a risposta multipla e una domanda aperta. In questo caso, per sostenere la parte orale, occorre riportare un voto pari ad almeno 18/30 nel pre-esame scritto.
Con i frequentanti potranno essere concordate modalità di suddivisione degli esami in parziali sulla base dei moduli didattici.

Testi di riferimento

G. Gardini, Le regole dell’informazione
Pluralismo e libertà nell’era dell’intelligenza artificiale, Giappichelli, 2024

Codice insegnamento 27427_631L-25-25_205850_452633

Elementi Di Inferenza Bayesiana 3° anno · 2° semestre · 6 CFU · STAT-01/A · 0 file

1. Sviluppare una comprensione dei concetti di base sottostante l'approccio bayesiano al pensiero statistico. 2. Sviluppare competenze per lo sviluppo di modelli bayesiani e scelte di priori. 3. Fornire conoscenze di…

Scheda dell'insegnamento

Obiettivi formativi

1. Sviluppare una comprensione dei concetti di base sottostante l'approccio bayesiano al pensiero statistico.
2. Sviluppare competenze per lo sviluppo di modelli bayesiani e scelte di priori.
3. Fornire conoscenze di base sul calcolo bayesiano, per l'applicazione pratica dei modelli bayesiani alla risoluzione dei problemi di dati.

RISULTATI DI APPRENDIMENTO ATTESI:
Ci si attende che lo studente:

  • assimili i concetti fondamentali per un appproccio bayesiano alla staistica;
  • acquisisca gli strumenti bayesiani fondamentali per analizzare i fenomeni economici e sociali;
  • comprenda alcuni aspetti teorici e sappia esporli;


    La formazione del corso di Studi in sarà quindi completata e arricchita dalle seguenti competenze:
    1. Conoscenza e capacità di comprensione
    Conoscenza dei concetti teorici di base della statistica bayesiana e della terminologia di riferimento
    2. Conoscenza e capacità di comprensione applicate
    Capacità di applicare principi di ragionamento statistico bayesiano nell’interpretazione di fenomeni socio-economici
    3. Apprendimento delle nozioni logiche e statistiche indispensabili per lavorare autonomamente nella ricerca, selezione ed elaborazione dei dati socio-economici e nell'utilizzo di fonti statistiche ufficiali.
    4. Abilità comunicative
    Apprendimento della terminologia e delle tecniche statistiche, indispensabili per comunicare o discutere in modo appropriato risultati delle analisi condotte o di report socio-economici

Programma

Il corso inizia con il trattamento di modelli semplici, come quelli basati sulle distribuzioni normale e binomiale. Vengono illustrate le nozioni di priori coniugate e non informative, sia per modelli a singolo parametro che multi-parametro. Vengono inoltre affrontati in modo basilare modelli gerarchici e modelli di regressione lineare. Vengono presentati metodi computazionali bayesiani come il Gibbs sampling e gli algoritmi Metropolis-Hastings, incluso la programmazione in R.

Analisi matematica, calcolo delle probabilità e inferenza

L’Insegnamento è strutturato in 48 ore di didattica frontale, suddivise in lezioni da 2 ore in base al calendario accademico. La didattica frontale si costituisce di lezioni teoriche ed esercitazioni.
Durante l’insegnamento sono proposte agli studenti alcune verifiche dell’apprendimento da svolgersi in aula ed in modo collettivo che propongono quesiti volti a verificare la comprensione degli argomenti trattati.
La frequenza è facoltativa ma consigliata, e la prova finale sarà uguale per frequentanti e non.
Le lezioni sono in italiano. Per alcuni argomenti è previsto l'insegnamento di metodi di calcolo al computer in R.

Modalità d'esame

L'esame e' in forma scritta/orale e verifica l'apprendimento degli argomenti in programma a livello teorico e applicativo. La prova è divisa in due parti/esercizi: una parte è orientata all'accertamento della comprensione dei concetti teorici mentre l'altra alle competenze acquisite nel trattamento di dati e risoluzione di problemi statistici. La votazione va da 0 a 30/30, ottenuta come somma dei punteggi conseguiti nelle due parti/esercizi.

Testi di riferimento

  • Bayesian Data Analysis (2013) by Andrew Gelman, John Carlin, Hal Stern, David Dunson, Aki Vehtari, and Donald Rubin. Third Edition. CRC Press, Taylor & Francis Group.
  • Bayesian Statistical Methods (2019) by Brian J. Reich and Sujit K. Ghosh. CRC Press, Taylor & Francis Group.
  • Statistical Inference: An Integrated Approach, Second Edition 2nd Edition (2014) by Helio S. Migon, Dani Gamerman, Francisco Louzada. Chapman & Hall/CRC Press.
  • Statistical Rethinking: a Bayesian course with examples in R and Stan (2020) by Richard McElreath. Second Edition. Chapman & Hall/CRC Press.
  • An Introduction to Bayesian Thinking - A companion to the Statistics with R Course (2021) Merlise Clyde, Mine Cetinkaya-Rundel, Colin Rundel, David Banks, Christine Chai and Lizzy Huang. Electronically available from https://statswithr.github.io/book/

Codice insegnamento 27427_631L-25-25_213424_463005

Ia E Machine Learning 3° anno · 9 CFU · INFO-01/A · 0 file
Intelligenza Artificiale Per I Processi Decisionali 3° anno · 2° semestre · 6 CFU · ECON-04/A · 0 file

Il Corso vuole introdurre dinamiche e megatrend delle tecnologie del settore dell’Intelligenza Artificiale e analizzare gli impatti che avranno sui processi socio-economici, soprattutto per quanto riguarda quelli a…

Scheda dell'insegnamento

Obiettivi formativi

Il Corso vuole introdurre dinamiche e megatrend delle tecnologie del settore dell’Intelligenza Artificiale e analizzare gli impatti che avranno sui processi socio-economici, soprattutto per quanto riguarda quelli a supporto del trattamento delle informazioni in generale e delle decisioni in particolare. Durante il corso verranno discussi casi concreti di progetti in cui le tecnologie basate su AI hanno innovato in modo a volte molto forte prodotti e servizi offerti dalle aziende.

Programma

Il corso ha per oggetto la Teoria dell'AI il suo sviluppo tecnologico dai primordi fino alle più recenti tecniche "generative", con lo scopo di evidenziarne le attuali applicazioni industriali e le prospettive, con un focus sui processi decisionali, anche evidenziando le implicazioni etiche e sociali che derivano dall'adozione di tali tecnologie.

Machine learning
Python

Il docente svolgerà lezioni frontali teoriche sugli argomenti previsti dall’intero programma.
Le lezioni saranno arricchite dall’analisi di casi pratici e dallo svolgimento di esercitazioni, discussioni e letture di gruppo.
Al fine di una più efficace illustrazione dei contenuti in aula sono previsti approfondimenti attraverso seminari e lavori di gruppo.

Modalità d'esame

Tipo di esame: prova orale.
La verifica dell’apprendimento è svolta attraverso una prova orale suddivisa in domande dirette a valutare le seguenti aree che valgono ciascuna 1/3 del voto finale:
1) il grado di approfondimento dell’intero programma di studio;
2) l’adeguatezza terminologica rispetto ai temi trattati che permetta di usare con precisione i concetti propri delle tecnologie dell'AI.
3) l’acquisizione delle capacità e delle abilità di applicazione delle conoscenze acquisite ai problemi concreti della teoria delle decisioni.
Valutazione:

  • Da 18 a 21: preparazione sufficiente con specifico riguardo allo studio dei principi generali;
  • Da 22 a 24: preparazione pienamente sufficiente con specifico riguardo allo studio dei principi generali della teoria dell'AI;
  • Da 25 a 26: preparazione buona con specifico riguardo allo studio dei principi generali della teoria dell'AI e delle sue applicazioni industriali.
  • Da 27 a 29: preparazione molto buona con specifico riguardo allo studio dei principi generali della teoria dell'AI e delle sue applicazioni industriali, con particolare riguardo alla teoria delle decisioni.
  • Da 30 a 30 e lode: preparazione molto buona con specifico riguardo allo studio dei principi generali della teoria dell'AI e delle sue applicazioni industriali, con particolare riguardo alla teoria delle decisioni, nonché alle principali implicazioni di ordine etico e sociale.

Testi di riferimento

dispense del docente

Codice insegnamento 27427_631L-25-25_212822_462405

Prova Finale 3° anno · 6 CFU · 0 file
Seminari, Laboratori, Workshop 3° anno · 1 CFU · 0 file
Social Media Analytics 3° anno · 12 CFU · STAT-03/B · 0 file

Il corso di Social Network Analysis fornisce competenze teoriche e pratiche per l'analisi delle reti sociali e dei dati provenienti dai social media, con particolare attenzione all'estrazione, alla modellizzazione e alla…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Social Network Analysis fornisce competenze teoriche e pratiche per l'analisi delle reti sociali e dei dati provenienti dai social media, con particolare attenzione all'estrazione, alla modellizzazione e alla visualizzazione delle relazioni. L'analisi si concentrerà principalmente sulle relazioni e interazioni digitali, sviluppando la capacità di estrarre e analizzare autonomamente dati dai principali social media e piattaforme digitali.
Obiettivi formativi
1. Comprendere i concetti fondamentali della Social Network Analysis (SNA)
Distinguere le diverse tipologie di reti e legami (egonetwork, connessioni dirette e indirette).
Analizzare l’impatto dei metodi di estrazione sulla struttura e sull’interpretazione della rete.
Applicare indici statistici e tecniche per caratterizzare le reti sociali.
2. Utilizzare metodi e strumenti per la raccolta e l’analisi dei dati nei social media
Estrarre e analizzare autonomamente dati dai social media utilizzando linguaggi di programmazione e/o piattaforme online.
Elaborare dati non strutturati per il confronto e la caratterizzazione delle reti sociali.
3. Applicare tecniche di analisi statistica e machine learning ai dati di rete
Modellare le relazioni e caratterizzare fenomeni sociali.
Identificare tendenze, attori influenti e pattern ricorrenti.
4. Sviluppare competenze di data visualization e comunicazione dei risultati
Rappresentare le reti con tecniche di visualizzazione, garantendo un’interpretazione solida basata sulla teoria.
Analizzare criticamente gli output e le implicazioni per le decisioni strategiche.
Comunicare efficacemente i risultati dell’analisi.
5. Adottare un approccio critico e metodologico all’analisi dei fenomeni digitali
Progettare e condurre autonomamente studi empirici basati sulla Social Network Analysis su grandi moli di dati.
L’apprendimento avverrà attraverso lezioni teoriche, esercitazioni pratiche con software specifici e lavori di gruppo su dataset reali.

Il modulo di Text Mining fornisce le competenze teoriche e pratiche per analizzare contenuti testuali con particolare attenzione ai dati provenienti dai social media attraverso l’estrazione, modellizzazione e visualizzazione dei contenuti. L’analisi riguarderà principalmente post e commenti online, con la capacità di estrarre e analizzare autonomamente dati dai principali social media e piattaforme digitali. Il modulo è dunque intrinsecamente sinergico con il precedente modulo di Social Network Analysis garantendo allo studente la possibilità di analizzare criticamente grandi moli di dati provenienti dai Social Network, offrendo la possibilità di essere esposti alle diverse fasi di un’analisi (individuazione del dato, estrazione, pulizia, analisi, sintesi, interpretazione ed esposizione)
Obiettivi di Apprendimento
1. Comprendere i fondamenti del Text Mining per i Social Media
Estrarre e preprocessare dati testuali da principali social media e fonti online.
Apprendere le principali tecniche di text mining, tra cui tokenizzazione, stemming e lemmatizzazione.
Esplorare diverse trasformazioni di vettorizzazione per analizzare token e documenti.
2. Applicare tecniche statistiche e di machine learning ai dati testuali
Eseguire analisi del sentiment, topic modeling e classificazione dei testi.
Utilizzare word embeddings e tecniche di vettorizzazione (ad esempio, TF-IDF, Word2Vec).
Implementare metodi di clustering e riduzione dimensionale per l'analisi dei testi.
3. Estrarre intuizioni dai contenuti testuali dei social media
Elaborare e analizzare i dati testuali provenienti da post, commenti e discussioni online sui social media.
Identificare tendenze, temi ricorrenti e narrazioni emergenti all'interno delle piattaforme digitali.
4. Visualizzare e comunicare le intuizioni dal text mining
Utilizzare strumenti adeguati per visualizzare i dati testuali.
Interpretare e valutare criticamente i risultati per supportare il processo decisionale.
5. Adottare un approccio critico e metodologico nell'analisi dei dati testuali digitali
Progettare e condurre studi empirici utilizzando grandi set di dati testuali.
Sviluppare un approccio strutturato per analizzare e interpretare i testi dei social media.
Considerare ulteriori applicazioni del text mining e dell'analisi dei dati testuali tra cui: hate speech, social media listening, marketing, sociologia, analisi delle opinioni e monitoraggio delle informazioni online, salute e sanità.

Testi di riferimento

Il materiale didattico, comprendente slide, riferimenti e ulteriori risorse, sarà fornito durante le lezioni, presentato dal docente e reso disponibile tramite il sito del corso per il download.

Testi consigliati:
Menczer, F., Fortunato, S., & Davis, C. A. (2020). A First Course in Network Science. Cambridge: Cambridge University Press.
Borgatti, S. P., Everett, M. G., Johnson, J. C., & Agneessens, F. (2022). Analyzing social networks using R. Sage.

Il materiale didattico, comprendente slide, riferimenti e ulteriori risorse, sarà fornito durante le lezioni, presentato dal docente e reso disponibile tramite il sito del corso per il download.

Testi consigliati:
Ignatow, G., & Mihalcea, R. (2018). An introduction to text mining. SAGE Publications
Jockers, M. L., & Thalken, R. (2020). Text analysis with R. Springer International Publishing.

Codice insegnamento 27427_631L-25-25_205840_452623

Sociologia Digitale E Analisi Del Web 3° anno · 2° semestre · 6 CFU · GSPS-05/A · 0 file

Il corso si propone di fornire agli studenti una comprensione critica e approfondita delle trasformazioni sociali legate alla digitalizzazione, esaminando il ruolo della tecnologia nella società attraverso la lente dei…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti una comprensione critica e approfondita delle trasformazioni sociali legate alla digitalizzazione, esaminando il ruolo della tecnologia nella società attraverso la lente dei Science and Technology Studies (STS).
Al termine del corso, gli studenti saranno in grado di:

  • comprendere il ruolo delle tecnologie digitali nello sviluppo della società contemporanea attraverso la prospettiva dei Science and Technology Studies;
  • analizzare i fenomeni sociali nello spazio digitale, riconoscendo le dinamiche di interazione e i processi di formazione delle opinioni online;
  • applicare tecniche di ricerca per la raccolta e l’analisi dei dati digitali;
  • sviluppare un approccio critico alle questioni legate all’uso dell’intelligenza artificiale e dei big data nella ricerca sociale;
  • affrontare le sfide metodologiche ed etiche connesse all’analisi del web e dei social media.

Programma

Il corso si articola in tre moduli principali:
1. La digitalizzazione e lo sviluppo tecnologico attraverso i Science and Technology Studies (STS)

  • Le origini di Internet e le prime forme di comunicazione digitale;
  • La diffusione del web e l’evoluzione delle piattaforme digitali;
  • La società delle reti e il concetto di spazio digitale;
  • L’emergere delle piattaforme algoritmiche e l’era dell’Intelligenza Artificiale.
    2. I fenomeni sociali nello spazio digitale
  • Struttura e dinamiche delle interazioni sociali online;
  • La formazione delle comunità digitali e le culture di rete;
  • Disinformazione, fake news e processi di polarizzazione;
  • Il ruolo dei social media nella costruzione dell’opinione pubblica.
    3. Metodi e tecniche di analisi del web
  • Approcci quantitativi e qualitativi nello studio della società digitale;
  • Web scraping e raccolta dati online;
  • Social Network Analysis per lo studio delle interazioni digitali;
  • Sentiment analysis e analisi automatizzata dei testi;
  • Etica e metodologia nella ricerca digitale.

Nessuno

Il corso si articolerà in lezioni frontali di carattere teorico ed interventi seminariali sui temi del corso. La frequenza alle attività didattiche non è obbligatoria, tuttavia, è fortemente consigliata.

Modalità d'esame

Colloquio orale

Testi di riferimento

Latour B. (2022) Riassemblare il sociale, Meltemi ed., Milano.
Airoldi M. (2024) Machine habitus. Sociologia degli algoritmi, Luiss
Castels M. (2014) La nescita della società in rete (qualsiasi edizione)
Zuboff, S. (2020). Il capitalismo della sorveglianza. Luiss University Press.

Codice insegnamento 27427_631L-25-25_205852_452635

Tirocinio 3° anno · 5 CFU · 0 file
Machine Learning 1° semestre · 6 CFU · INF/01 · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.