|
課程名稱 |
社群媒介輿論分析
Social Media and Public Opinion Analysis |
|
開課學期 |
108-2 |
|
授課對象 |
社會科學院 新聞研究所 |
|
授課教師 |
謝吉隆 |
|
課號 |
JOUR7088 |
|
課程識別碼 |
342 M3040 |
|
班次 |
|
|
學分 |
3.0 |
|
全/半年 |
半年 |
|
必/選修 |
選修 |
|
上課時間 |
星期二2,3,4(9:10~12:10) |
|
上課地點 |
新聞103 |
|
備註 |
初選不開放。社群媒介輿論分析之學生應有修過程式設計課程，本課程使用R。
限本系所學生(含輔系、雙修生)
總人數上限：15人 |
|
Ceiba 課程網頁 |
http://ceiba.ntu.edu.tw/1082comcomm |
|
課程簡介影片 |
|
|
核心能力關聯 |
核心能力與課程規劃關聯圖 |
|
課程大綱
|
|
為確保您我的權利,請尊重智慧財產權及不得非法影印
|
|
課程概述 |
1. 本課程將應用資料科學方法截取社群輿論與新聞文本來探索其背後的立場、階級、議題設定、意識形態等議題。
2. 課程成果為學生以個人為單位撰寫研究論文。
3. 本課程並非程式語言教學課程，預設學生至少修過一門程式課程（R或Python）。
4. 如有意願修課之同學，除注意必需在開學第一週前（02/24 23:59 Due）繳交初步研究計畫書外，請填寫修課意願表（https://forms.gle/XCBU6tB15zEKRrQWA），以避免過年或寒假期間漏信、漏寄之情形。經確認研究計畫書內容無誤後，將在02/26通知選課結果，敬請03/03準時到課。
5. 請複製以下初步研究計畫書（內含題目建議與格式範本）並在規定時限內將Google docs連結寄給老師（https://docs.google.com/document/d/1vOSsqgV1NMOi7WTWw-iNs-J1IgwRqEsDARPLz60GZjg/edit?usp=sharing） |
|
課程目標 |
1. 學生具有應用文字探勘方法於傳播議題上的能力
2. 經過相關議題背景介紹後，學生有查找相關文獻的能力
3. 學生有能夠獨立實作文字探勘技術的能力 |
|
課程要求 |
Essay 60% (Proposal 15%; Initiative: 10%; Final work: 35%)
- Proposal (at least 6 pages with font size 12 and single space in google docs. Required to search additional reference for supporting your idea)
- Initiative(Required to meet with instructor personally at least 2 times, with the preparation of handout, slides, and ongoing methods, experiments, or programming)
- Final (Presentation 10%, Essay 25% at least 10 pages in APA format with correct reference style, and figure/table captions)
|
|
預期每週課後學習時數 |
|
|
Office Hours |
|
|
指定閱讀 |
待補 |
|
參考書目 |
Ch 1~5, Manning, C. D., Manning, C. D., & Schütze, H. (1999). Foundations of statistical natural language processing. MIT press.
Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008.
Ch 1~6, Weiss, S. M., Indurkhya, N., & Zhang, T. (2015). Fundamentals of predictive text mining. S`pringer.
|
|
評量方式
(僅供參考) |
|
No. |
項目 |
百分比 |
說明 |
|
1. |
Assignments |
20% |
Required to implement skills or algorithms for specific topics such as political communication, health communication, or user modeling (Examples of collocation with PMI, topic modeling and visualization, crawling wiki DB for improving tokenization, using word embedding for doc classification). |
2. |
Literature Review |
20% |
Required to summarize (with handout) and lead course discussion for specific topics |
3. |
Essay |
60% |
Proposal 15%; Initiative: 10%; Final work: 35% |
|
|
週次 |
日期 |
單元主題 |
|
第1週 |
3/03 |
Course overview
Discussing on preliminary proposal |
|
第2週 |
3/10 |
Text mining: Overview (Python) |
|
第3週 |
3/17 |
Feature selections (Python) |
|
第4週 |
3/24 |
Collocation and term-network (Python and R) |
|
第5週 |
3/31 |
Invited speech: Text mining for Elections |
|
第6週 |
4/07 |
Topic modeling with STM (R) |
|
第7週 |
4/14 |
Literature review: topic modeling applications |
|
第8週 |
4/21 |
Word embeddings and text classification (Python) |
|
第9週 |
4/28 |
Midterm break |
|
第10週 |
5/05 |
Proposal |
|
第11週 |
5/12 |
Literature review: text mining for short text |
|
第12週 |
5/19 |
Literature review: detecting ideology in text |
|
第13週 |
5/26 |
Literature review: text mining for detecting agenda-settings? |
|
第14週 |
6/02 |
Predictive text analysis
Rehearsal |
|
第15週 |
6/09 |
Invited speech: NLP for social science |
|
第16週 |
6/16 |
Final report |
|