Ciencia de Datos aplicada a las Ciencias Sociales y a las Políticas Públicas

Inscripción abierta

Contenidos

Unidad 1. Ciencia de datos y ciencias sociales computacionales: introducción

  • Ciencia de datos y ciencias sociales computacionales: dos formas de nombrar un mismo desplazamiento en la investigación social contemporánea, marcado por la aparición de nuevas fuentes de información, escalas de análisis y preguntas de investigación habilitadas por el desarrollo tecnológico reciente.
  • Continuidades y rupturas con la tradición metodológica moderna: qué conservan estos enfoques del razonamiento cuantitativo clásico y qué introducen de novedoso en el trabajo de investigación social.
  • Lógica general de los métodos computacionales: proyectos organizados en torno a datos, lenguajes de programación, flujos de trabajo reproducibles, control de versiones y documentación como principios estructurantes.


Unidad 2. Métodos computacionales aplicados: del flujo analítico a la lectura crítica de casos

  • Anatomía de un flujo completo de análisis: importación, limpieza, preparación de variables, análisis estadístico y visualización de resultados como etapas que estructuran cualquier proyecto de ciencia de datos, y decisiones metodológicas involucradas en cada una.
  • Lenguajes de programación e interfaces de trabajo: principales herramientas utilizadas en investigación social (R y Python), sus interfaces y criterios para elegir la adecuada.
  • Lectura crítica de investigación computacional: análisis de casos reales de investigación social basada en métodos computacionales, atendiendo a las preguntas que formulan, las fuentes que movilizan y las estrategias analíticas que despliegan.


Unidad 3. Proyectos aplicados de ciencia de datos en ciencias sociales

  • La web como fuente de información social y política: fundamentos del web scraping, posibilidades y limitaciones para la investigación, con aplicaciones al análisis de fenómenos político-electorales contemporáneos.
  • El texto como dato: fundamentos del análisis cuantitativo de información narrativa masiva, fases de procesamiento y tipos de análisis para describir sentido en corpus documentales de gran escala, con aplicaciones al estudio de políticas públicas a través de discursos institucionales.
  • Inteligencia artificial y vibe coding en el trabajo de investigación: qué son los grandes modelos de lenguaje (LLMs), cómo operan, y qué criterios permiten integrarlos productiva y críticamente al flujo de programación y análisis de datos.
  • Análisis de plataformas digitales: X, Facebook e Instagram como aproximación a las interacciones que hoy constituyen una parte relevante de la opinión pública, con discusión de sus alcances como insumo para la comunicación estratégica y para la investigación social.
  • Sistematización de información semi-estructurada a gran escala: herramientas computacionales para ordenar, integrar y automatizar el reporte de información proveniente de fuentes institucionales, administrativas y estadísticas.

Bibliografía de referencia 

  • González-Bailón, S. (2017) Decoding the Social World. Data Science and the Unintended Consequences of Communication. The MIT Press, Cambridge.
  • Salganik, M.J. (2019). Bit by Bit: Social Research in the Digital Age. Princeton UP.
  • González, F. (2019). Big data, algoritmos y política: las ciencias sociales en la era de las redes digitales. Cinta moebio 65. Páginas 267-280.
  • Lazer, D. et al. (2020). Computational Social Science: Obstacles and Opportunities. Science, 369(6507), 1060–1062.
  • Ziems, C. et al. (2024). Can Large Language Models Transform Computational Social Science? Computational Linguistics, 50(1).
  • Khan, B. et. al. (2024). An Overview of ETL Techniques, Tools, Processes and Evaluations in Data Warehousing. Journal on Big Data.
  • Ashwin, J., Chhabra, A., & Rao, V. (2025). Using Large Language Models for Qualitative Analysis can Introduce Serious Bias. Sociological Methods & Research, 0(0).
  • Wickham, H., Çetinkaya-Rundel, M. & Grolemund, G. (2023). R for Data Science.
  • Grimmer, J., Roberts, M.E. & Stewart, B.M. (2022). Text as Data: A New Framework for Machine Learning and the Social Sciences. Princeton University Press.
  • Heumann, C., Schomaker, M., & Shalabh. (2016). Introduction to Statistics and Data Analysis. With Exercises, Solutions and Applications in R. Springer International Publishing.
  • Ritchey, Ferris (2008). Estadística para las ciencias sociales. McGraw-Hill Interamericana de España S.L.
  • Ruiz Bruzzone, F., & Ortiz Tacchi, J. (2025). Análisis computacional de información financiera en formato XBRL: una aplicación a grupos económicos de Chile (2000–2019). En Investigación cuantitativa: Estrategias metodológicas recientes para tesis doctorales en Ciencias Económicas y Sociales. Editorial de la Facultad de Ciencias Económicas de la Universidad Nacional de Córdoba. http://hdl.handle.net/11086/559603