Negli ultimi anni si è assistito a una disponibilità senza precedenti di informazioni su fenomeni sociali, economici e tecnologici. Ricercatori, operatori e responsabili politici hanno oggi accesso a enormi insiemi di dati (i cosiddetti “Big Data”) relativi a persone, aziende e istituzioni, dispositivi web e mobili, satelliti, ecc. Anche i dati relazionali (big) sono in aumento, documentando così una crescente necessità di far luce sulle relazioni tra gli attori della ricerca e dell’innovazione. Network Science (NS), Bayesian Networks (BN), Machine Learning (ML) e Spatial Model (SM) sono tecniche relativamente nuove in grado di ampliare la nostra comprensione di sistemi socio-tecnologici complessi, sia scavando in profondità nel potere informativo dei dati (ML), sia aumentando la comprensione della dimensione relazionale del sistema (NS, BN e SM). La Data Science School, fornirà ai partecipanti gli strumenti essenziali per una corretta applicazione di alcuni metodi NS, BN, ML e SM in vari contesti STI. In particolare:
- Le tecniche di ML si rivelano utili per il rilevamento dell’importanza dei fattori e per la classificazione in una posizione priva di modelli;
- Le tecniche NS e SM sono utili per identificare e studiare la struttura e la dinamica di comunità STI ampie e complesse.
L’offerta formativa prevede quattro moduli (uno su NS, uno su BN, uno su ML e uno su SM) con l’obiettivo di bilanciare teoria e applicazioni. I partecipanti eseguiranno alcuni esercizi assegnati dall’istruttore sotto la sua supervisione.
Questa scuola, offerta nell’ambito delle attività del WP8 (Task 8.1 Online Courses), contribuisce direttamente agli obiettivi del progetto FOSSR (Fostering Open Science in Social Science Research), favorendo lo sviluppo di nuove competenze e conoscenze essenziali per lavorare con l’Open Science Cloud sviluppato nell’ambito di FOSSR.
Formando i partecipanti all’uso di tecniche di NS, BN, ML e SM, il corso supporta l’integrazione e l’analisi di diverse fonti di dati all’interno di Open Science Cloud, consentendo ai ricercatori di generare approfondimenti più sfumati e di promuovere il processo decisionale guidato dai dati nella ricerca sulle scienze sociali.
La scuola offre un’esplorazione approfondita di tecniche e metodologie statistiche avanzate, con particolare attenzione ai modelli di rete, alla modellazione bayesiana, al machine learning e ai modelli spaziali, applicati specificamente nel contesto delle infrastrutture di ricerca (RI). I partecipanti impareranno a interagire efficacemente con le RI e a sfruttare le loro risorse a fini di ricerca, migliorando la loro comprensione della gestione e dell’analisi dei dati nei sistemi di scienza, tecnologia e innovazione (STI).
Aspetti innovativi: Questo corso integra i progressi più avanzati della scienza delle reti, delle reti bayesiane, dell’apprendimento automatico e dei modelli spaziali, studiati appositamente per l’analisi di sistemi STI complessi. Il programma enfatizza l’applicazione pratica utilizzando set di dati reali, rendendolo una risorsa preziosa per coloro che lavorano con i dati della ricerca.
Durata: Il corso dura quattro giorni, dal 24 al 27 febbraio 2025, con sessioni giornaliere dalle 11:00 alle 16:30.
Destinatari: Il corso è rivolto a ricercatori all’inizio della carriera, data manager e tecnici coinvolti nella gestione, nell’analisi e nell’interpretazione dei dati di ricerca, in particolare nell’ambito delle scienze sociali. I destinatari includono, ma non si limitano a, ricercatori all’inizio della carriera, ricercatori che aspirano a progredire nella loro carriera, tecnici, amministratori di dati e gestori di dati.
Approccio metodologico: l corso è strutturato in lezioni interattive, sessioni pratiche con R e segmenti dedicati alle domande e risposte, che consentono ai partecipanti di confrontarsi direttamente con gli esperti e di applicare i concetti appresi in tempo reale.
Piattaforma di incontro virtuale e spazio di lavoro: Il corso si svolge online attraverso una piattaforma di apprendimento virtuale dedicata, che garantisce una partecipazione interattiva e l’accesso a tutte le risorse necessarie.
La scuola si svolge in inglese. Tutti i materiali saranno pubblicati in inglese. È rivolto a coloro che sono o desiderano essere coinvolti nella creazione, acquisizione, analisi o gestione dei dati di ricerca nell’ambito delle discipline delle scienze sociali.
Termine ultimo per la presentazione delle domande: 30 gennaio 2025. Notifica di accettazione entro il 7 febbraio 2025.
La partecipazione sarà limitata a un massimo di 40 partecipanti. Nel caso in cui il numero di iscrizioni sia superiore a 40, verrà effettuata una selezione in base alla rilevanza del background formativo o professionale, in relazione agli argomenti del corso, come indicato nel CV presentato. In particolare, i requisiti fondamentali per l’ammissione saranno: conoscenza dei principi di base della statistica; interesse per gli studi nel campo STI.
Antonio Zinilli (Chair della Scuola), Antonio Zinilli, ricercatore presso il CNR-IRCrES, si occupa di Network Science, processi dinamici sui sistemi di conoscenza e innovazione e Text Mining. È coordinatore della Scuola IRCRES in “Data Science: strumenti e metodi per l’analisi di sistemi complessi di Scienza, Tecnologia e Innovazione (STI)”. È WP Leader nel progetto PNRR – FOSSR ed è tra i gestori del dataset EFIL, parte dell’infrastruttura europea RISIS per gli studi sulla ricerca e l’innovazione.
Barbara Guardabascio è professoressa associata di Statistica economica e membro del Business and Collective Intelligence Lab dell’Università di Perugia. I suoi interessi di ricerca comprendono la previsione economica, l’analisi del ciclo economico e i big data, aree in cui è autrice di diversi articoli su riviste internazionali.
Lorenzo Giammei, ricercatore presso il CNR-IRCrES. I suoi studi si concentrano sull’inferenza causale, applicando approcci sia ai risultati potenziali che alle reti causali bayesiane. Ha applicato i metodi citati a questioni di ricerca microeconomica relative alle imprese, al divario di genere e alla produttività della ricerca.
Giovanni Cerulli è ricercatore senior presso il CNR-IRCrES. Le sue principali aree di ricerca sono l’inferenza causale e l’apprendimento automatico. Il suo principale campo di applicazione è l’economia dell’innovazione, sebbene abbia contributi anche in altre aree socio-economiche. È coordinatore del progetto PNRR – FOSSR.
