Ensino de Análise de Redes Sociais: Experiências na Escola de Artes, Ciências e Humanidades da Universidade de São Paulo

• Luciano Antonio Digiampietri USP

DOI: https://doi.org/10.5753/brasnam.2024.3616

Resumo

Este artigo descreve a disciplina de Análise de Redes Sociais oferecida na Escola de Artes, Ciências e Humanidades da USP, que é ministrada desde 2022 para estudantes de graduação e pós-graduação em Sistemas de Informação, motivada pelo interesse crescente dos alunos e pela sua relevância multidisciplinar. Na graduação, observa-se elevado engajamento nos projetos práticos em grupo da disciplina. Já na pós-graduação, muitos estudantes cursam a disciplina como ingressante ou aluno especial, utilizando o aprendizado e a elaboração de projetos para aperfeiçoar sua formação como pesquisadores e/ou na preparação para o ingresso no programa de pós-graduação.

Referências

Brandes, U., Delling, D., Gaertler, M., Gorke, R., Hoefer, M., Nikoloski, Z., and Wagner, D. (2008). On modularity clustering. IEEE Transactions on Knowledge and Data Engineering, 20(2):172–188.

Budak, C., Agrawal, D., and El Abbadi, A. (2011). Structural trend analysis for online social networks. Proc. VLDB Endow., 4(10):646–656.

Casimiro, G. R. and Digiampietri, L. A. (2022). Authorship attribution with temporal data in reddit. In Proceedings of the XVIII Brazilian Symposium on Information Systems, SBSI ’22, New York, NY, USA. Association for Computing Machinery.

Cormen, T. H., Leiserson, C. E., Rivest, R. L., and Stein, C. (2001). Introduction to Algorithms. MIT Press, Cambridge, MA.

Daud, N. N., Ab Hamid, S. H., Saadoon, M., Sahran, F., and Anuar, N. B. (2020). Applications of link prediction in social networks: A review. Journal of Network and Computer Applications, 166:102716.

de Brito, J. F. and Digiampietri, L. A. (2013). Uma revisão acerca da recomendação personalizada de conteúdo. Revista de Sistemas de Informação da FSMA, 12:33–40.

de Fonseca, F., Paraboni, I., and Digiampietri, L. (2023). Contextual stance classification using prompt engineering. In Anais do XIV Simpósio Brasileiro de Tecnologia da Informação e da Linguagem Humana, pages 33–42, Porto Alegre, RS, Brasil. SBC.

de Morais, D. M. G. and Digiampietri, L. A. (2021). Methods and challenges in social bots detection: A systematic review. In Proceedings of the XVII Brazilian Symposium on Information Systems, SBSI ’21, New York, NY, USA. Association for Computing Machinery.

Devlin, J., Chang, M., Lee, K., and Toutanova, K. (2018). BERT: pre-training of deep bidirectional transformers for language understanding. CoRR, abs/1810.04805.

Digiampietri, L. (2015). Análise da Rede Social Acadêmica Brasileira. PhD thesis, Universidade de São Paulo.

Digiampietri, L., Mena-Chalco, J., de Jésus Pérez-Alcázar, J., Tuesta, E. F., Delgado, K., and Mugnaini, R. (2012a). Minerando e caracterizando dados de currículos lattes. In CSBC 2012 BraSNAM ().

Digiampietri, L. A., Mena-Chalco, J., Silva, G. S., Oliveira, L., Malheiro, A., and Meira, D. (2012b). Dinâmica das relações de coautoria nos programas de pós-graduação em computação no Brasil. In Brazilian Workshop on Social Network Analysis and Mining (BraSNAM 2012) Anais do XXXII Congresso da Sociedade Brasileira de Computação (CSBC 2012), page 12, Curitiba, PR, Brasil.

Digiampietri, L. A., Mena-chalco, J. P., Melo, P. O. V., Malheiros, A. P., Meira, D. N. O., Franco, L. F., and Oliveira, L. B. (2014). BraX-Ray: An X-Ray of the Brazilian Computer Science Graduate Programs. Plos-One, 9(4):e94541.

Fagundes, M. J. G., Roman, N. T., and Digiampietri, L. A. (2024). The use of syntactic information in fake news detection: A systematic review. SBC Reviews on Computer Science, 4(1):1–10.

Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3):37.

Ferreira, G. E., Santos, B. L., do Ó, M. T., Braz, R. R., and Digiampietri, L. A. (2021). Social bots detection in brazilian presidential elections using natural language processing. In Proceedings of the XVII Brazilian Symposium on Information Systems, SBSI ’21, New York, NY, USA. Association for Computing Machinery.

Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1:215–239.

Hooker, S. (2021). Moving beyond “algorithmic bias is a data problem”. Patterns, 2(4):100241.

Jurafsky, D. and Martin, J. H. (2024). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. Prentice Hall, Englewood Cliffs, New Jersey, 3 edition.

Lemieux, V. and Ouimet, M. (2008). Análise Estrutural das Redes Sociais. Instituto Piaget.

Maruyama, W. and Digiampietri, L. (2016). Predição de relacionamentos em redes sociais, uma revisão sistemática. In Anais do V Brazilian Workshop on Social Network Analysis and Mining, pages 163–174, Porto Alegre, RS, Brasil. SBC.

Mena-Chalco, J. P., Digiampietri, L. A., Lopes, F. M., and Cesar, R. M. (2014). Brazilian bibliometric coauthorship networks. Journal of the Association for Information Science and Technology, 65:1424–1445.

Mitchell, S., Potash, E., Barocas, S., D’Amour, A., and Lum, K. (2021). Algorithmic fairness: Choices, assumptions, and definitions. Annual Review of Statistics and Its Application, 8(Volume 8, 2021):141–163.

Oliveira, J., Alencar, A., Xavier, C., Viana, D., Araújo, E., Lobato, F., Lopes, G., Digiampietri, L., Silva, M., Brandão, M., Moro, M., Moura, R., and Santos, R. (2023). Gimars: Grupo de interesse em mineração e análise de redes sociais. In Anais do XII Brazilian Workshop on Social Network Analysis and Mining, pages 13–18, Porto Alegre, RS, Brasil. SBC.

Park, D. H., Kim, H. K., Choi, I. Y., and Kim, J. K. (2012). A literature review and classification of recommender systems research. Expert Systems with Applications, 39(11):10059–10072.

Radford, A., Narasimhan, K., Salimans, T., and Sutskever, I. (2018). Improving language understanding by Generative Pre-Training.

Ribeiro, F. N., Araújo, M., Gonçalves, P., Gonçalves, M. A., and Benevenuto, F. (2016). Sentibench a benchmark comparison of state-of-the-practice sentiment analysis methods. EPJ Data Science, 23(5):29.

Russell, S. and Norvig, P. (2013). Inteligência Artificial. GEN LTC, 3 edition.

Stamatatos, E. (2009). A survey of modern authorship attribution methods. Journal of the American Society for Information Science and Technology, 60(3):538–556.

Suresh, H. and Guttag, J. (2021). A framework for understanding sources of harm throughout the machine learning life cycle. In Proceedings of the 1st ACM Conference on Equity and Access in Algorithms, Mechanisms, and Optimization, EAAMO ’21, New York, NY, USA. Association for Computing Machinery.

Trucolo, C. C. and Digiampietri, L. A. (2017). Improving trend analysis using social network features. Journal of the Brazilian Computer Society, 23:10.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., and Polosukhin, I. (2017). Attention is all you need.

Wang, P., Xu, B., Wu, Y., and Zhou, X. (2015). Link prediction in social networks: the state-of-the-art. Science China Information Sciences, 58(1):1–38.

Wasserman, S. and Faust, K. (2009). Social network analysis: methods and applications. Social network analysis: methods and applications, 19 edition.

Wasserman, S. and Galaskiewicz, J. (1994). Advances in social network analysis research in the social and behavioral sciences. SAGE.

Zannettou, S., Sirivianos, M., Blackburn, J., and Kourtellis, N. (2019). The web of false information: Rumors, fake news, hoaxes, clickbait, and various other shenanigans. J. Data and Information Quality, 11(3).

Zhang, X. and Ghorbani, A. A. (2020). An overview of online fake news: Characterization, detection, and discussion. Information Processing & Management, 57(2):102025.