El objeto de estudio de las ciencias sociales. El planteo de objetivos como primer paso de investigación. Las estrategias y metodologías de relevamiento de datos sociales (cualitativos y cuantitativos). Visibilización de las regularidades sociales. Conceptos de asociación, correlación y causalidad. De la conceptuación a los indicadores. Operacionalización y tipología de indicadores.

Herramientas e instrumentos involucrados en el relevamiento de datos (cuali y cuanti): muestras, selecciones, encuestas, entrevistas, etc. y la predicabilidad de sus resultados. El diseño de investigación.

La organización de los datos relevados en matrices de datos. Adecuación de la estructura de datos a los tipos de indicadores utilizados.

El procesamiento de datos cualitativos y cuantitativos en función de los objetivos de estudio. ¿Cómo se generan nuevos datos a partir de los datos primarios para hacer visibles los conceptos/fenómenos complejos? Procedimientos de codificación y creación de tipologías e índices.

Criterios para el cálculo y utilización de estadísticas descriptivas. El análisis de poblaciones y muestras a partir de estadísticos descriptivos en relevamientos de datos de las ciencias sociales. Confección, análisis e interpretación de tablas de frecuencia y sus representaciones gráficas.
Estadísticos descriptivos del centro y la variabilidad de los datos.
Distribuciones de probabilidad. Estimación puntual y por intervalos de medias y proporciones.
Criterios de análisis a partir de los conceptos de estimación y error. Cálculo e interpretación de intervalos de confianza de una estimación.
Test de significación para medias y proporciones.
Concepto de asociación de variables en estudios sociales. La diferenciación de variables según su función en el análisis, variables independientes y dependientes. Interpretación de test basados en el concepto de independencia estadística.
Comparación de dos medias y de dos proporciones.
Cuadros de contingencia: test de independencia.

Conceptos de regresión y correlación. Criterios de aplicación de los análisis de regresión y correlación en investigación social.
Regresión lineal y correlación simples. Regresión lineal y correlación múltiples.
Características, alcances y limitaciones del análisis predictivo en ciencias sociales
Predictores cualitativos: análisis de la varianza.
Predictores cuantitativos y cualitativos: análisis de la covarianza.
Modelado: estadísticos de diagnóstico.
Variable de respuesta categórica: regresión logística.

La metodología cualitativa en el paradigma de la ciencia.  Raíces de la investigación cualitativa: la fenomenología, la hermenéutica y la interacción social. Diferencias entre perspectivas teóricas: fenomenología, etnografía, teoría fundamentada.

Los componentes del diseño flexible en la investigación cualitativa. Diseños estructurados vs. diseños flexibles. Herramientas de investigación.

Alcance de la investigación cualitativa: exploratoria, descriptiva, explicativa. El marco teórico en un diseño de investigación flexible. El problema de investigación. Árbol de problemas. Elaboración de un mapa conceptual.

Implementación de técnicas de investigación cualitativa. Criterios de muestreo. Decisiones operativas y metodológicas. Diseño muestral. Definición de las unidades de análisis y observación.

Diseño y aplicación de instrumentos de recolección de datos cualitativos. Estructuras de los instrumentos. Técnicas de aplicación. Estrategias de acceso al entrevistado/a.

Diseño de logística de campo. Herramientas para el trabajo en campo, requisitos y condiciones para la observación, entrevista y/o grupo focal.

Estrategias para el tratamiento de los datos y el análisis de la información recolectada.

Sistematización de la información, Clasificación y ordenamiento de la información recolectada. Pre análisis.

Pautas para el análisis de resultados. Codificación y definición de dimensiones. Análisis de la información cualitativa.

Formatos y alcances de presentación de informes. Definición de públicos lectores destinatarios. Proceso de escritura y elaboración de informes cualitativos.

Códigos de ética profesional y confidencialidad de los y las entrevistados/as.

El uso de la computadora como auxiliar del análisis de datos cualitativos: ventajas y limitaciones. Las diferentes herramientas informáticas disponibles: programas específicamente diseñados para el análisis de datos cualitativos. Principales cuestiones a tener en cuenta para la elección de una u otra herramienta informática por el investigador cualitativo, a saber: características del ingreso y almacenamiento de datos, posibilidades de codificación, posibilidades de incorporar memos o anotaciones, posibilidades de búsqueda y recuperación de datos y vínculos que pueden establecerse entre los diversos elementos de la base de datos.

El programa ATLAS.ti: características generales y ejemplos de su aplicación en investigaciones realizadas en distintas áreas temáticas de las ciencias sociales y las humanidades, con diferentes diseños de investigación y tipos de datos cualitativos (textuales, gráficos y multimediales).

El uso del programa ATLAS.ti. Conceptos: unidad hermenéutica, documentos primarios, fragmentos o citas, códigos o categorías analíticas, memos o anotaciones, hipertextos, familias, redes conceptuales, relaciones. Funciones: codificar, decodificar, comentar, revisar, editar, vincular, buscar (textos y resultados del proceso de análisis), filtrar, recuperar, ejecutar salidas, relacionar, etcétera.

Se prevé la realización de seis (6) encuentros temáticos (sincrónicos). Cada uno hará foco en un aspecto metodológico relevante, promoviendo la integración de contenidos transversales al conjunto del programa: 1) Formulación del problema; 2) Diseño del estudio; 3) Identificación de fuentes primarias y secundarias; 4) Procesamiento de información; 5) Análisis y elaboración de conclusiones; 6) Organización y Presentación de resultados.

Los talleres serán acompañados por un Foro permanente de integración y seguimiento para la elaboración del Trabajo Final Integrador.

Los/las estudiantes deberán cursar uno de los siguientes seminarios a elección.

• Metodología para el análisis de brechas y desigualdades sociales

Planificación estratégica. Gestión basada en resultados, teoría del cambio y su relación con el desarrollo humano. La planificación en el contexto del desarrollo humano. Diseño de programas y proyectos sociales. Enfoque de gestión basada en resultados y enfoque de equidad. Marco lógico vs. teoría del cambio. La teoría del cambio y el impacto deseado en poblaciones específicas.

Enfoque de derechos. Principales marcos normativos a nivel internacional sobre derechos humanos. Agenda 2030 y los Objetivos de Desarrollo Sostenible. Informe Voluntario Nacional sobre Agenda 2030. Principales reportes sobre derechos humanos en Argentina (Reporte sobre Derechos de la Niñez, Examen Periódico Universal).

Enfoque de equidad. Conceptualización del enfoque de equidad. Enfoque de derechos y de equidad. Determinantes del enfoque de equidad. Herramientas y metodologías del enfoque de equidad.

Análisis de situación de la niñez y adolescencia en Argentina. Principales resultados del reporte de análisis de situación. Análisis de indicadores seleccionados reflejando brechas y desigualdades en el cumplimiento de derechos a nivel nacional y provincial.

Caso práctico. Indicadores Socioeconómicos. Definición y construcción de indicadores de pobreza. Pobreza por ingresos (definición del adulto equivalente, estimación de líneas de pobreza e indigencia y actualización del costo de la canasta) y pobreza multidimensional (necesidades básicas Insatisfechas – NBI – e índice de pobreza multidimensional). Indicadores de desigualdad de ingresos (Gini y brechas de ingresos decílicos). La dimensión de género.

Construcción de índices compuestos y multidimensionales. Ventajas y desventajas de los índices. Definición y elección de dominios. Fuentes de información y metodologías para el diseño de índices.

Monitoreo y evaluación de programas sociales. Seguimiento programático hacia el logro de resultados. Herramientas y metodologías para el monitoreo de intervenciones sociales. Requerimientos para realizar una evaluación. Factibilidad y evaluabilidad de proyectos sociales.

• Técnicas estadísticas y Big Data aplicadas al estudio de la opinión pública y el comportamiento electoral

Investigación y análisis de distintas interpretaciones teóricas sobre el comportamiento electoral y sobre opinión pública. Los pronósticos en las ciencias sociales.  Modelos de pronósticos del comportamiento electoral.

Técnicas de asignación de indecisos.  Conceptos de muestreo y estadística inferencial.  Diseños muestrales más utilizados en opinión pública.  Ajustes muestrales y ponderaciones.

Estudio y aplicación de herramientas estadísticas para la determinación y caracterización de fenómenos electorales específicos. Análisis de casos de segmentación del voto por características sociodemográficas y nivel socioeconómico: ingresos, edad, sexo, y otras.

La fidelidad de voto, matriz de transferencia. Corte de boleta, fuga y captación de votos. Impacto de la identificación partidaria y fenómenos de voto expresivo. Proyección lineal de indecisos y proyección de indecisos por voto anterior.

Aplicación de estadísticas descriptivas al análisis y caracterización de fenómenos de opinión y del comportamiento electoral. Continuidad y cambio en los resultados electorales, indecisos.

Análisis de fenómenos de opinión pública, análisis de imagen de los dirigentes (liderazgos), evaluación de gestiones.

Aplicación de modelos de regresión y de interacción múltiple a la prognosis electoral.

Población y muestra.  Diseños de muestras probabilísticas. Determinación del tamaño de muestra.  Error estadístico, cobertura, ponderación. Ajustes muestrales a características del universo.  Ponderaciones por una o dos variables.

Modelos de Big data y estadísticas aplicadas a la investigación de la opinión pública y el comportamiento electoral. Aplicación de esquemas causales al comportamiento electoral y los fenómenos de opinión, el control de variables. El método comparativo y el método cuasiexperimental. Datos agregados e individuales: falacia ecológica.

Análisis de relaciones causales y asociación estadística. Aplicaciones de coeficientes de asociación para variables no métricas. Coeficientes de correlación para variables métricas: r de Pearson.

Conceptos fundamentales de Ciencia de Datos. Métodos Supervisados y no Supervisados (Clustering). Sistemas de computación distribuida y Arquitecturas de Big Data. Definición de API: Rest y Streaming.

Modelos estadísticos. Aplicación de modelos de Data Mining y Clustering.

Acceso a grandes bases de datos mediante frameworks de Big Data.

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

Los conceptos de Ciencia de Datos y BIG DATA: antecedentes y actualidad. Evolución histórica. Definiciones y diferencias de los conceptos de Data Mining, Business Intelligence, DataWarehouse DataLake, Big Data. Debates actuales. Introducción a la utilización de Ciencia de Datos en las Ciencias Sociales y las Políticas Públicas.

Ejes Temáticos. Personas y lugares – las dimensiones de espacio y tiempo. Las redes sociales en las ciencias sociales y políticas públicas. Datos abiertos y datos públicos. Los nuevos desafíos: procesamiento del lenguaje natural.

Herramientas, técnicas y métodos. La importancia del modelado de datos

Introducción al modelado de datos y al desarrollo de algoritmos. Cómo y dónde encontrar DATA. Herramientas para limpiar, procesar y explotar DATA. Software y Herramientas Analíticas.

Los/las estudiantes deberán cursar uno de los siguientes seminarios a elección.

• Procesamiento de datos sociales con Paquete Estadístico SPSS 

Conceptos metodológicos que deben ser tenidos en cuenta en el momento del procesamiento de datos.
La matriz de datos. Concepto, partes y funciones. Criterios para el diseño de una matriz de datos. Tipos de indicadores.
Elementos sobre codificación de datos. Tratamiento de casos faltantes.
Análisis de estadísticas descriptivas.
Transformaciones sobre la matriz de datos. La creación de nuevos indicadores a partir de datos primarios. Construcción y aplicación de expresiones numéricas, de caracteres y lógicas. Diseño de tipologías e índices.
Delimitación de subconjuntos/subpoblaciones dentro de la matriz de datos.
Conceptos básicos de ponderación de casos.
Medidas de posición.
Transformación de la matriz de datos. Agregación de registros. Combinación de matrices. Cortes de control y claves de apareamiento.

•  Aplicación del Paquete Estadístico Stata en proyectos de ciencias sociales

Introducción a los conceptos básicos de Stata, la sintaxis de los comandos y los llamados “Reportes básicos”. Comandos que revelan información acerca de los datos sin cambiarlos, trabajando interactivamente.
Reportes básicos estudiando los comandos que tabulan, manipulación de datos y confección de programas do-file.
Aplicación del Stata de la lógica booleana y transformación de matrices de datos enteras reemplazando los datos originales con una nueva base.
Combinación de conjuntos de datos agregando observaciones y agregando variables a partir de dos (o más) bases.
Organización del trabajo con Stata y comandos gráficos.

•  El software estadístico Stata – Nivel avanzado: Programación para no programadores

Concepto de macro. Programación a partir de llamadas macros locales y globales.
Concepto y creación de programas “ado” (automatic do-file).
Utilización de objetos temporales, que posibilitan la confección de programas generales.
Funciones macro extendidas.
Programación avanzada. Creación de nuevos comandos integrables al software con todas las funcionalidades exigidas a un comando oficial.

• Introducción al lenguaje R para su aplicación en proyectos de ciencias sociales

R como herramienta de análisis de datos para científicos sociales.
Introducción a R. ¿Qué es R?, ¿para qué sirve?, R comparado con otras herramientas informáticas de análisis de datos. Ventajas de R: Software libre, comunidad amplia, actualizaciones constantes, transparencia, facilidad para trabajar en grupo y comunicar resultados.
Primeros pasos en R. Instalación de R. Primeros comandos. Concepto y características de la programación orientada a objetos. Instalación de R Studio como entorno de desarrollo de R.
Manipulación de bases de datos con R.
R base. Tipos de objetos en R: vectores, matrices, funciones, dataframes. ¿Cómo descargar y exportar bases de datos? Tipos de datos: Numéricos, lógicos, caracteres. Documentación. Operaciones básicas.  Exploración básica de una base de datos.
El paquete Tidyverse. Introducción al paquete. Principales funciones para limpiar, ordenar, filtrar, agrupar bases de datos: select, filter, mutate, group by, pivot, rename y summarise. Cálculo de medidas resumen y cálculos dentro de la base de datos.
Procesamiento y análisis de bases de datos públicas. Identificación de bases de datos y análisis de su organización interna en función tanto de sus unidades de registro y análisis como de las variables disponibles.
Visualización de datos. Tablas y gráficos básicos. Confección de tablas de frecuencia, cruces y cálculo de estadísticas de tendencia central y dispersión. Elaboración de gráficos. Tipos de gráficos y criterios para la selección del tipo de gráfico. Ggplot básico. Gráficos con el paquete ggplot2 y extensiones. Gráficos elaborados. Gráficos automáticos. Lectura de resultados.
Procesamiento de datos georreferenciados. El paquete sf. Procesamiento de bases de datos con datos georreferenciados: fusión y agrupación de bases de datos. Confección de mapas a partir de datos georrefenciados. Mapas simples en ggplot y tmap. Mapas interactivos en leaflet. Caracterización de los datos georreferenciados.
Confección de reportes automatizados. Introducción a Rmarkdown. Gramática de Rmarkdown. Tipos de reporte: página web, borrador, presentación.
Automatización de procesos en R. Funciones. Publicaciones en Rpubs y github. Criterios para la confección de reportes.

•  La utilización de sistemas de información geográfica en las ciencias sociales. El software QGIS 

En este curso inicial se pretende brindar los conocimientos teóricos y prácticos necesarios para acceder, analizar, producir y representar información geográfica (principalmente de aspectos sociales, económicos, y de las infraestructuras que les dan soporte). Los principales contenidos a abordar son:

• Acceso a datos: geoservicios y datos abiertos
• Operaciones sobre datos: consultas, edición, cálculos.
• Elaboración de Mapas Temáticos
• Georreferenciación de imágenes
• Geocodificación de direcciones
• Operaciones sobre Objetos Geográficos
• Geoprocesos.  Salidas gráficas

•  Introducción al Análisis de datos sociales con Python

Conceptos básicos de programación en Python. La sintaxis y el uso de los módulos y librerías necesarias para resolver los problemas vinculados al análisis y visualización de datos. A lo largo del curso, se focalizará en:
Ciencias sociales y Ciencia de Aplicaciones prácticas
Operaciones matemáticas vectoriales. Limpieza y Manipulación de bases de datos de información pública (open data de gobierno). Visualización de datos con las librerías de Python. Automatización de tareas en Python aplicada a las Ciencias
Generar valor agregado a partir de análisis estadísticos
Georreferenciación y su enfoque desde las Ciencias Sociales y las Políticas Públicas
Introducción a técnicas de extracción de información como web
Introducción a la creación de tableros de información.