771A23 · 7,5 hp · Avancerad nivå (A1N) · Computational Social Science
Social nätverksanalys
Ges · nästa start VT 2027
100 %
klarade senaste ordinarie tillfället
LSP1 · 20 mar 2026 · 21 studenter
100 %
klarade de ordinarie tillfällena, alla tillfällen de senaste 5 åren
LSP1 · 111 studenter
Modulen rapporterar bara godkända resultat, så andelen godkända visar inte hur många som inte klarade den.
Ingår i 1 program
Övrigt moment
LSP1 Litteraturseminarium och presentationer
- P
Ordinarie tillfällen
100 % godkända · 111 studenter
- 100 %21
- 100 %48
- 100 %22
- 100 %20
Senare tillfällen
100 % godkända · 24 studenter
- 100 %24
- Klarar ett senare tillfälle: 100 % (24 studenter), jämfört med 100 % (111 studenter) på ordinarie
Övriga moment
Deltentor, inlämningar och laborationer. De ingår inte i siffrorna överst.
Inlämning eller laboration
PRO2 Projekt
- A
- B
- C
- D
- E
- FX
Ordinarie tillfällen
99 % godkända · 123 studenter
- 100 %21
- 100 %48
- 100 %19
- 100 %20
- 93 %15
Senare tillfällen
Inga tillfällen med minst 5 studenter.
- Får B eller A: 71 % (123 studenter)
Visa små tillfällen (7)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %1
- 100 %2
- 100 %1
- 100 %2
- 100 %1
- 100 %2
- 100 %1
Övrigt moment
ASS1 Uppgifter
- A
- B
- C
- D
- FX
Ordinarie tillfällen
100 % godkända · 102 studenter
- 100 %47
- 100 %19
- 100 %22
- 100 %14
Senare tillfällen
90 % godkända · 21 studenter
- 90 %21
- Klarar ett senare tillfälle: 90 % (21 studenter), jämfört med 100 % (102 studenter) på ordinarie
- Får B eller A: 59 % (123 studenter)
Visa små tillfällen (7)
Tillfällen med färre än 5 studenter, ofta tillgodoräknanden eller specialtillfällen. De ingår inte i någon siffra på sidan.
- 100 %2
- 100 %1
- 100 %1
- 100 %1
- 100 %1
- 100 %1
- 100 %1
Om kursen
Mål
Efter avslutad kurs ska den studerande på avancerad nivå kunna:
- Förklara grundläggande begrepp och teorier inom samhällsvetenskaplig nätverksanalys, samt förstå hur dessa teorier och begrepp kan bidra till att förklara olika aktörers beteenden på mikronivå, samt olika makroutfall;
- Kritiskt granska hur nätverk kan bidra till att förklara sociala, politiska, ekonomiska och kulturella fenomen;
- Använda statistisk programvara för att visualisera nätverk och analysera deras egenskaper, samt kunna koppla dessa resultat till nätverksanalytiska begrepp och teorier;
- Förklara principerna bakom olika statistiska modeller för sociala nätverk;
- Använda programvara för att statistiskt modellera sociala nätverk, för att förstå deras uppkomst och utveckling;
- Simulera nätverksdynamik utifrån olika nätverksmodeller.
Innehåll
Kursen går igenom de huvudsakliga begrepp, mått och statistiska metoder som används vid datorbaserad analys av samhällsvetenskaplig nätverksdata. Nätverkskoncept såsom centralitet och ”brokerage” diskuteras, och olika sätt att mäta dessa utvärderas. Kursen omfattar även hur datorer kan användas för att hantera, visualisera och analysera nätverksdata. Statistiska modeller för att analysera nätverk introduceras, och studenten får erfarenhet av att arbeta med relevanta programvaruverktyg. I interaktiva datorlaborationer presenteras och estimeras olika statistiska modeller för nätverksdata, inklusive metoder för att simulera dessa nätverksmodeller.
- Examinator
- Károly Takács
- Huvudområde
- Computational Social Science