Science of social and economic networks

Objectif

Objectifs
L'étude des réseaux sociaux a accompagné le développement de la sociologie quantitative, et elle fleurit aujourd'hui grâce à la contribution conjointe de multiples disciplines, dont la physique et les mathématiques appliquées. Elle se développe également au sein de l'économie, en mettant en lumière les interactions non marchandes qui affectent le commerce, les marchés du travail et la diffusion des innovations.
L'objectif de ce cours est de fournir aux étudiant.e.s un aperçu fondamental de la science des réseaux et de la manière dont elle peut être utilisée en sociologie, en économie, en gestion, en science politique et dans les disciplines voisines. Nous présenterons les concepts et théories essentiels à l'intersection de différentes disciplines, en montrant les applications à des problèmes empiriques. Il y aura des éléments de construction de la recherche, montrant comment la science des réseaux peut être intégrée avec succès dans un projet de recherche en sciences sociales, et une familiarisation avec l'utilisation des principaux outils et techniques d'analyse avec des données réelles.
Des étudiant.e.s issu.e.s de toutes les formations en sciences socialeset en science des données sont bienvenu.e.s, et une connaissance préalable des sciences des réseaux n'est pas requise. La connaissance de Python est utile mais pas essentielle.

Résultats attendus
A l'issue de ce cours, vous serez en mesure de :
    - Faire preuve d'une connaissance des principes clés, des approches et des réalisations de la science des réseaux
    - Comprendre le type, la source et le format des données de réseau
    - Calculer et interpréter les métriques adaptées pour analyser les données de réseau
    - Visualiser les données de réseau
    - Distinguer similitudes et différences entre la science des réseaux et les sciences sociales classiques
    - Élaborer des questions de recherche axées sur les réseaux
    - Concevoir des approches d'analyse pour les données de réseau
    - Appliquer les principes de modélisation de base pour les données de réseau

Activités d'apprentissage et d'enseignement
Nous nous verrons huit fois en février-mars pour des sessions de trois heures. Chaque session comprendra deux parties : un cours magistral pour présenter et discuter des principales théories, et un tutoriel pour vous permettre d'acquérir une expérience pratique de l'analyse des réseaux et de la visualisation des données.
Il est recommandé aux étudiant.e.s de se munir de leur ordinateur portable. Les exercices proposés seront réalisés en Python.
Il y a également une importante composante d'auto-apprentissage à faire à la maison, avec du matériel structuré fourni en classe.

Évaluation
Exercices intermédiaires (50%) et projet final (50%).
Chaque semaine, à l'exception des vacances et de la dernière session, un exercice à faire à la maison vous sera assigné afin de consolider votre compréhension des idées présentées en classe, de les appliquer en pratique ou d'élargir vos connaissances. Certains de ces exercices sont à faire individuellement, d'autres en petits groupes. Ces exercices vous aideront à vous familiariser avec les techniques et les outils. Nous fournirons la correction.

A mi-chemin, il y aura un test intermédiaire à réaliser en classe, qui nous servira à évaluer vos avancements et à identifier d'éventuels ajustements. le test inclura des exercices du même type que ceux qui auront été réalisés à la maison. Dans la notation, nous valoriserons vos efforts et votre sérieux plus que vos résultats réels.
À la fin du cours, il vous sera demandé de soumettre un mini-projet de recherche (à réaliser en binôme) appliquant la science des réseaux à un sujet de sciences sociales de votre choix. Nous vous guiderons vers la définition de votre sujet tout au long du cours, et les exercices sont également conçus pour alimenter votre projet final - dans le sens où vous pourrez progressivement vous appuyer sur leurs résultats. Le projet compte pour 50% et sera soumis après la fin du cours. Il est noté selon cinq critères, avec un maximum de 10% de points pour chacun d'eux : 1/Originalité du sujet, 2/Pertinence de l'interprétation, 3/Qualité de l'analyse, 4/Méthodes, et 5/Présentation.
Toutes les soumissions peuvent être en anglais ou en français.

Plan

Plan des sessions
Une session préliminaire facultative de 90 minutes sur "Introduction à Python" est organisée pour les étudiant.e.s n'ayant aucune connaissance préalable de ce langage.

Session 1, 7 février (PT) : Introduction au cours

Introduction générale à la science des réseaux sociaux ; concepts de base pour décrire les relations et les structures sociales ; formatage et stockage des données ; métriques et visualisations de base.

Session 2, 14 février (PT) : Techniques analytiques pour les petits réseaux

Mesures de centralité, sous-structures, indicateurs de connectivité et distance.

Session 3, 28 février (PT) : Réseaux personnels et ego-centrés

Techniques pour retracer l'environnement social d'un individu, et applications : amitié, trajectoires personnelles, soutien social, entrepreneuriat.

Session 4, 6 mars (FG) : Approche statistique de la science des réseaux

Introduction à l'approche statistique de l'analyse des grands réseaux ; graphes aléatoires, réseaux du petit monde.


Session 5, 13 mars (FG + PT) : Test intermédiaire; Modèles théoriques pour les réseaux complexes

Thèmes de l'approche statistique de l'analyse des grands réseaux : Graphes de Barabasi-Albert, génération de réseaux avec des attributs (tels que l'homophilie et la distance géographique).

Session 6, 20 mars (FG) : Exemples d'applications de modèles

Exemples d'applications de réseaux pondérés (co-occurrence de hashtags dans Twitter, réseaux de collaboration, réseaux d'aéroports, réseaux commerciaux...).

Session 7, 27 mars (FG) : Approfondissement

Session 8, 3 avril (PT & FG) : Présentations de pré-projets + Approfondissement

Présentations des étudiant.e.s (idée préliminaire pour le projet de fin de cours).

Références

Caldarelli, G. & Chessa, A. (2016). Data Science and Complex Networks: Real Cases Studies with Python. Oxford University Press.

Menczer, F., Fortunato, S. & Davis, C.A. (2020). A First Course in Network Science. Cambridge University Press.

Robins, Garry (2015). Doing Social Networks Research: Network Research Design for Social Scientists. Sage.