Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	---							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Modelowanie dynamiki opinii							Kod przedmiotu	INF1MDO
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	5
	26	30						Punkty ECTS	5
Przedmioty wprowadzające	Algebra liniowa z geometrią analityczną (INF1ALG), Analiza matematyczna (INF1AMA), Równania różniczkowe i różnicowe (INF1RRR),
Cele przedmiotu	Celem przedmiotu jest zapoznanie studentów z metodami modelowania dynamiki opinii w systemach społecznych. Przedstawione zostaną matematyczne i obliczeniowe modele opisujące procesy kształtowania opinii, interakcje społeczne oraz wpływ mediów i technologii na społeczne postawy. Studenci zdobędą umiejętności implementacji oraz analizy symulacji komputerowych dotyczących rozprzestrzeniania opinii w różnych środowiskach.
Treści programowe	Elementy teorii grafów. Modele z czasem ciągłym: Frencha-DeGroota, Abelsona, Taylora, Hegselmanna-Krause’go, Cuckera-Smale’a. Modele z czasem dyskretnym: Friedkina-Johnesena, Hegselmanna-Krause’go, Cuckera-Smale’a. Wykład: 1. Elementy teorii grafów 2. Model Frencha-DeGroota z czasem ciągłym 3. Model Abelsona z czasem ciągłym 4. Model Taylora z czasem ciągłym 5. Model Hegselmanna-Krause’go z czasem ciągłym 6. Model Cuckera-Smale’a z czasem ciągłym 7. Model Friedkina-Johnesena z czasem dyskretnym 8. Model Hegselmanna-Krause’go z czasem dyskretnym 9. Model Cuckera-Smale’a z czasem dyskretnym 10. Rola sieci społecznych w propagacji opinii 11. Wpływ dezinformacji i mechanizmów rekomendacyjnych na dynamikę opinii 12. Analiza wyników i interpretacja danych 13. Test końcowy Pracowania specjalistyczna: 1. Implementacja modeli dynamiki opinii z czsem ciągłym (np. Python, MATLAB) 2. Implementacja modeli dynamiki opinii w czasem dyskretnym (np. Python, MATLAB). 3. Eksperymenty z wpływem struktury sieci społecznych na dynamikę opinii 4. Testowanie i ocena efektów dezinformacji w symulowanych systemach 5. Wybór tematu projektu 6. Realizacja projektu 7. Realizacja projektu 8. Realizacja projektu 9. Realizacja projektu 10. Realizacja projektu 11. Realizacja projektu 12. Realizacja projektu 13. Realizacja projektu 14. Realizacja projektu 15. Ocena projektów
Metody dydaktyczne	programowanie z użyciem komputera, wykład informacyjny, klasyczna metoda problemowa, wykład problemowy,
Forma zaliczenia	Wykład: zaliczenie pisemne. Pracownia specjalistyczna: omplementacja i analiza wybranego modelu dynamiki opinii (40%), projekt końcowy: opracowanie i prezentacja symulacji (40%)
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	wybrane modele matematyczne dynamiki opinii								INF1_W01 INF1_W14
EU2	analizować modele matematyczne pojawiające się w dynamice opinii								INF1_U01 INF1_U13
EU3	wykorzystać narzędzia informatyczne do badania modeli matematycznych pojawiających się w dynamice opinii								INF1_U02 INF1_U13
EU4	zrozumienia i uznania roli modeli matematycznych w opisie zjawisk społecznych opartych na dynamice opinii.								H1_K01
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	zaliczenie pisemne								W
EU2	sprawozdanie z projektu końcowego								Ps
EU3	sprawozdanie z projektu końcowego								Ps
EU4	sprawozdanie z projektu końcowego								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - Udział w wykładach								26
	2 - Udział w pracowni specjalistycznej								30
	3 - Udział w konsultacjach								4
	4 - Przygotowanie do zaliczenia wykładu								15
	5 - Przygotowanie projektu końcowego								50
RAZEM:									125
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									60 (1)+(2)+(3)	2.4
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									80 (2)+(5)	3.2
Literatura podstawowa	1. Y. Wang, E. Garcia, D. Casbeer, F. Zhang, Cooperative control of multi-agent systems, John Wiley & Sons, Hoboken 2017 2. R. A. Horn, Ch. R. Johnson, Matrix analysis, Cambridge University Press, Cambridge 2017 3. U. Krause, A discrete nonlinear and non-autonomous model of consensus formation. Communication in Difference Equations, 227–236, 2000 4. F. Cucker, S. Smale, Emergent Behavior in Flocks, IEEE Transactions on Automatic Control, 52, no. 5, 852–862, 2007
Literatura uzupełniająca	1. A.V. Proskurnikova, R. Tempo, A tutorial on modeling and analysis of dynamic social networks. Part I, Annual Reviews in Control, Annual Reviews in Control 43, 65–79, 2017 2. A.V. Proskurnikova, R. Tempo, A tutorial on modeling and analysis of dynamic social networks. Part II, Annual Reviews in Control 45, 166–190, 2018 3. M. DeGroot, Reaching a consensus. Journal of the American Statistical Association, 69, 118–121, 1974 4. M. Taylor, Towards a mathematical theory of influence and attitude change. Human Relations, 21(2), 121–139, 1968
Jednostka realizująca	Katedra Matematyki								Data opracowania programu
Program opracował(a)	dr hab. Ewa Girejko								2025.02.23