シラバス
授業科目名 | 年度 | 学期 | 開講曜日・時限 | 学部・研究科など | 担当教員 | 教員カナ氏名 | 配当年次 | 単位数 |
---|---|---|---|---|---|---|---|---|
演習Ⅰ(Social Research) | 2024 | 通年 | 木4 | 商学研究科博士課程前期課程 | 武石 智香子 | タケイシ チカコ | 1年次配当 | 4 |
科目ナンバー
CG-OM5-701L
履修条件・関連科目等
PCを保有していること,日本語と英語で参考資料を読めることが前提です。
授業で使用する言語
日本語/英語
授業で使用する言語(その他の言語)
授業の概要
春学期は,量的調査法で用いる社会統計の基礎をレビューしながらRやPython, SPSSを使って分析する方法を学び,その知識に基づいて自らの研究の仮説を立てます。秋学期は,調査票の設計を行います。
量的分析を中心に研究を行いたい人,データサイエンスにおける分析方法に興味関心がある人に向いています。
科目目的
本科目では,商業学・経営学におけるデータ分析法の専門的知識に加えて,研究課題(テーマ)を設定する能力を養成します。
量的調査におけるデータの集計法・可視化・統計分析を,RやPython, SPSSを用いて行う方法の方法を理解し,その基礎知識に基づいて仮説に基づいた調査票の設計を行うことを目的としています。
到達目標
商業学におけるデータ分析法の専門的知識と研究力の基礎を身につけるために,この科目は以下の3つを到達目標とします。
・自らの独創的な研究課題と仮説モデルを作成し、Prospectus(研究計画書)を完成させる。
・自らの独創的な研究課題に関する仮説検定を行うための調査票を設計する。
・自らの独創的な研究課題に関する分析計画を設計し、分析スキルを身につける。
授業計画と内容
1. 量的分析の大分類と目的、意義について、研究の問題意識、データの種類
2. 学生発表(問題意識); 文献検索、Pythonによるプログラミング、記述統計、SQLiteインストール
3. 学生発表(問題意識・文献); SQL、共起ネットワーク
4. 学生発表(RQ); 標準化、スケーリング
5. 学生発表(命題); Pythonによる探索的データ分析
6. 学生発表(モデル); 主成分分析、箱ひげ図
7. 学生発表(従属変数・文献); カイ二乗検定
8. 学生発表(独立変数・文献); t検定
9. 学生発表(その他変数・文献); 分散分析
10. 学生発表(モデル); 相関と回帰
11. 学生発表(仮説); 教師あり学習のタスク、教師なし学習のタスク
12. 学生発表(変数と調査票); 画像認識
13. 学生発表(分析計画); 自然言語処理
14. 学生発表(研究計画)
15. 学生発表 (理論と命題)
16. 学生発表 (研究計画); 因子分析
17. 学生発表 (研究計画); 因果関係と構造方程式モデリング
18. 学生発表7 (変数と質問項目); 媒介変数、調整媒介分析
19. 学生発表 (研究計画・調査票); マルチレベル分析が必要な場合
20. 学生発表 (プリテスト)
21. 学生発表 (研究計画・調査票); ダイバーシティについて
22. 学生発表 (研究計画・調査票); 人的資源の活用について
23. 学生発表 (研究計画・調査票); 分析計画
24. 学生発表 (研究計画・調査票); 問題意識に関する理論
25. 学生発表 (研究計画・調査票); 問題意識と独自性
26. 学生発表 (プリテスト); 予備分析
27. 学生発表 (本調査票)
28. 学生発表11 (研究計画書)
授業時間外の学修の内容
指定したテキストやレジュメを事前に読み込むこと/授業終了後の課題提出
授業時間外の学修の内容(その他の内容等)
予習(200分)毎回授業前に指定の教材を読んできて下さい。
復習(200分)この科目のプロセスに11回あるStudent Presentation用のpaperと調査票の作成を進めて随時提出してください。
授業時間外の学修に必要な時間数/週
・毎週1回の授業が半期(前期または後期)または通年で完結するもの。1週間あたり4時間の学修を基本とします。
・毎週2回の授業が半期(前期または後期)で完結するもの。1週間あたり8時間の学修を基本とします。
成績評価の方法・基準
種別 | 割合(%) | 評価基準 |
---|---|---|
平常点 | 100 | 56%: 2% x 28 授業への積極的参加 20%: 企画書 24%: 調査票 |
成績評価の方法・基準(備考)
課題や試験のフィードバック方法
授業時間に限らず、manabaでフィードバックを行う
課題や試験のフィードバック方法(その他の内容等)
提出物には朱入れをしてmanaba上で返却をします。
アクティブ・ラーニングの実施内容
反転授業(教室の中で行う授業学習と課題などの授業外学習を入れ替えた学習形式)/ディスカッション、ディベート/プレゼンテーション/実習、フィールドワーク
アクティブ・ラーニングの実施内容(その他の内容等)
授業におけるICTの活用方法
その他
授業におけるICTの活用方法(その他の内容等)
自らのPCにRとRstudioをインストールして統計分析を行います。
実務経験のある教員による授業
はい
【実務経験有の場合】実務経験の内容
シンクタンクの勤務経験有。データ分析も行っていた。
【実務経験有の場合】実務経験に関連する授業内容
実務経験としてシンクタンクでデータ分析等を実施して,顧客用の報告書にまとめていた。現代の データサイエンスはその時代から大きく進化しているが,実務経験内容は関連している。
テキスト・参考文献等
【テキスト】
武石・佐々木『はじめてのAI・データサイエンス』
Efron & Hastie, 2021, Computer Age Statistical Inference, Student Edition -- Algorithms, Evidence, and Data Science, Cambridge, UK: Cambridge University Press.
その他特記事項
RおよびRstudioを使います。学生の希望により、Python、SPSS、Amosも使います。これらは、基本的に自分のPCで実習を行えることを前提とします。ただしAmosはWindowsのみ使用可能のため、自分のPCがMacの場合には大学院事務室から貸し出しを受けます。