Cuprins
Obiective de învățare
Rezultatele învățării
- Evaluarea critică a avantajelor și limitelor datelor digitale la scară mare pentru întrebări sociologice.
- Planificarea colectării datelor digitale cu respectarea cadrului legal și a termenilor platformelor.
- Documentarea și justificarea deciziilor de preprocesare a textelor.
- Alegerea între metode bazate pe dicționare, clasificare supervizată și modele nesupervizate și validarea rezultatelor.
- Identificarea surselor de eroare și a problemelor de reprezentativitate, cu raportarea lor transparentă.
Structura temei
Secțiunile se parcurg în ordine. Casetele „Aplicabilitate în teză” conțin întrebări de lucru, reluate la final în fișa de lucru, care poate fi descărcată. Secțiunea 6 conține un exercițiu interactiv de preprocesare a textului.
Studiu de caz
Exemplu de lucru folosit în toate secțiunile
Cererea de competențe pe piața muncii din România
Un doctorand studiază ce competențe cer angajatorii din România și cum se leagă acestea de migrația forței de muncă. Sursa principală de date sunt anunțurile de angajare publicate pe portaluri online: aproximativ 200.000 de anunțuri colectate în doi ani.
Întrebările de cercetare:
- Ce competențe, inclusiv competențe transversale (soft skills), sunt cerute în diferite ocupații și regiuni?
- Diferă cererea de competențe între regiunile cu emigrare ridicată și cele cu emigrare scăzută?
Abordarea urmează direcții de cercetare deja dezvoltate în România pentru analiza pieței muncii cu date web (secțiunea 3).
Exemplul de lucru este ipotetic, iar valorile prezentate sunt ilustrative. Studiile din secțiunea 3 sunt publicații reale.
Ce înseamnă Big Data în sociologie
Dincolo de volum: caracteristicile care contează pentru cercetare
Definițiile tehnice descriu Big Data prin volum, viteză și varietate. Pentru cercetarea socială, mai utilă este distincția propusă de Salganik (2018): datele digitale nu sunt produse pentru cercetare, ci sunt urme ale activității oamenilor pe platforme, în instituții sau în tranzacții, „găsite” și reutilizate de cercetători.
Volumul nu înlocuiește designul
Cazul Google Flu Trends este exemplul clasic (Lazer et al., 2014): un model bazat pe căutările online a supraestimat sistematic incidența gripei, din cauza schimbărilor în algoritmul motorului de căutare și a corelațiilor accidentale. Un set de date foarte mare, dar cu erori sistematice, produce estimări precise ale unei valori greșite.
Idee-cheie
Întrebările din temele anterioare rămân valabile: cine este reprezentat în date (Tema 2), ce înseamnă unitatea observată (Tema 6), ce semnificații au practicile online (Tema 5). Datele mari nu le anulează, ci le fac mai greu de observat.
Surse de date
Tipuri de date digitale utilizate în cercetarea socială
| Sursă | Exemple | Utilizare în sociologie |
|---|---|---|
| Platforme sociale | Postări, comentarii, interacțiuni. | Opinie publică, mobilizare, polarizare, comunități (Temele 5 și 6). |
| Anunțuri online | Anunțuri de angajare, de închiriere, de vânzare. | Cererea de competențe, piața locuințelor, discriminare. |
| Texte publice | Presă, discursuri parlamentare, legislație, comunicate. | Analiza discursului la scară mare (Tema 4), agenda publică. |
| Date administrative | Registre de populație, de ocupare, de educație. | Mobilitate socială, traiectorii, evaluarea politicilor. |
| Date de audiență publicitară | Estimările platformelor privind utilizatorii după țara de origine. | Estimarea stocurilor de migranți (Zagheni, Weber & Gummadi, 2017). |
| Căutări online | Google Trends. | Interes public, intenții, monitorizare în timp real. |
| Date de mobilitate | Telefonie mobilă, geolocalizare. | Mobilitate zilnică, segregare spațială. |
Aplicabilitate în teză
Identificarea sursei de date digitale relevante pentru teză și a relației ei cu conceptul măsurat: ce surprinde sursa și ce lasă în afară.
Studii de referință din România
Aplicații ale datelor web și ale prelucrării limbajului natural în analiza pieței muncii
Ciprian Panzaru și colaboratorii
Lucrările lui Ciprian Panzaru (Universitatea de Vest din Timișoara) ilustrează evoluția metodelor computaționale aplicate pieței muncii din România, de la web mining la modele de limbaj:
- Web mining și data mining pentru cererea și oferta de muncă: Panzaru și Brandas (2015) folosesc date colectate de pe web pentru analiza cererii și ofertei de muncă din România, în cadrul unui volum dedicat utilizării Big Data în monitorizarea regională a pieței muncii.
- Sisteme de sprijin decizional bazate pe date: Panzaru, Brandas și Filip (2016) prezintă un caz de aplicare a sistemelor de sprijin decizional bazate pe date în analiza pieței muncii.
- Prelucrarea semantică a limbajului natural și taxonomia ESCO: Panzaru și Grama (2025) combină o analiză sistematică a literaturii, care definește setul de competențe transversale, cu tehnici de prelucrare a limbajului natural care compară semantic aceste competențe cu taxonomia europeană ESCO. Rezultatul este o etichetare explicită a competențelor transversale în ESCO.
- Modelarea tematică a protestelor de muncă: Panzaru și Negoita (2025) aplică modelarea tematică pentru identificarea temelor recurente ale protestelor de muncă din România, în contextul transformărilor politice, economice și sindicale.
Legătura cu studiul de caz
Pentru anunțurile de angajare, abordarea semantică din Panzaru și Grama (2025) oferă o soluție la o problemă practică: angajatorii descriu aceeași competență în moduri foarte diferite („lucru în echipă”, „spirit de echipă”, „colaborare cu colegii”). Compararea semantică a textului anunțurilor cu o taxonomie standardizată permite agregarea acestor formulări și compararea între ocupații, regiuni și perioade.
Fluxul de lucru
De la întrebare la interpretare
Fiecare pas conține decizii care pot schimba rezultatele. Ele se documentează într-un jurnal de proiect și în script, astfel încât analiza să poată fi refăcută de altcineva. Validarea și interpretarea nu sunt etape finale opționale: fără ele, rezultatele computaționale rămân descrieri ale datelor, nu ale realității sociale.
Colectarea datelor
Metode de acces și condiții legale
| Metodă | Descriere | Atenție la |
|---|---|---|
| Interfețe de programare (API) | Accesul structurat oferit de platformă. | Limite de volum, costuri, schimbări frecvente ale condițiilor. |
| Colectarea automată din pagini web (scraping) | Programe care descarcă și extrag conținutul paginilor. | Termenii de utilizare, fișierul robots.txt, încărcarea serverului, date personale. |
| Accesul pentru cercetători | Programe dedicate ale platformelor; accesul prevăzut de DSA (art. 40) pentru platformele foarte mari. | Proceduri de aprobare, termene, condiții de utilizare. |
| Donarea de date | Participanții își descarcă propriile date de pe platforme și le transmit cercetătorului. | Consimțământ, efortul participanților, selecția celor care acceptă. |
| Seturi de date existente | Arhive publicate de alți cercetători sau de instituții. | Documentația, licența, modul de construire. |
Excepția pentru extragerea de text și date
Directiva europeană privind drepturile de autor pe piața unică digitală (2019/790, art. 3) permite organizațiilor de cercetare extragerea de text și date din conținut accesat legal, în scop de cercetare științifică. Excepția nu înlocuiește obligațiile privind datele personale (GDPR) și nu anulează automat restricțiile tehnice ale platformelor. Situația concretă se verifică împreună cu serviciul juridic sau responsabilul cu protecția datelor din universitate.
Bune practici
- Pauze între cereri, pentru a nu încărca serverele.
- Colectarea doar a câmpurilor necesare (minimizarea datelor).
- Păstrarea datelor brute neschimbate, cu data colectării și versiunea scriptului.
- Documentarea criteriilor de selecție și a eventualelor întreruperi ale colectării.
Preprocesarea textului
Decizii aparent tehnice cu efecte substanțiale
Înainte de analiză, textele sunt transformate în unități numărabile: se împart în cuvinte (tokenizare), se uniformizează, se elimină cuvintele foarte frecvente fără conținut (cuvinte de legătură) și se reduc formele flexionare la forma de bază (lematizare). Denny și Spirling (2018) arată că aceste decizii pot schimba substanțial rezultatele analizelor nesupervizate și recomandă testarea mai multor variante.
Exercițiu interactiv: preprocesarea unui anunț
Textul poate fi modificat. Opțiunile schimbă rezultatul imediat. Textul de pornire conține intenționat ambele forme ale literelor ș și ț (cu virgulă și cu sedilă).
Cele mai frecvente forme
Fără unificarea literelor, „Timişoara” și „Timișoara” sunt numărate ca două cuvinte diferite. Textele din surse diferite folosesc frecvent ambele codificări. Eliminarea totală a diacriticelor rezolvă problema, dar poate confunda cuvinte diferite (de exemplu, „fata” și „fată”). Lematizarea, care ar uni „căutăm” și „caută”, cere un model de limbă pentru română (de ex., din biblioteca spaCy).
Aplicabilitate în teză
Inventarul deciziilor de preprocesare pentru corpusul din teză (unificarea codificărilor, cuvinte de legătură, lematizare, expresii de mai multe cuvinte) și a variantelor care vor fi testate.
Metode de analiză a textului
Trei familii de metode, cu întrebări și cerințe diferite
| Familie | Cum funcționează | Potrivită când | Limita principală |
|---|---|---|---|
| Dicționare | Se numără cuvintele dintr-o listă predefinită (de ex., cuvinte pozitive și negative). | Conceptul este bine definit și exprimat prin cuvinte specifice. | Dicționarele construite pentru alt domeniu sau altă limbă funcționează slab; ironia și negația nu sunt surprinse. |
| Clasificare supervizată | Un model învață din texte codate manual și codează apoi restul corpusului. | Categoriile sunt cunoscute dinainte (de ex., anunțuri care cer sau nu competențe digitale). | Cere un set de antrenare codat manual, de regulă câteva sute sau mii de texte. |
| Modele nesupervizate | Modelul identifică singur grupuri de cuvinte care apar împreună (teme) sau grupuri de documente asemănătoare. | Explorarea unui corpus mare cu teme necunoscute dinainte. | Numărul de teme și interpretarea lor depind de cercetător; rezultatele variază între rulări. |
Modelarea tematică
Cel mai cunoscut model este alocarea Dirichlet latentă (LDA; Blei, Ng & Jordan, 2003): fiecare document este un amestec de teme, iar fiecare temă este o distribuție de cuvinte. Modelul tematic structural (STM; Roberts et al., 2014) permite includerea unor variabile ale documentelor (data, sursa, regiunea) care influențează prevalența temelor, ceea ce îl face potrivit pentru întrebări sociologice comparative.
Reprezentări semantice și modele de limbaj
Metodele mai recente reprezintă cuvintele și textele ca vectori care surprind sensul (embeddings), astfel încât formulări diferite ale aceleiași idei ajung apropiate. Modelele de tip transformer, inclusiv variante antrenate pe limba română, permit clasificări și comparații semantice mai precise decât numărarea cuvintelor. Abordarea semantică din Panzaru și Grama (2025) folosește această logică pentru maparea competențelor pe taxonomia ESCO.
Modelele lingvistice mari ca instrumente de codare
Modelele lingvistice mari pot coda texte după instrucțiuni, fără set de antrenare. Rezultatele lor se tratează ca rezultatele oricărui codor: se compară cu o codare umană pe un eșantion, se raportează acordul, iar instrucțiunile și versiunea modelului se documentează. Schimbarea versiunii modelului poate schimba rezultatele.
Analiza sentimentului
Clasificarea textelor ca pozitive, negative sau neutre este una dintre cele mai folosite aplicații, dar și una dintre cele mai fragile. Ironia, negația, termenii specifici domeniului și diferențele culturale reduc acuratețea, iar resursele pentru limba română sunt mai puține decât pentru engleză. Un instrument de sentiment folosit fără validare pe corpusul propriu nu oferă o măsură credibilă.
Validarea
„Validare, validare, validare”
Grimmer și Stewart (2013) formulează un principiu de bază: toate modelele cantitative ale limbajului sunt greșite, dar unele sunt utile, iar utilitatea lor se demonstrează prin validare pentru fiecare corpus și fiecare întrebare. Formele principale de validare:
| Metoda | Ce verifică |
|---|---|
| Comparația cu codarea umană | Pe un eșantion de texte codate independent de oameni și nefolosit la antrenare: acuratețe, precizie, sensibilitate, scorul F1. |
| Citirea documentelor | Pentru modelele tematice: citirea textelor cu ponderea cea mai mare a fiecărei teme, pentru a verifica dacă eticheta temei este justificată. |
| Validarea externă | Corelația cu indicatori independenți (de ex., numărul de anunțuri dintr-un județ comparat cu statistica oficială a locurilor de muncă vacante). |
| Robustețea | Stabilitatea rezultatelor la alte decizii de preprocesare, alt număr de teme, alte rulări. |
Studiul de caz
Doctorandul codează manual 800 de anunțuri, extrase aleatoriu, după prezența competențelor de comunicare. Din acestea, 600 servesc la antrenarea clasificatorului și 200 la evaluare. Pe setul de evaluare, clasificatorul atinge un scor F1 de 0,86 (valoare ilustrativă). Rezultatul se raportează alături de exemple de erori, ca cititorul să vadă ce tipuri de anunțuri sunt clasificate greșit.
Reprezentativitate și surse de eroare
Ce populație și ce comportament descriu, de fapt, datele
Sen și colaboratorii (2021) adaptează cadrul erorii totale din anchete la urmele digitale. Erorile apar atât în reprezentare (cine este în date), cât și în măsurare (ce înseamnă datele):
| Sursa erorii | În studiul de caz |
|---|---|
| Acoperirea platformei | Anunțurile online subreprezintă locurile de muncă din agricultură, construcții mici și economia informală, unde recrutarea se face prin cunoștințe. |
| Selecția în platformă | Firmele mari publică mai multe anunțuri decât firmele mici. |
| Duplicatele | Același post apare pe mai multe portaluri sau este republicat periodic. |
| Validitatea măsurării | Un anunț exprimă cerințe formulate de angajator, nu competențele efectiv folosite la locul de muncă. |
| Schimbările platformei | Modificarea formularului de anunț poate schimba brusc frecvența anumitor cerințe. |
Combinarea cu date tradiționale
Datele digitale sunt cele mai convingătoare atunci când sunt combinate cu surse cu proprietăți cunoscute: statistici oficiale pentru calibrare, anchete pentru validarea măsurării, interviuri pentru interpretare. Logica este cea a metodelor mixte din Tema 1.
Aplicabilitate în teză
Identificarea principalelor surse de eroare de reprezentare și de măsurare pentru datele digitale din teză și a sursei externe care poate fi folosită pentru validare sau calibrare.
Etică și cadru legal
„Datele sunt deja publice” nu este un argument suficient
- Accesibil nu înseamnă liber de utilizat: Zimmer (2010) arată, pe baza unui caz în care datele unor studenți de pe Facebook au fost publicate de cercetători și re-identificate, că datele accesibile tehnic pot expune persoane care nu au anticipat utilizarea lor.
- GDPR: textele care conțin nume, fotografii sau detalii identificabile sunt date cu caracter personal. Cercetarea beneficiază de derogări doar cu garanții adecvate: minimizare, pseudonimizare, securitate, limitarea păstrării.
- Consimțământul: la scară mare, consimțământul individual este de regulă imposibil, ceea ce crește responsabilitatea cercetătorului pentru evaluarea riscurilor (Tema 5, secțiunea 9).
- Re-identificarea: combinarea mai multor surse sau a mai multor câmpuri poate identifica persoane chiar și în date fără nume.
- Prejudecățile modelelor: modelele antrenate pe date istorice pot reproduce discriminări existente; acest aspect devine obiect de analiză sociologică în sine.
- Reproductibilitate și confidențialitate: când datele nu pot fi publicate, se publică scriptul, documentația și, dacă este posibil, indicatorii agregați.
Capcane frecvente în tezele de doctorat
Listă de verificare
Semnale de alarmă
- Volumul prezentat ca garanție a validității: „am analizat un milion de postări” fără discutarea reprezentativității.
- Platforma tratată ca societate: concluzii despre „opinia publică” pe baza unei singure platforme.
- Instrumente aplicate fără validare: analize de sentiment sau modele tematice raportate fără comparație cu codarea umană sau fără citirea documentelor.
- Teme etichetate după primele cuvinte, fără verificarea documentelor reprezentative.
- Preprocesare nedocumentată și netestată prin variante.
- Probleme de codificare a caracterelor (ș/ş, ț/ţ) nerezolvate, care fragmentează vocabularul.
- Colectare care încalcă termenii platformei sau GDPR, fără aviz etic.
- Interpretare sociologică absentă: rezultate tehnice corecte, fără legătură cu o întrebare teoretică.
Software
Instrumente pentru colectare, preprocesare și analiză
| Instrument | Utilizare |
|---|---|
| Python | requests și BeautifulSoup (colectare), pandas (date), spaCy (tokenizare, lematizare, inclusiv model pentru română), scikit-learn (clasificare), gensim (modele tematice), transformers (modele de limbaj). |
| R | rvest (colectare), quanteda și tidytext (analiză de text), stm (modele tematice structurale). |
| Orange, KNIME | Interfețe grafice gratuite pentru fluxuri de prelucrare a datelor, inclusiv de text; potrivite pentru primele explorări. |
| Voyant Tools | Instrument web gratuit pentru explorarea rapidă a unui corpus (frecvențe, contexte, tendințe). |
Regulă practică
Analizele computaționale dintr-o teză se fac prin scripturi, cu versiunile bibliotecilor înregistrate. Interfețele grafice sunt utile pentru explorare, dar fluxul final trebuie să poată fi refăcut integral.
Fișă de lucru: aplicabilitate în teză
Răspunsurile se păstrează doar în browserul curent și pot fi descărcate ca fișier text.
Întrebări de autoevaluare
Șase întrebări, cu explicație după fiecare răspuns.
Idei principale
- Datele digitale sunt urme „găsite”, nu date produse pentru cercetare; avantajele (volum, continuitate) vin împreună cu probleme de acoperire, acces și schimbare în timp.
- Volumul nu înlocuiește designul: erorile sistematice nu dispar într-un set de date mare.
- Colectarea respectă cadrul legal (GDPR, excepția pentru extragerea de text și date, termenii platformelor) și principiul minimizării.
- Preprocesarea schimbă rezultatele; deciziile se documentează și se testează, inclusiv pentru particularitățile limbii române.
- Orice metodă automată se validează pe corpusul propriu, prin comparație cu codarea umană și cu surse externe.
- Interpretarea sociologică rămâne sarcina cercetătorului.
Încheierea cursului
Cele șapte teme formează un set de instrumente complementare: metodele mixte (Tema 1) oferă cadrul de integrare; modelarea statistică și analiza longitudinală (Temele 2 și 3) oferă inferența pe date structurate; analiza discursului și netnografia (Temele 4 și 5) oferă interpretarea sensurilor; analiza rețelelor (Tema 6) adaugă structura relațiilor; metodele computaționale (Tema 7) extind analiza la scară mare. Alegerea combinației potrivite pentru teză pornește întotdeauna de la întrebarea de cercetare.
Glosar
Glosar (12 termeni)
- Urme digitale
- Date produse automat de activitatea oamenilor pe platforme și în sisteme informatice.
- API
- Interfață prin care o platformă oferă acces structurat la date.
- Scraping
- Colectarea automată a conținutului din pagini web.
- Donare de date
- Transmiterea voluntară de către participanți a datelor proprii descărcate de pe platforme.
- Tokenizare
- Împărțirea textului în unități (de regulă, cuvinte).
- Lematizare
- Reducerea formelor flexionare la forma de dicționar.
- Cuvinte de legătură (stopwords)
- Cuvinte foarte frecvente, cu conținut redus, eliminate adesea din analiză.
- Clasificare supervizată
- Model care învață categorii din exemple codate manual.
- Model tematic
- Model nesupervizat care identifică grupuri de cuvinte care apar împreună în documente.
- Embedding
- Reprezentare numerică a cuvintelor sau textelor care surprinde similaritatea de sens.
- Scor F1
- Indicator de performanță care combină precizia și sensibilitatea unui clasificator.
- ESCO
- Clasificarea europeană a competențelor, calificărilor și ocupațiilor.
Bibliografie
Lecturi recomandate
- Salganik, M. J. (2018). Bit by bit: Social research in the digital age. Princeton University Press.
- Grimmer, J., & Stewart, B. M. (2013). Text as data: The promise and pitfalls of automatic content analysis methods for political texts. Political Analysis, 21(3), 267–297. doi.org/10.1093/pan/mps028
- boyd, d., & Crawford, K. (2012). Critical questions for big data. Information, Communication & Society, 15(5), 662–679. doi.org/10.1080/1369118X.2012.678878
Referințe
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022.
- Denny, M. J., & Spirling, A. (2018). Text preprocessing for unsupervised learning: Why it matters, when it misleads, and what to do about it. Political Analysis, 26(2), 168–189. doi.org/10.1017/pan.2017.44
- Grimmer, J., Roberts, M. E., & Stewart, B. M. (2022). Text as data: A new framework for machine learning and the social sciences. Princeton University Press.
- Kitchin, R. (2014). The data revolution: Big data, open data, data infrastructures and their consequences. Sage.
- Lazer, D., Kennedy, R., King, G., & Vespignani, A. (2014). The parable of Google Flu: Traps in big data analysis. Science, 343(6176), 1203–1205. doi.org/10.1126/science.1248506
- Lazer, D., Pentland, A., Adamic, L., et al. (2009). Computational social science. Science, 323(5915), 721–723. doi.org/10.1126/science.1167742
- Panzaru, C., & Brandas, C. (2015). Analysing labour demand and supply using web mining and data mining in Romania. În C. Larsen, S. Rand, A. Schmid, M. Mezzanzanica, & S. Dusi (Eds.), Big data and the complexity of labour market policies (pp. 71–86). Rainer Hampp Verlag.
- Panzaru, C., Brandas, C., & Filip, F. (2016). Data driven decision support systems: An application case in labour market analysis. Romanian Journal of Information Science and Technology, 19(1–2), 65–77.
- Panzaru, C., & Grama, A. (2025). Towards explicit soft skills labelling in ESCO through semantic NLP analysis. Journal for Labour Market Research, 59. doi.org/10.1186/s12651-025-00409-x
- Panzaru, C., & Negoita, G. (2025). Decoding Romanian labour protests: Insights from a topic modeling approach. Humanities and Social Sciences Communications, 12. doi.org/10.1057/s41599-025-04976-9
- Roberts, M. E., Stewart, B. M., Tingley, D., Lucas, C., Leder-Luis, J., Gadarian, S. K., Albertson, B., & Rand, D. G. (2014). Structural topic models for open-ended survey responses. American Journal of Political Science, 58(4), 1064–1082. doi.org/10.1111/ajps.12103
- Sen, I., Flöck, F., Weller, K., Weiß, B., & Wagner, C. (2021). A total error framework for digital traces of human behavior on online platforms. Public Opinion Quarterly, 85(S1), 399–422. doi.org/10.1093/poq/nfab018
- Zagheni, E., Weber, I., & Gummadi, K. (2017). Leveraging Facebook’s advertising platform to monitor stocks of migrants. Population and Development Review, 43(4), 721–734. doi.org/10.1111/padr.12102
- Zimmer, M. (2010). „But the data is already public”: On the ethics of research in Facebook. Ethics and Information Technology, 12(4), 313–325. doi.org/10.1007/s10676-010-9227-5