Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

160014 UE Digitale Korpusanalyse und Text Mining im musikwissenschaftlichen Kontext (2024S)

5.00 ECTS (2.00 SWS), SPL 16 - Musikwissenschaft und Sprachwissenschaft
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 30 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Wegen Konferenzteilnahme wird der 2. Termin (18.3.) voraussichtlich in Form einer Online-Übung durchgeführt werden.

  • Montag 04.03. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Montag 18.03. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Montag 15.04. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Montag 29.04. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Montag 13.05. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Montag 03.06. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Montag 17.06. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Liedtexte, Musikrezensionen, verbale Assoziationen zu Klängen - neben Audiodaten, Notentexten, symbolischen Musikformaten, uvm. können auch digitale Textdaten interessante Forschungsobjekte musikwissenschaftlicher Untersuchungen darstellen. Aus großen Sammlungen derartiger Daten aufschlussreiche Information zu gewinnen, dabei können Verfahren aus dem Bereich des Text Mining und Machine Learning hilfreich sein.

Diese praktische Übung behandelt daher den Umgang mit großen digitalen Datenkorpora im musikwissenschaftlichen Forschungskontext, mit einem speziellen Fokus auf Methoden der quantitativen Textanalyse.

Einbezogen werden sollen dabei etwa folgende Themengebiete:

* Datenquellen und Zusammenstellung von Textdatensätzen/-korpora
* Umgang mit Textdaten und statistische Auswertung dieser in Form von Wortfrequenzanalysen, Visualisierungen, uvm.
* Vorverarbeitungsschritte (Stemming, Lemmatisierung, Entfernen von Stoppwörtern, ...)
* Kookkurrenz-Analyse und Grundlagen der semantischen Netzwerkanalyse
* Sentiment-Analyse
* Topic Modeling

Da die praktischen Übungen in der Skriptsprache Python durchgeführt werden, sind bestehende Programmier-Vorkenntnisse ideal. Auch interessierte Einsteiger*innen sind aber willkommen und eine Einführung in Grundkonzepte des Programmierens in Python ist vorgesehen.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Mehrere praktische Hausübungen zu den behandelten Methoden im Verlauf des Semesters und ein theoretischer schriftlicher Übungstest (ohne Hilfsmittel).

Mindestanforderungen und Beurteilungsmaßstab

Regelmäßige Anwesenheit und aktive Mitarbeit (auf einem eigenem Laptop) in den Übungseinheiten wird vorausgesetzt. Die Gesamtnote setzt sich aus der Beurteilung der Hausübungen (60 %) sowie dem schriftlichen Übungstest (40 %) zusammen.

Prüfungsstoff

Stoff sind die in den Übungseinheiten praktisch behandelten Themen (s.o.)
Nähere Details werden zu den jeweiligen Hausübungen bzw. vor dem Test erläutert.

Literatur

Jünger, J., & Gärtner, C. (2023). Computational Methods für die Sozial- und Geisteswissenschaften. Springer Nature.

Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. O'Reilly Media, Inc.

Sarkar, D. (2016). Text analytics with python (2. Aufl.). New York: Apress.

Schneijderberg, C., Wieczorek, O., & Steinhardt, I. (2022). Qualitative und quantitative inhaltsanalyse: digital und automatisiert. Beltz Juventa.

Zuordnung im Vorlesungsverzeichnis

BA: SYS-V, INT, FRE
MA (2008): M02, M03, M05, M09, M17
MA (2022): E.INT, E.SYS, H.INT, H.SYS, S.INT, S.SYS

Letzte Änderung: Mo 04.03.2024 11:06