Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.
220061 UE METH: UE STADA Statistische Datenanalyse (2025S)
Prüfungsimmanente Lehrveranstaltung
Labels
Zusammenfassung
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 24.02.2025 09:00 bis Mi 26.02.2025 18:00
- Abmeldung bis Mi 26.02.2025 18:00
An/Abmeldeinformationen sind bei der jeweiligen Gruppe verfügbar.
Gruppen
Gruppe 1
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Montag 24.03. 08:00 - 09:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Montag 07.04. 08:00 - 09:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Montag 05.05. 08:00 - 09:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Montag 19.05. 08:00 - 09:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Montag 02.06. 08:00 - 09:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Montag 16.06. 08:00 - 09:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Montag 30.06. 08:00 - 09:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
40% Mitarbeit (Einzel- oder Gruppenübungen zu Themen der jeweiligen Einheit, Vorbereitung der Pflichtlektüre)
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)Im Falle von digitaler Lehre bzw. hybride Lehre wird die Mitarbeit ebenfalls durch die Abgabe von Mitarbeitsübungen bewertet. Die Arbeitsaufträge werden in diesem Fall jeweils in den entsprechenden Einheiten auf Moodle hochgeladen.Einsatz von künstlicher Intelligenz (KI):
Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
Es ist zudem nicht gestattet, Texte, Interpretationen, etc. von KI-Tools generieren zu lassen. Es steht den Studierenden jedoch frei, KI-Tools zu verwenden, um sich konkrete Aspekte erklären zu lassen. Dabei gilt es allerdings, die ausgegebenen Antworten kritisch nachzurecherchieren. Sobald KI verwendet wird, ist dies in jedem Fall zu kennzeichnen (z.B. durch Angabe des Prompts).
Zur Sicherung der guten wissenschaftlichen Praxis, und falls Zweifel an der Eigenständigkeit der Leistung aufkommen sollten, kann die Lehrveranstaltungsleitung eine mündliche Reflexion der abgegebenen Teilleistung anordnen, die erfolgreich zu absolvieren ist.
Näheres wird in der Lehrveranstaltung besprochen.
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)Im Falle von digitaler Lehre bzw. hybride Lehre wird die Mitarbeit ebenfalls durch die Abgabe von Mitarbeitsübungen bewertet. Die Arbeitsaufträge werden in diesem Fall jeweils in den entsprechenden Einheiten auf Moodle hochgeladen.Einsatz von künstlicher Intelligenz (KI):
Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
Es ist zudem nicht gestattet, Texte, Interpretationen, etc. von KI-Tools generieren zu lassen. Es steht den Studierenden jedoch frei, KI-Tools zu verwenden, um sich konkrete Aspekte erklären zu lassen. Dabei gilt es allerdings, die ausgegebenen Antworten kritisch nachzurecherchieren. Sobald KI verwendet wird, ist dies in jedem Fall zu kennzeichnen (z.B. durch Angabe des Prompts).
Zur Sicherung der guten wissenschaftlichen Praxis, und falls Zweifel an der Eigenständigkeit der Leistung aufkommen sollten, kann die Lehrveranstaltungsleitung eine mündliche Reflexion der abgegebenen Teilleistung anordnen, die erfolgreich zu absolvieren ist.
Näheres wird in der Lehrveranstaltung besprochen.
Mindestanforderungen und Beurteilungsmaßstab
75 % Anwesenheitspflicht bei Vor-Ort-Lehre (= maximal eine Fehleinheit). Im Falle von digitaler bzw. hybrider Lehre wird die Anwesenheitspflicht der Situation entsprechend angepasst und rechtzeitig an die Studierenden kommuniziert.Für eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben und mindestens 50% der Gesamtpunktzahl erreicht werden (d.h. über beide Hausübungen hinweg 30 Punkte). Zudem muss die Mitarbeit als Teilleistung ebenfalls positiv sein, d.h. es müssen mindestens 20 Mitarbeitspunkte über das Semester hinweg gesammelt werden.
Im Falle von digitaler bzw. hybrider Lehre bleiben die Anforderungen und der Beurteilungsmaßstab zu den Hausübungen und Mitarbeitsübungen unverändert.Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Im Falle von digitaler bzw. hybrider Lehre bleiben die Anforderungen und der Beurteilungsmaßstab zu den Hausübungen und Mitarbeitsübungen unverändert.Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Prüfungsstoff
In der Übung erarbeitete Inhalte werden im Anschluss eigenständig auf neue Fragestellungen angewendet. Für die Hausübungen kann es nötig sein, die vermittelten Inhalte eigenständig durch die Vorlesung(sunterlagen) und/oder zusätzliche Literatur zu ergänzen.Folgende Themen werden innerhalb der Einheiten und anhand der Hausübungen erarbeitet:
- Umgang mit R(Studio)
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
- Umgang mit R(Studio)
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
Literatur
Wird in der LV bekannt gegeben.
Gruppe 2
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Samstag 22.03. 13:15 - 16:15 Seminarraum 3, Währinger Straße 29 1.UG
- Samstag 29.03. 13:15 - 16:15 Seminarraum 5, Währinger Straße 29 1.UG
- Samstag 17.05. 13:15 - 16:15 Seminarraum 10, Währinger Straße 29 2.OG
Ziele, Inhalte und Methode der Lehrveranstaltung
In dieser Lehrveranstaltung erlernen und üben Sie die Grundlagen statistischer Datenanalyse in der Kommunikationswissenschaft (z.B. Vorbereitung, Einlesen, Analysieren, Visualisieren von Daten; Interpretieren und Berichten eigener Ergebnisse; Lesen und kritisches Beurteilen der Ergebnisse anderer). Nach dem positiven Abschluss der Übung sind Sie mit den Grundlagen deskriptiver und induktiver Statistik vertraut und können die Inhalte selbstständig (in R) anwenden.
Wichtig:
- Es wird dringend empfohlen, die dazugehörige Vorlesung zu besuchen sowie UE QUANTI und UE STADA bei dem_derselben Lehrenden zu absolvieren!WICHTIG: In diesem Kurs wird ausschließlich mit R (https://www.r-project.org) und RStudio (https://posit.co/download/rstudio-desktop/) gearbeitet! Studierende benötigen in allen Einheiten einen eigenen Laptop (kein Tablet)!
Wichtig:
- Es wird dringend empfohlen, die dazugehörige Vorlesung zu besuchen sowie UE QUANTI und UE STADA bei dem_derselben Lehrenden zu absolvieren!WICHTIG: In diesem Kurs wird ausschließlich mit R (https://www.r-project.org) und RStudio (https://posit.co/download/rstudio-desktop/) gearbeitet! Studierende benötigen in allen Einheiten einen eigenen Laptop (kein Tablet)!
Art der Leistungskontrolle und erlaubte Hilfsmittel
40% Mitarbeit (Einzel- oder Gruppenübungen zu Themen der jeweiligen Einheit, Vorbereitung der Pflichtlektüre)
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)Einsatz von künstlicher Intelligenz (KI):
Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
Es ist zudem nicht gestattet, Texte, Interpretationen, etc. von KI-Tools generieren zu lassen. Es steht den Studierenden jedoch frei, KI-Tools zu verwenden, um sich konkrete Aspekte erklären zu lassen. Dabei gilt es allerdings, die ausgegebenen Antworten kritisch nachzurecherchieren. Sobald KI verwendet wird, ist dies in jedem Fall zu kennzeichnen (z.B. durch Angabe des Prompts).
Zur Sicherung der guten wissenschaftlichen Praxis, und falls Zweifel an der Eigenständigkeit der Leistung aufkommen sollten, kann die Lehrveranstaltungsleitung eine mündliche Reflexion der abgegebenen Teilleistung anordnen, die erfolgreich zu absolvieren ist.
Näheres wird in der Lehrveranstaltung besprochen.
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)Einsatz von künstlicher Intelligenz (KI):
Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
Es ist zudem nicht gestattet, Texte, Interpretationen, etc. von KI-Tools generieren zu lassen. Es steht den Studierenden jedoch frei, KI-Tools zu verwenden, um sich konkrete Aspekte erklären zu lassen. Dabei gilt es allerdings, die ausgegebenen Antworten kritisch nachzurecherchieren. Sobald KI verwendet wird, ist dies in jedem Fall zu kennzeichnen (z.B. durch Angabe des Prompts).
Zur Sicherung der guten wissenschaftlichen Praxis, und falls Zweifel an der Eigenständigkeit der Leistung aufkommen sollten, kann die Lehrveranstaltungsleitung eine mündliche Reflexion der abgegebenen Teilleistung anordnen, die erfolgreich zu absolvieren ist.
Näheres wird in der Lehrveranstaltung besprochen.
Mindestanforderungen und Beurteilungsmaßstab
75 % AnwesenheitspflichtFür eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben und mindestens 50% der Gesamtpunktzahl erreicht werden (d.h. über beide Hausübungen hinweg 30 Punkte). Zudem muss die Mitarbeit als Teilleistung ebenfalls positiv sein, d.h. es müssen mindestens 20 Mitarbeitspunkte über das Semester hinweg gesammelt werden.Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Prüfungsstoff
In der Übung erarbeitete Inhalte werden im Anschluss eigenständig auf neue Fragestellungen angewendet. Für die Hausübungen kann es nötig sein, die vermittelten Inhalte eigenständig durch die Vorlesung(sunterlagen) und/oder zusätzliche Literatur zu ergänzen.
Folgende Themen werden innerhalb der Einheiten und anhand der Hausübungen erarbeitet:
- Umgang mit R(Studio)
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
Folgende Themen werden innerhalb der Einheiten und anhand der Hausübungen erarbeitet:
- Umgang mit R(Studio)
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
Literatur
Wird in der LV bekannt gegeben.
Gruppe 3
max. 20 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Dienstag 11.03. 15:00 - 16:30 Seminarraum 9, Währinger Straße 29 2.OG
- Dienstag 25.03. 15:00 - 16:30 Seminarraum 9, Währinger Straße 29 2.OG
- Dienstag 08.04. 15:00 - 16:30 Seminarraum 9, Währinger Straße 29 2.OG
- Dienstag 06.05. 15:00 - 16:30 Seminarraum 9, Währinger Straße 29 2.OG
- Dienstag 20.05. 15:00 - 16:30 Seminarraum 9, Währinger Straße 29 2.OG
- Dienstag 03.06. 15:00 - 16:30 Seminarraum 9, Währinger Straße 29 2.OG
- Dienstag 17.06. 15:00 - 16:30 Seminarraum 9, Währinger Straße 29 2.OG
Ziele, Inhalte und Methode der Lehrveranstaltung
After successful completion of this course, students will be able to:
• perform simple calculations and statistical analyses
• represent simple data in the appropriate graphical form
• interpret and critically evaluate statistical analyses and results
• communicate findings orally and in writing
• apply gained knowledge to conduct their own studies
• perform simple calculations and statistical analyses
• represent simple data in the appropriate graphical form
• interpret and critically evaluate statistical analyses and results
• communicate findings orally and in writing
• apply gained knowledge to conduct their own studies
Art der Leistungskontrolle und erlaubte Hilfsmittel
Please note that the course will be taught in English. Assignments will be only accepted in English.(1) Home Assignment 1 – 25%
(2) Home Assignment 2 – 35%
(3) In-class Exercises – 20%
(4) In-class Discussion – 20%
(2) Home Assignment 2 – 35%
(3) In-class Exercises – 20%
(4) In-class Discussion – 20%
Mindestanforderungen und Beurteilungsmaßstab
• obligatory attendance (students are allowed to miss a maximum of one class)
• both home assignments must be submitted on time in order to complete the courseA = 1 (Very Good): 87 - 100%
B = 2 (Good): 75 - 86,99%
C = 3 (Satisfactory): 63 - 74,99%
D = 4 (Enough): 50 - 62,99%
F = 5 (Not Enough): 00 - 49,99%
• both home assignments must be submitted on time in order to complete the courseA = 1 (Very Good): 87 - 100%
B = 2 (Good): 75 - 86,99%
C = 3 (Satisfactory): 63 - 74,99%
D = 4 (Enough): 50 - 62,99%
F = 5 (Not Enough): 00 - 49,99%
Prüfungsstoff
- Descriptive statistics and visualization in R
- Data cleaning with R
- Mean comparison (t-test)
- Chi-Squared Test
- Correlation
- Simple and multiple linear regression
- Interpretation of results
- Data cleaning with R
- Mean comparison (t-test)
- Chi-Squared Test
- Correlation
- Simple and multiple linear regression
- Interpretation of results
Gruppe 4
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Montag 24.03. 15:00 - 16:30 Seminarraum 5, Währinger Straße 29 1.UG
- Montag 07.04. 15:00 - 16:30 Seminarraum 5, Währinger Straße 29 1.UG
- Montag 05.05. 15:00 - 16:30 Seminarraum 5, Währinger Straße 29 1.UG
- Montag 19.05. 15:00 - 16:30 Seminarraum 5, Währinger Straße 29 1.UG
- Montag 02.06. 15:00 - 16:30 Seminarraum 5, Währinger Straße 29 1.UG
- Montag 23.06. 15:00 - 16:30 Seminarraum 5, Währinger Straße 29 1.UG
Ziele, Inhalte und Methode der Lehrveranstaltung
Der Kurs zielt darauf ab, die Grundlagen der statistischen Analysen in der Kommunikationswissenschaft zu erklären. Durch praktische Übungen lernen die Studierenden deskriptive Statistik in R, grundlegende Datenanalysen (z.B. Korrelation, t-Test, lineare Regression) und die Interpretation der Ergebnisse. Nach Abschluss des Seminars sind die Studierenden mit der deskriptiven Statistik und grundlegenden Datenanalysen vertraut und können selbstständig Analysen in R durchführen. Für diese Lehrveranstaltung sind keine Vorkenntnisse zu Programmierung erforderlich.Es wird dringend empfohlen, die zugehörige Vorlesung zu besuchen! Außerdem wird empfohlen, die UE QUANTI und STADA bei der gleichen Lehrperson zu absolvieren.Wichtig: Bitte bringen Sie nach Möglichkeit einen eigenen Laptop mit!
Art der Leistungskontrolle und erlaubte Hilfsmittel
60% Hausübungen (25% erste Übung, 35% zweite Übung)40% MitarbeitFür eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben werden und mindestens 50% der Gesamtpunktzahl erreicht werden.
Die Verwendung von KI-Tools ist nur soweit erlaubt, wie in der Veranstaltung angekündigt wird.
Die Verwendung von KI-Tools ist nur soweit erlaubt, wie in der Veranstaltung angekündigt wird.
Mindestanforderungen und Beurteilungsmaßstab
75% Anwesenheitspflicht (d.h. max. eine Fehleinheit)Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Prüfungsstoff
Datenbereinigung, -visualisierung und -analyse:
- Deskriptive Statistik
- Umgang mit Daten
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und mehrfache lineare Regression
- Interpretation von Ergebnissen
- Deskriptive Statistik
- Umgang mit Daten
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und mehrfache lineare Regression
- Interpretation von Ergebnissen
Literatur
Wird in der Lehrveranstaltung bekanntgegeben.
Gruppe 5
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Freitag 14.03. 09:45 - 11:15 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Freitag 28.03. 09:45 - 11:15 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Freitag 11.04. 09:45 - 11:15 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Freitag 09.05. 09:45 - 11:15 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Freitag 23.05. 09:45 - 11:15 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Freitag 06.06. 09:45 - 11:15 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Freitag 20.06. 09:45 - 11:15 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
Ziele, Inhalte und Methode der Lehrveranstaltung
In dieser Lehrveranstaltung erlernen und üben Sie die Grundlagen statistischer Datenanalyse in der Kommunikationswissenschaft (z.B. Datenmanagement, Analyse, Visualisierung von Daten, Bericht und Interpretation der Ergebnisse). Nach dem positiven Abschluss der Übung sind Sie mit den Grundlagen deskriptiver und induktiver Statistik vertraut und können die Inhalte selbstständig (in R) anwenden.In dieser Übung wird R(Studio) verwendet. Bitte bringen Sie daher nach Möglichkeit Ihren eigenen Laptop mit!
Art der Leistungskontrolle und erlaubte Hilfsmittel
40% Mitarbeit (schriftliche Übungen zu Themen der jeweiligen Einheit)
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
Mindestanforderungen und Beurteilungsmaßstab
75% Anwesenheitspflicht (d.h. max. eine Fehleinheit)Für eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben und mindestens 50% der Gesamtpunktzahl erreicht werden (d.h. über beide Hausübungen hinweg 30 Punkte). Zudem muss die Mitarbeit als Teilleistung ebenfalls positiv sein, d.h. es müssen mindestens 20 Mitarbeitspunkte über das Semester hinweg gesammelt werden.Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Prüfungsstoff
In der Übung erarbeitete Inhalte werden im Anschluss eigenständig auf neue Fragestellungen angewendet. Für die Hausübungen kann es nötig sein, die vermittelten Inhalte eigenständig durch die Vorlesung(sunterlagen) und/oder zusätzliche Literatur zu ergänzen.Folgende Themen werden innerhalb der Einheiten und anhand der Hausübungen erarbeitet:
- Umgang mit R(Studio)
- Datenmanagement
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
- Umgang mit R(Studio)
- Datenmanagement
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
Literatur
Wird in der Lehrveranstaltung bekanntgegeben.
Gruppe 6
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Mittwoch 21.05. 15:00 - 18:00 Seminarraum 6, Kolingasse 14-16, EG00
- Mittwoch 28.05. 15:00 - 18:00 Seminarraum 6, Kolingasse 14-16, EG00
- Mittwoch 04.06. 15:00 - 18:00 Seminarraum 6, Kolingasse 14-16, EG00
Ziele, Inhalte und Methode der Lehrveranstaltung
Vermittlung der Softwareumgebung R (https://www.r-project.org). In diesem Kurs wird ausschließlich mit R und RStudio gearbeitet! Studierende benötigen in allen Einheiten einen eigenen Laptop (kein Tablet) mit der schon installierten Software!Es werden gebräuchliche statistische Auswertungsmethoden der Sozialwissenschaften vermittelt und mittels Übungen vertieft. Nach Abschluss der Übung können Studierende selbstständig quantitative Daten auswerten.Der Besuch und die aktive Teilnahme an der dazugehörigen Vorlesung wird dringend empfohlen.
Art der Leistungskontrolle und erlaubte Hilfsmittel
1. Hausaufgabe: 25 %,
2. Hausaufgabe: 35 %
Mitarbeit bei den Einzel- und Gruppenübungen: 40 %Für eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben und mindestens 50% der Gesamtpunktzahl erreicht werden.
2. Hausaufgabe: 35 %
Mitarbeit bei den Einzel- und Gruppenübungen: 40 %Für eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben und mindestens 50% der Gesamtpunktzahl erreicht werden.
Mindestanforderungen und Beurteilungsmaßstab
75% Anwesenheitspflicht (d.h. max. eine Fehleinheit)Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Prüfungsstoff
- Grundlagen in R und RStudio
- Datenbereinigung, Visualisierung und Analyse
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Datenmanagement
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
- Datenbereinigung, Visualisierung und Analyse
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Datenmanagement
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
Literatur
Wird in der Lehrveranstaltung bekannt gegeben.
Gruppe 7
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Dienstag 11.03. 13:00 - 14:30 PC-Seminarraum 2, Kolingasse 14-16, OG01
- Dienstag 25.03. 13:00 - 14:30 PC-Seminarraum 2, Kolingasse 14-16, OG01
- Dienstag 08.04. 13:00 - 14:30 PC-Seminarraum 2, Kolingasse 14-16, OG01
- Dienstag 06.05. 13:00 - 14:30 PC-Seminarraum 2, Kolingasse 14-16, OG01
- Dienstag 20.05. 13:00 - 14:30 PC-Seminarraum 2, Kolingasse 14-16, OG01
- Dienstag 03.06. 13:00 - 14:30 PC-Seminarraum 2, Kolingasse 14-16, OG01
Ziele, Inhalte und Methode der Lehrveranstaltung
In dieser Lehrveranstaltung erlernen und üben Sie die Grundlagen statistischer Datenanalyse in der Kommunikationswissenschaft (z.B. Vorbereitung, Einlesen, Analysieren, Visualisieren von Daten; Interpretieren und Berichten eigener Ergebnisse; Lesen und kritisches Beurteilen der Ergebnisse anderer). Nach dem positiven Abschluss der Übung sind Sie mit den Grundlagen deskriptiver und induktiver Statistik vertraut und können die Inhalte selbstständig (in R) anwenden.
Wichtig:
- Es wird dringend empfohlen, die dazugehörige Vorlesung zu besuchen sowie UE QUANTI und UE STADA bei dem_derselben Lehrenden zu absolvieren!
- In dieser Übung wird R(Studio) verwendet. Bitte bringen Sie daher Ihren eigenen Laptop mit!Informationen zum konkreten Ablauf dieser Lehrveranstaltung erhalten alle korrekt angemeldeten Studierenden rechtzeitig via E-Mail/Moodle. Derzeit ist geplant, die Lehrveranstaltung vor Ort abzuhalten; im Falle von digitaler bzw. hybrider Lehre bleiben die Ziele und Inhalte der Lehrveranstaltung unverändert. Methodisch kommen verschiedene Übungsaktivitäten via Moodle zum Einsatz. Näheres wird in der ersten Einheit besprochen.
Wichtig:
- Es wird dringend empfohlen, die dazugehörige Vorlesung zu besuchen sowie UE QUANTI und UE STADA bei dem_derselben Lehrenden zu absolvieren!
- In dieser Übung wird R(Studio) verwendet. Bitte bringen Sie daher Ihren eigenen Laptop mit!Informationen zum konkreten Ablauf dieser Lehrveranstaltung erhalten alle korrekt angemeldeten Studierenden rechtzeitig via E-Mail/Moodle. Derzeit ist geplant, die Lehrveranstaltung vor Ort abzuhalten; im Falle von digitaler bzw. hybrider Lehre bleiben die Ziele und Inhalte der Lehrveranstaltung unverändert. Methodisch kommen verschiedene Übungsaktivitäten via Moodle zum Einsatz. Näheres wird in der ersten Einheit besprochen.
Art der Leistungskontrolle und erlaubte Hilfsmittel
40% Mitarbeit (Einzel- oder Gruppenübungen zu Themen der jeweiligen Einheit, Vorbereitung der Pflichtlektüre)
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)
Im Falle von digitaler Lehre bzw. hybride Lehre wird die Mitarbeit ebenfalls durch die Abgabe von Mitarbeitsübungen bewertet. Die Arbeitsaufträge werden in diesem Fall jeweils in den entsprechenden Einheiten auf Moodle hochgeladen.
Einsatz von künstlicher Intelligenz (KI):
Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
Es ist zudem nicht gestattet, Texte, Interpretationen, etc. von KI-Tools generieren zu lassen. Es steht den Studierenden jedoch frei, KI-Tools zu verwenden, um sich konkrete Aspekte erklären zu lassen. Dabei gilt es allerdings, die ausgegebenen Antworten kritisch nachzurecherchieren. Sobald KI verwendet wird, ist dies in jedem Fall zu kennzeichnen (z.B. durch Angabe des Prompts).
Zur Sicherung der guten wissenschaftlichen Praxis, und falls Zweifel an der Eigenständigkeit der Leistung aufkommen sollten, kann die Lehrveranstaltungsleitung eine mündliche Reflexion der abgegebenen Teilleistung anordnen, die erfolgreich zu absolvieren ist.
Näheres wird in der Lehrveranstaltung besprochen.
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)
Im Falle von digitaler Lehre bzw. hybride Lehre wird die Mitarbeit ebenfalls durch die Abgabe von Mitarbeitsübungen bewertet. Die Arbeitsaufträge werden in diesem Fall jeweils in den entsprechenden Einheiten auf Moodle hochgeladen.
Einsatz von künstlicher Intelligenz (KI):
Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
Es ist zudem nicht gestattet, Texte, Interpretationen, etc. von KI-Tools generieren zu lassen. Es steht den Studierenden jedoch frei, KI-Tools zu verwenden, um sich konkrete Aspekte erklären zu lassen. Dabei gilt es allerdings, die ausgegebenen Antworten kritisch nachzurecherchieren. Sobald KI verwendet wird, ist dies in jedem Fall zu kennzeichnen (z.B. durch Angabe des Prompts).
Zur Sicherung der guten wissenschaftlichen Praxis, und falls Zweifel an der Eigenständigkeit der Leistung aufkommen sollten, kann die Lehrveranstaltungsleitung eine mündliche Reflexion der abgegebenen Teilleistung anordnen, die erfolgreich zu absolvieren ist.
Näheres wird in der Lehrveranstaltung besprochen.
Mindestanforderungen und Beurteilungsmaßstab
75 % Anwesenheitspflicht bei Vor-Ort-Lehre (= maximal eine Fehleinheit). Im Falle von digitaler bzw. hybrider Lehre wird die Anwesenheitspflicht der Situation entsprechend angepasst und rechtzeitig an die Studierenden kommuniziert.
Für eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben und mindestens 50% der Gesamtpunktzahl erreicht werden (d.h. über beide Hausübungen hinweg 30 Punkte). Zudem muss die Mitarbeit als Teilleistung ebenfalls positiv sein, d.h. es müssen mindestens 20 Mitarbeitspunkte über das Semester hinweg gesammelt werden.
Im Falle von digitaler bzw. hybrider Lehre bleiben die Anforderungen und der Beurteilungsmaßstab zu den Hausübungen und Mitarbeitsübungen unverändert.
Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Für eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben und mindestens 50% der Gesamtpunktzahl erreicht werden (d.h. über beide Hausübungen hinweg 30 Punkte). Zudem muss die Mitarbeit als Teilleistung ebenfalls positiv sein, d.h. es müssen mindestens 20 Mitarbeitspunkte über das Semester hinweg gesammelt werden.
Im Falle von digitaler bzw. hybrider Lehre bleiben die Anforderungen und der Beurteilungsmaßstab zu den Hausübungen und Mitarbeitsübungen unverändert.
Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Prüfungsstoff
In der Übung erarbeitete Inhalte werden im Anschluss eigenständig auf neue Fragestellungen angewendet. Für die Hausübungen kann es nötig sein, die vermittelten Inhalte eigenständig durch die Vorlesung(sunterlagen) und/oder zusätzliche Literatur zu ergänzen.
Folgende Themen werden innerhalb der Einheiten und anhand der Hausübungen erarbeitet:
- Umgang mit R(Studio)
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
Folgende Themen werden innerhalb der Einheiten und anhand der Hausübungen erarbeitet:
- Umgang mit R(Studio)
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
Literatur
Wird in der LV bekannt gegeben.
Gruppe 8
max. 20 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Mittwoch 30.04. 09:45 - 12:45 Seminarraum 2, Währinger Straße 29 1.UG
- Mittwoch 14.05. 09:45 - 12:45 Seminarraum 2, Währinger Straße 29 1.UG
- Mittwoch 04.06. 09:45 - 12:45 Seminarraum 2, Währinger Straße 29 1.UG
Ziele, Inhalte und Methode der Lehrveranstaltung
After successful completion of this course, students will be able to:
• perform simple calculations and statistical analyses
• represent simple data in the appropriate graphical form
• interpret and critically evaluate statistical analyses and results
• communicate findings orally and in writing
• apply gained knowledge to conduct their own studies
• perform simple calculations and statistical analyses
• represent simple data in the appropriate graphical form
• interpret and critically evaluate statistical analyses and results
• communicate findings orally and in writing
• apply gained knowledge to conduct their own studies
Art der Leistungskontrolle und erlaubte Hilfsmittel
Please note that the course will be taught in English. Assignments will be only accepted in English.(1) Home Assignment 1 – 25%
(2) Home Assignment 2 – 35%
(3) In-class Exercises – 20%
(4) In-class Discussion – 20%
(2) Home Assignment 2 – 35%
(3) In-class Exercises – 20%
(4) In-class Discussion – 20%
Mindestanforderungen und Beurteilungsmaßstab
• obligatory attendance (students are allowed to miss a maximum of one class)
• both home assignments must be submitted on time in order to complete the courseA = 1 (Very Good): 87 - 100%
B = 2 (Good): 75 - 86,99%
C = 3 (Satisfactory): 63 - 74,99%
D = 4 (Enough): 50 - 62,99%
F = 5 (Not Enough): 00 - 49,99%
• both home assignments must be submitted on time in order to complete the courseA = 1 (Very Good): 87 - 100%
B = 2 (Good): 75 - 86,99%
C = 3 (Satisfactory): 63 - 74,99%
D = 4 (Enough): 50 - 62,99%
F = 5 (Not Enough): 00 - 49,99%
Prüfungsstoff
- Descriptive statistics and visualization in R
- Data cleaning with R
- Mean comparison (t-test)
- Chi-Squared Test
- Correlation
- Simple and multiple linear regression
- Interpretation of results
- Data cleaning with R
- Mean comparison (t-test)
- Chi-Squared Test
- Correlation
- Simple and multiple linear regression
- Interpretation of results
Gruppe 9
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Freitag 30.05. 15:00 - 18:30 Seminarraum 3, Währinger Straße 29 1.UG
- Samstag 31.05. 09:45 - 13:15 Seminarraum 5, Währinger Straße 29 1.UG
- Sonntag 01.06. 09:45 - 13:15 Seminarraum 5, Währinger Straße 29 1.UG
Ziele, Inhalte und Methode der Lehrveranstaltung
In dieser Lehrveranstaltung erlernen und üben Sie die Grundlagen statistischer Datenanalyse in der Kommunikationswissenschaft (z.B. Vorbereitung, Einlesen, Analysieren, Visualisieren von Daten; Interpretieren und Berichten eigener Ergebnisse; Lesen und kritisches Beurteilen der Ergebnisse anderer). Nach dem positiven Abschluss der Übung sind Sie mit den Grundlagen deskriptiver und induktiver Statistik vertraut und können die Inhalte selbstständig (in R) anwenden.
Wichtig:
- Es wird dringend empfohlen, die dazugehörige Vorlesung zu besuchen sowie UE QUANTI und UE STADA bei dem*derselben Lehrenden zu absolvieren!
- In dieser Übung wird R(Studio) verwendet. Bitte bringen Sie daher UNBEDINGT Ihren eigenen Laptop (kein Tablet!) mit! Wenn Sie keinen eigenen Laptop mitnehmen können Sie nicht effektiv am Kurs teilnehmen.
Wichtig:
- Es wird dringend empfohlen, die dazugehörige Vorlesung zu besuchen sowie UE QUANTI und UE STADA bei dem*derselben Lehrenden zu absolvieren!
- In dieser Übung wird R(Studio) verwendet. Bitte bringen Sie daher UNBEDINGT Ihren eigenen Laptop (kein Tablet!) mit! Wenn Sie keinen eigenen Laptop mitnehmen können Sie nicht effektiv am Kurs teilnehmen.
Art der Leistungskontrolle und erlaubte Hilfsmittel
40% Mitarbeit (Einzel- oder Gruppenübungen zu Themen der jeweiligen Einheit, Vorbereitung der Pflichtlektüre)
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)
Einsatz von künstlicher Intelligenz (KI):
Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
Es ist zudem nicht gestattet, Texte, Interpretationen, etc. von KI-Tools generieren zu lassen. Es steht den Studierenden jedoch frei, KI-Tools zu verwenden, um sich konkrete Aspekte erklären zu lassen. Dabei gilt es allerdings, die ausgegebenen Antworten kritisch nachzurecherchieren. Sobald KI verwendet wird, ist dies in jedem Fall zu kennzeichnen (z.B. durch Angabe des Prompts).
Zur Sicherung der guten wissenschaftlichen Praxis, und falls Zweifel an der Eigenständigkeit der Leistung aufkommen sollten, kann die Lehrveranstaltungsleitung eine mündliche Reflexion der abgegebenen Teilleistung anordnen, die erfolgreich zu absolvieren ist.
Näheres wird in der Lehrveranstaltung besprochen.
60% Hausübungen (1. Hausübung: 25%, 2. Hausübung: 35%)
Einsatz von künstlicher Intelligenz (KI):
Die Lehrveranstaltung unterliegt den Regeln der guten wissenschaftlichen Praxis der Universität Wien. Sämtliche Übungen sind somit eigenständig zu erledigen. Zudem muss die Verwendung aller genutzten Hilfsmittel, so auch KI-Tools, transparent gekennzeichnet werden; ansonsten gilt dies als Plagiat.
Es ist zudem nicht gestattet, Texte, Interpretationen, etc. von KI-Tools generieren zu lassen. Es steht den Studierenden jedoch frei, KI-Tools zu verwenden, um sich konkrete Aspekte erklären zu lassen. Dabei gilt es allerdings, die ausgegebenen Antworten kritisch nachzurecherchieren. Sobald KI verwendet wird, ist dies in jedem Fall zu kennzeichnen (z.B. durch Angabe des Prompts).
Zur Sicherung der guten wissenschaftlichen Praxis, und falls Zweifel an der Eigenständigkeit der Leistung aufkommen sollten, kann die Lehrveranstaltungsleitung eine mündliche Reflexion der abgegebenen Teilleistung anordnen, die erfolgreich zu absolvieren ist.
Näheres wird in der Lehrveranstaltung besprochen.
Mindestanforderungen und Beurteilungsmaßstab
75 % Anwesenheitspflicht bei Vor-Ort-Lehre (= wenn Sie einen Termin nicht wahrnehmen können, können Sie die LV nicht erfolgreich absolvieren.) Es gibt keine Ersatzleistungen zur Kompensation fehlender Anwesenheiten.
Für eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben und mindestens 50% der Gesamtpunktzahl erreicht werden. Zudem muss die Mitarbeit als Teilleistung ebenfalls positiv sein, d.h. es müssen mindestens 20 Mitarbeitspunkte über das Semester hinweg gesammelt werden. Die Hausübungen sind auf Deutsch zu verfassen.Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Für eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben und mindestens 50% der Gesamtpunktzahl erreicht werden. Zudem muss die Mitarbeit als Teilleistung ebenfalls positiv sein, d.h. es müssen mindestens 20 Mitarbeitspunkte über das Semester hinweg gesammelt werden. Die Hausübungen sind auf Deutsch zu verfassen.Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Prüfungsstoff
In der Übung erarbeitete Inhalte werden im Anschluss eigenständig auf neue Fragestellungen angewendet. Für die Hausübungen kann es nötig sein, die vermittelten Inhalte eigenständig durch die Vorlesung(sunterlagen) und/oder zusätzliche Literatur zu ergänzen.
Folgende Themen werden innerhalb der Einheiten und anhand der Hausübungen erarbeitet:
- Umgang mit R(Studio)
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
Folgende Themen werden innerhalb der Einheiten und anhand der Hausübungen erarbeitet:
- Umgang mit R(Studio)
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Interpretation eigener und fremder Ergebnisse
- Deskriptive Statistik
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und multiple lineare Regression
Literatur
Wird in der LV bekanntgegeben
Gruppe 10
max. 20 Teilnehmer*innen
Sprache: Englisch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Montag 31.03. 16:45 - 19:45 Seminarraum 10, Währinger Straße 29 2.OG
- Montag 12.05. 16:45 - 19:45 Seminarraum 10, Währinger Straße 29 2.OG
- Montag 16.06. 16:45 - 19:45 Seminarraum 10, Währinger Straße 29 2.OG
Ziele, Inhalte und Methode der Lehrveranstaltung
After successful completion of this course, students will be able to:
• perform simple calculations and statistical analyses
• represent simple data in the appropriate graphical form
• interpret and critically evaluate statistical analyses and results
• communicate findings orally and in writing
• apply gained knowledge to conduct their own studies
• perform simple calculations and statistical analyses
• represent simple data in the appropriate graphical form
• interpret and critically evaluate statistical analyses and results
• communicate findings orally and in writing
• apply gained knowledge to conduct their own studies
Art der Leistungskontrolle und erlaubte Hilfsmittel
Please note that the course will be taught in English. Assignments will be only accepted in English.(1) Home Assignment 1 – 25%
(2) Home Assignment 2 – 35%
(3) In-class Exercises – 20%
(4) In-class Discussion – 20%
(2) Home Assignment 2 – 35%
(3) In-class Exercises – 20%
(4) In-class Discussion – 20%
Mindestanforderungen und Beurteilungsmaßstab
• obligatory attendance (students are allowed to miss a maximum of one class)
• both home assignments must be submitted on time in order to complete the courseA = 1 (Very Good): 87 - 100%
B = 2 (Good): 75 - 86,99%
C = 3 (Satisfactory): 63 - 74,99%
D = 4 (Enough): 50 - 62,99%
F = 5 (Not Enough): 00 - 49,99%
• both home assignments must be submitted on time in order to complete the courseA = 1 (Very Good): 87 - 100%
B = 2 (Good): 75 - 86,99%
C = 3 (Satisfactory): 63 - 74,99%
D = 4 (Enough): 50 - 62,99%
F = 5 (Not Enough): 00 - 49,99%
Prüfungsstoff
- Descriptive statistics and visualization in R
- Data cleaning with R
- Mean comparison (t-test)
- Chi-Squared Test
- Correlation
- Simple and multiple linear regression
- Interpretation of results
- Data cleaning with R
- Mean comparison (t-test)
- Chi-Squared Test
- Correlation
- Simple and multiple linear regression
- Interpretation of results
Gruppe 11
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Donnerstag 13.03. 13:15 - 16:15 Seminarraum 2, Währinger Straße 29 1.UG
- Mittwoch 09.04. 13:15 - 16:15 Seminarraum 2, Währinger Straße 29 1.UG
- Mittwoch 07.05. 13:15 - 16:15 Seminarraum 2, Währinger Straße 29 1.UG
Gruppe 12
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
- N Dienstag 11.03. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Dienstag 25.03. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Dienstag 08.04. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Dienstag 06.05. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Dienstag 20.05. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Dienstag 03.06. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Dienstag 17.06. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
Ziele, Inhalte und Methode der Lehrveranstaltung
Der Kurs zielt darauf ab, die Grundlagen der statistischen Analysen in der Kommunikationswissenschaft zu erklären. Durch praktische Übungen lernen die Studierenden deskriptive Statistik in R, grundlegende Datenanalysen (z.B. Korrelation, t-Test, lineare Regression) und die Interpretation der Ergebnisse. Nach Abschluss des Seminars sind die Studierenden mit der deskriptiven Statistik und grundlegenden Datenanalysen vertraut und können selbstständig Analysen in R durchführen. Für diese Lehrveranstaltung sind keine Vorkenntnisse zu Programmierung erforderlich.Es wird dringend empfohlen, die zugehörige Vorlesung zu besuchen! Außerdem wird empfohlen, die UE QUANTI und STADA bei der gleichen Lehrperson zu absolvieren.WICHTIG!! In dieser Übung wird R(Studio) verwendet. Bitte bringen Sie daher Ihren eigenen Laptop (kein Tablet!) mit.
Art der Leistungskontrolle und erlaubte Hilfsmittel
60% Hausübungen (25% erste Übung, 35% zweite Übung)
40% MitarbeitFür eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben werden und mindestens 50% der Gesamtpunktzahl erreicht werden.Die Verwendung von KI-Tools ist nur soweit erlaubt, wie in der Veranstaltung angekündigt wird.
40% MitarbeitFür eine positive Beurteilung müssen beide Hausübungen fristgerecht abgegeben werden und mindestens 50% der Gesamtpunktzahl erreicht werden.Die Verwendung von KI-Tools ist nur soweit erlaubt, wie in der Veranstaltung angekündigt wird.
Mindestanforderungen und Beurteilungsmaßstab
75% Anwesenheitspflicht (d.h. max. eine Fehleinheit)Notenschlüssel:
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
100 - 87,0 % Sehr Gut
86,9 - 75,0 % Gut
74,9 - 63,0 % Befriedigend
62,9 - 50,0 % Genügend
49,9 - 00,0 % Nicht Genügend
Prüfungsstoff
In der Übung erarbeitete Inhalte werden im Anschluss eigenständig auf neue Fragestellungen angewendet. Für die Hausübungen kann es nötig sein, die vermittelten Inhalte eigenständig durch die Vorlesung(sunterlagen) und/oder zusätzliche Literatur zu ergänzen.Folgende Themen werden innerhalb der Einheiten und anhand der Hausübungen erarbeitet:- Umgang mit R(Studio)
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Deskriptive Statistik
- Umgang mit Daten
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und mehrfache lineare Regression
- Interpretation von Ergebnissen
- Umgang mit Daten (Einlesen, Bereinigung, Visualisierung und Analyse)
- Deskriptive Statistik
- Umgang mit Daten
- Mittelwertvergleich (t-Test)
- Chi-Quadrat-Test
- Korrelation
- Einfache und mehrfache lineare Regression
- Interpretation von Ergebnissen
Literatur
Wird in der Lehrveranstaltung bekanntgegeben.
Gruppe 13
max. 20 Teilnehmer*innen
Sprache: Deutsch
Lernplattform: Moodle
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
Ablauf
Tag 1: Einführung, Datenmanagement und Visualisierungen
Tag 2: Deskriptive Statistik und Theorie der Hypothesentestung. Statstische Tests: t-test und chi-Quadrat
Tag 3: Statistische Tests: Korrelation und Regressionsanalyse
Hausübung 1: 29. Juni 2025
Hausübung 2: 06. Juli 2025
- N Freitag 20.06. 09:45 - 13:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Samstag 21.06. 09:45 - 13:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Sonntag 22.06. 09:45 - 13:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
Ziele, Inhalte und Methode der Lehrveranstaltung
Nach erfolgreichem Abschluss dieser Lehrveranstaltung sind die Studierenden in der Lage:
- einfache Berechnungen und statistische Analysen durchzuführen
- einfache Daten in geeigneter grafischer Form darzustellen
- statistische Analysen und Ergebnisse zu interpretieren und kritisch zu bewerten
- Ergebnisse mündlich und schriftlich zu kommunizieren
- das erworbene Wissen bei der Durchführung eigener Studien anzuwendenEs wird empfohlen, die dazugehörige Vorlesung zu besuchen.
- einfache Berechnungen und statistische Analysen durchzuführen
- einfache Daten in geeigneter grafischer Form darzustellen
- statistische Analysen und Ergebnisse zu interpretieren und kritisch zu bewerten
- Ergebnisse mündlich und schriftlich zu kommunizieren
- das erworbene Wissen bei der Durchführung eigener Studien anzuwendenEs wird empfohlen, die dazugehörige Vorlesung zu besuchen.
Art der Leistungskontrolle und erlaubte Hilfsmittel
20% Übungsaufgaben während der Einheiten
20% aktive Mitarbeit
60% zwei Hausübungen (25% and 35%)Zum Bestehen müssen beide Hausübungen fristgerecht eingereicht sein und insgesamt 50% der Gesamtpunkte beider HÜs erreicht werden (d.h. bei nicht bestandener HÜ1 können Sie mit HÜ2 kompensieren).
20% aktive Mitarbeit
60% zwei Hausübungen (25% and 35%)Zum Bestehen müssen beide Hausübungen fristgerecht eingereicht sein und insgesamt 50% der Gesamtpunkte beider HÜs erreicht werden (d.h. bei nicht bestandener HÜ1 können Sie mit HÜ2 kompensieren).
Mindestanforderungen und Beurteilungsmaßstab
• Es gilt 75% Anwesenheitspflicht (d.h. Sie dürfen maximal 2.5h fehlen).
• Beide Hausübungen müssen eingereicht sein.Notenschlüssel:
00,0 – 49,9% Nicht Genügend
50,0 - 62,9% Genügend
63,0 - 74,9% Befriedigend
75,0 - 86,9% Gut
87,0 - 100% Sehr Gut
• Beide Hausübungen müssen eingereicht sein.Notenschlüssel:
00,0 – 49,9% Nicht Genügend
50,0 - 62,9% Genügend
63,0 - 74,9% Befriedigend
75,0 - 86,9% Gut
87,0 - 100% Sehr Gut
Prüfungsstoff
- Deskriptive Statistik und Visualisierung
- Datenmanagement
- abhängiger und unabhängiger t-Test
- Chi-Quadrat-Test
- Korrelation
- Einfache und mehrfache lineare Regression
- Interpretation der Ergebnisse
- Datenmanagement
- abhängiger und unabhängiger t-Test
- Chi-Quadrat-Test
- Korrelation
- Einfache und mehrfache lineare Regression
- Interpretation der Ergebnisse
Literatur
nur die Präsentationsfolien
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Fr 17.01.2025 15:26
- Es wird dringend empfohlen, die dazugehörige Vorlesung zu besuchen sowie UE QUANTI und UE STADA bei dem_derselben Lehrenden zu absolvieren!
- In dieser Übung wird R(Studio) verwendet. Bitte bringen Sie daher Ihren eigenen Laptop mit!Informationen zum konkreten Ablauf dieser Lehrveranstaltung erhalten alle korrekt angemeldeten Studierenden rechtzeitig via E-Mail/Moodle. Derzeit ist geplant, die Lehrveranstaltung vor Ort abzuhalten; im Falle von digitaler bzw. hybrider Lehre bleiben die Ziele und Inhalte der Lehrveranstaltung unverändert. Methodisch kommen verschiedene Übungsaktivitäten via Moodle zum Einsatz. Näheres wird in der ersten Einheit besprochen.