Warning! The directory is not yet complete and will be amended until the beginning of the term.
220055 UE METH: UE STADA Statistical Data Analysis (2024W)
Continuous assessment of course work
Labels
Summary
Registration/Deregistration
Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).
- Registration is open from Mo 16.09.2024 09:00 to We 18.09.2024 18:00
- Deregistration possible until Th 31.10.2024 23:59
Registration information is available for each group.
Groups
Group 1
max. 16 participants
Language: English
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Monday 14.10. 09:45 - 13:15 Seminarraum 2, Währinger Straße 29 1.UG
- Tuesday 15.10. 09:45 - 13:15 Seminarraum 2, Währinger Straße 29 1.UG
- Wednesday 16.10. 09:45 - 13:15 Seminarraum 2, Währinger Straße 29 1.UG
Aims, contents and method of the course
Assessment and permitted materials
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) Participation - In-class Exercises, Discussion – 40%
(2) Home Assignment 2 – 35%
(3) Participation - In-class Exercises, Discussion – 40%
Minimum requirements and assessment criteria
• Good or very good command of written and spoken English.
• Attendance is obligatory for 75% of the time. You may miss a maximum of one class (students are allowed to miss a maximum of one class).
• The seminar is planned as in-person class – this is a subject to change based on the development in the future and the university recommendations.
• Both home assignments must be submitted in order to complete the course. Home assignments must be done individually and not in a group.Grading:
• 0 - 49,9 % - Unsatisfactisfactory (5)
• 50 - 62.9 % - Sufficient (4)
• 63 - 74.9 % - Satisfactory (3)
• 75 - 86,9 % - Good (2)
• 87 - 100 % - Excellent (1)
• Attendance is obligatory for 75% of the time. You may miss a maximum of one class (students are allowed to miss a maximum of one class).
• The seminar is planned as in-person class – this is a subject to change based on the development in the future and the university recommendations.
• Both home assignments must be submitted in order to complete the course. Home assignments must be done individually and not in a group.Grading:
• 0 - 49,9 % - Unsatisfactisfactory (5)
• 50 - 62.9 % - Sufficient (4)
• 63 - 74.9 % - Satisfactory (3)
• 75 - 86,9 % - Good (2)
• 87 - 100 % - Excellent (1)
Examination topics
The R (R-Studio) software, types of data
Descriptive statistics (central tendency, dispersion)
Data handling (and cleaning) in R
Hypothesis testing and T-tests
Chi-square test and correlation
Linear and multiple regression
Descriptive statistics (central tendency, dispersion)
Data handling (and cleaning) in R
Hypothesis testing and T-tests
Chi-square test and correlation
Linear and multiple regression
Reading list
Books:
• Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications.
• Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications.
Group 2
max. 16 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Monday 07.10. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 21.10. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 04.11. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 18.11. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 02.12. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 16.12. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 20.01. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
Aims, contents and method of the course
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.
Assessment and permitted materials
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.
Minimum requirements and assessment criteria
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
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
Examination topics
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
Reading list
Wird in der LV bekannt gegeben.
Group 3
max. 16 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Monday 07.10. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 21.10. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 04.11. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 18.11. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 02.12. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 16.12. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 20.01. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
Aims, contents and method of the course
In der Lehrveranstaltung werden die Grundlagen statistischer Auswertungen in der Kommunikationswissenschaft mit R vermittelt und anhand praktischer Übungen einstudiert.Der Besuch der dazugehörigen Vorlesung wird dringend empfohlen.
Assessment and permitted materials
Mitarbeit (Einzel- und Gruppenaufgaben in der Übungseinheit) und fristgerechte Abgabe von zwei Hausübungen.In dieser Lehrveranstaltung dürfen KI-Tools verwendet werden. Falls ein KI-Tool genutzt wird, ist anzugeben:
(1) welche(s) Tool(s) genutzt wurde(n) (z. B. ChatGPT),
(2) zu welchem Zweck das jeweilige Tool genutzt wurde (z. B. Fehler im Code identifizieren),
(3) persönliche Eindrücke in einer kurzen Reflexion (was hat funktioniert, was nicht, wie wurden Ergebnisse verifiziert).
(1) welche(s) Tool(s) genutzt wurde(n) (z. B. ChatGPT),
(2) zu welchem Zweck das jeweilige Tool genutzt wurde (z. B. Fehler im Code identifizieren),
(3) persönliche Eindrücke in einer kurzen Reflexion (was hat funktioniert, was nicht, wie wurden Ergebnisse verifiziert).
Minimum requirements and assessment criteria
75% Anwesenheitspflicht (nur 1 Fehleinheit möglich).Benotung: 60% Hausübungen (HÜ1: 25%, HÜ2: 35%), 40% Mitarbeit.Für eine positive Note müssen beide Hausübungen fristgerecht abgegeben werden und im Durchschnitt 50% der Gesamtpunkte 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. Die Hausübungen sind auf Deutsch zu verfassen.Notenschlüssel:
0,0 - 49,9% Nicht genügend
50,0 - 62,9% Genügend
63,0 - 74,9% Befriedigend
75,0 - 86,9% Gut
87,0 - 100% Sehr gut
0,0 - 49,9% Nicht genügend
50,0 - 62,9% Genügend
63,0 - 74,9% Befriedigend
75,0 - 86,9% Gut
87,0 - 100% Sehr gut
Examination topics
Studierende sollen die in der Übung erarbeiteten Inhalte eigenständig auf neue Fragestellungen anwenden. Für die Erarbeitung der Hausübungen kann ein selbständiges Ergänzen der Inhalte durch die dazugehörige Vorlesung und/oder Literatur nötig sein.
Reading list
Wird in der Lehrveranstaltung bekannt gegeben.
Group 4
max. 16 participants
Language: English
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Tuesday 15.10. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Tuesday 29.10. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Tuesday 12.11. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Tuesday 26.11. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Tuesday 10.12. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Tuesday 07.01. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Tuesday 21.01. 15:00 - 16:30 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
Aims, contents and method of the course
The course aims to explain the basics of statistical analyses in communication science. Through practical exercises, students will learn descriptive statistics in R, basic data analyses (e.g., correlation, t-test, linear regression) and how to interpret the results. After completing this seminar, students will be familiar with descriptive statistics and basic data analyses to independently carry out analyses in R.It is strongly recommended to attend the corresponding lecture!Please note that this seminar is taught in English.
Assessment and permitted materials
Grading:
60% homework (25% for the first homework, 35% for the second homework)
40% participation in classesTo receive a positive grade, both homework assignments must be submitted and an average of 50% of the total points must be achieved.In case the semester will take place in the form of remote learning, content and aims of the course remain unchanged.The course will be taught in English. Assignments will be accepted in English.
60% homework (25% for the first homework, 35% for the second homework)
40% participation in classesTo receive a positive grade, both homework assignments must be submitted and an average of 50% of the total points must be achieved.In case the semester will take place in the form of remote learning, content and aims of the course remain unchanged.The course will be taught in English. Assignments will be accepted in English.
Minimum requirements and assessment criteria
75% Attendance is requiredGrading:00.0 – 49.9% Unsatisfactory
50.0 – 62.9% Sufficient
63.0 – 74.9% Satisfactory
75.0 – 86.9% Good
87.0 - 100% Excellent
50.0 – 62.9% Sufficient
63.0 – 74.9% Satisfactory
75.0 – 86.9% Good
87.0 - 100% Excellent
Examination topics
- Data cleaning, visualization and analysis
- Interpretation of own and others’ results
- Descriptive statistics
- Data handling
- Mean comparison (t-test)
- Chi-square Test
- Correlation
- Linear regression
- Interpretation of own and others’ results
- Descriptive statistics
- Data handling
- Mean comparison (t-test)
- Chi-square Test
- Correlation
- Linear regression
Reading list
Will be announced in the course.
Group 5
max. 16 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Monday 14.10. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 28.10. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 11.11. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 25.11. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 09.12. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 13.01. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Monday 27.01. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
Aims, contents and method of the course
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.
- 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.
Assessment and permitted materials
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.
Minimum requirements and assessment criteria
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
Examination topics
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
Reading list
Wird in der LV bekannt gegeben.
Group 6
max. 16 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Tuesday 08.10. 13:00 - 14:30 Seminarraum 6, Kolingasse 14-16, EG00
- Tuesday 22.10. 13:00 - 14:30 Seminarraum 6, Kolingasse 14-16, EG00
- Tuesday 05.11. 13:00 - 14:30 Seminarraum 6, Kolingasse 14-16, EG00
- Tuesday 19.11. 13:00 - 14:30 Seminarraum 6, Kolingasse 14-16, EG00
- Tuesday 03.12. 13:00 - 14:30 Seminarraum 6, Kolingasse 14-16, EG00
- Tuesday 17.12. 13:00 - 14:30 Seminarraum 6, Kolingasse 14-16, EG00
- Tuesday 14.01. 13:00 - 14:30 Seminarraum 6, Kolingasse 14-16, EG00
- Tuesday 28.01. 13:00 - 14:30 Seminarraum 6, Kolingasse 14-16, EG00
Aims, contents and method of the course
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.
Assessment and permitted materials
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.
Minimum requirements and assessment criteria
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
Examination topics
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
Reading list
Wird in der LV bekannt gegeben.
Group 7
max. 16 participants
Language: English
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Tuesday 15.10. 13:15 - 14:45 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Thursday 31.10. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Thursday 14.11. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Thursday 28.11. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Thursday 12.12. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Thursday 16.01. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
- Thursday 30.01. 09:45 - 11:15 Lehrredaktion Publizistik, Währinger Straße 29 2.OG
Aims, contents and method of the course
Students become familiar with descriptive and inductive methods of statistical data analysis, and the competencies to prepare, visualize, and analyze data with R. Students will be able to interpret and report their results, evaluate their peers’ results, and examine the results of academic papers.After successful completion of this course, students will be able to perform simple calculations and statistical analyses; graphically and appropriately represent data; interpret and critically evaluate statistical analyses and results; communicate findings orally and in writing; and apply their gained knowledge to conduct their own studies.
Assessment and permitted materials
Please note that the course will be taught in English, and assignments will only be accepted in English.
1. Homework Assignments 1 & 2 – 60%
2. Participation in in-class Exercises and Discussions – 40%
1. Homework Assignments 1 & 2 – 60%
2. Participation in in-class Exercises and Discussions – 40%
Minimum requirements and assessment criteria
*** Software: R ***
In this course we work exclusively with R and RStudio!
Students need their own laptop (not a tablet) in all units!
*******************• Good or very good command of written and spoken English:
• 75% obligatory attendance; you can only miss one class, maximum;
• Both homework assignments must be submitted in order to complete the course, and be completed individually (i.e., not in a group).Grading:
• 0 - 49,9 % - Unsatisfactisfactory (5)
• 50 - 62.9 % - Sufficient (4)
• 63 - 74.9 % - Satisfactory (3)
• 75 - 86,9 % - Good (2)
• 87 - 100 % - Excellent (1)
In this course we work exclusively with R and RStudio!
Students need their own laptop (not a tablet) in all units!
*******************• Good or very good command of written and spoken English:
• 75% obligatory attendance; you can only miss one class, maximum;
• Both homework assignments must be submitted in order to complete the course, and be completed individually (i.e., not in a group).Grading:
• 0 - 49,9 % - Unsatisfactisfactory (5)
• 50 - 62.9 % - Sufficient (4)
• 63 - 74.9 % - Satisfactory (3)
• 75 - 86,9 % - Good (2)
• 87 - 100 % - Excellent (1)
Examination topics
R (R-Studio) software; types of data
Descriptive statistics (e.g., central tendency, dispersion)
Data handling and cleaning in R
Hypothesis testing and T-tests
Chi-square tests and correlations
Linear and multiple regressions
Descriptive statistics (e.g., central tendency, dispersion)
Data handling and cleaning in R
Hypothesis testing and T-tests
Chi-square tests and correlations
Linear and multiple regressions
Reading list
Literature will be announced during the course.
Group 8
max. 16 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
Achtung: Die UE beginnt am 28.10.24. Am 14.10.24 findet keine Lehrveranstaltung statt!
- Monday 14.10. 15:00 - 16:30 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Monday 28.10. 15:00 - 16:30 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Monday 11.11. 15:00 - 16:30 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Monday 25.11. 15:00 - 16:30 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Monday 09.12. 15:00 - 16:30 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Monday 13.01. 15:00 - 16:30 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Monday 27.01. 15:00 - 16:30 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
Aims, contents and method of the course
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!
Assessment and permitted materials
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.
Minimum requirements and assessment criteria
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
Examination topics
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
Reading list
Wird in der Lehrveranstaltung bekanntgegeben.
Group 9
max. 16 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Friday 13.12. 15:00 - 18:30 Seminarraum 4, Währinger Straße 29 1.UG
- Saturday 14.12. 09:45 - 13:15 Seminarraum 10, Währinger Straße 29 2.OG
- Sunday 15.12. 09:45 - 13:15 Seminarraum 5, Währinger Straße 29 1.UG
Aims, contents and method of the course
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.
Assessment and permitted materials
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.
Minimum requirements and assessment criteria
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
Examination topics
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
Reading list
Wird in der Lehrveranstaltung bekanntgegeben.
Group 10
max. 16 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Friday 04.10. 11:30 - 13:00 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Friday 18.10. 11:30 - 13:00 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Friday 08.11. 11:30 - 13:00 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Friday 22.11. 11:30 - 13:00 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Friday 06.12. 11:30 - 13:00 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Friday 10.01. 11:30 - 13:00 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
- Friday 24.01. 11:30 - 13:00 Class Room 2 ZID UniCampus Hof 7 Eingang 7.1, 1.OG ( 2H-O1-13)
Aims, contents and method of the course
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 nach Möglichkeit 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.
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 nach Möglichkeit 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.
Assessment and permitted materials
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.
Minimum requirements and assessment criteria
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
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
Examination topics
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
Reading list
Wird in der LV bekannt gegeben.
Group 11
max. 16 participants
Language: German
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Wednesday 16.10. 13:15 - 16:15 Seminarraum 8, Währinger Straße 29 1.OG
- Wednesday 13.11. 13:15 - 16:15 Seminarraum 8, Währinger Straße 29 1.OG
- Wednesday 11.12. 13:15 - 16:15 Seminarraum 8, Währinger Straße 29 1.OG
Aims, contents and method of the course
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.
Assessment and permitted materials
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.
Minimum requirements and assessment criteria
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
Examination topics
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
Reading list
Wird in der LV bekannt gegeben.
Group 12
max. 16 participants
Language: English
LMS: Moodle
Lecturers
Classes (iCal) - next class is marked with N
- Monday 18.11. 13:15 - 16:15 Seminarraum 3, Währinger Straße 29 1.UG
- Monday 09.12. 13:15 - 16:15 Seminarraum 3, Währinger Straße 29 1.UG
- Monday 13.01. 13:15 - 16:15 Seminarraum 3, Währinger Straße 29 1.UG
Aims, contents and method of the course
The course aims to explain the basics of statistical analyses in communication science. Through practical exercises, students will learn descriptive statistics in R, basic data analyses (e.g., correlation, t-test, linear regression) and how to interpret the results. After completing this seminar, students will be familiar with descriptive statistics and basic data analyses to independently carry out analyses in R.Please note that this seminar is taught in English.
Assessment and permitted materials
Grading:
- 60% homework (25% for the first homework, 35% for the second homework)
- 40% participation in classesTo receive a positive grade, both homework assignments must be submitted and an average of 50% of the total points must be achieved.
In case the semester will take place in the form of remote learning, content and aims of the course remain unchanged.The course will be taught in English. Assignments will only be accepted in English.
- 60% homework (25% for the first homework, 35% for the second homework)
- 40% participation in classesTo receive a positive grade, both homework assignments must be submitted and an average of 50% of the total points must be achieved.
In case the semester will take place in the form of remote learning, content and aims of the course remain unchanged.The course will be taught in English. Assignments will only be accepted in English.
Minimum requirements and assessment criteria
75% Attendance is required. You can only miss one class. Good or very good command of English is required.Grading:
00.0 – 49.9% Unsatisfactory
50.0 – 62.9% Sufficient
63.0 – 74.9% Satisfactory
75.0 – 86.9% Good
87.0 - 100% Excellent
00.0 – 49.9% Unsatisfactory
50.0 – 62.9% Sufficient
63.0 – 74.9% Satisfactory
75.0 – 86.9% Good
87.0 - 100% Excellent
Examination topics
- Data cleaning, visualization and analysis
- Interpretation of own and others’ results
- Descriptive statistics
- Data handling
- Mean comparison (t-test)
- Chi-square Test
- Correlation
- Linear regression
- Interpretation of own and others’ results
- Descriptive statistics
- Data handling
- Mean comparison (t-test)
- Chi-square Test
- Correlation
- Linear regression
Reading list
Will be announced in the classes.
Association in the course directory
Last modified: Fr 03.01.2025 13:06
• 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