CURSO DE POSGRADO 2021

Clínica de Datos en Ecología del Antropoceno

Published on 02/06/2021

Tags:

Lugar

Plataforma Virtual Facultad de Ciencias Naturales e Instituto Miguel Lillo, Secretaría de Posgrado, San Lorenzo 1448, San Miguel de Tucumán, Tucumán, Argentina.

Destinatarios

Estudiantes graduados de carreras afines a las ciencias biológicas, agrarias, bioquímicas, biomédicas, biotecnológicas, forestales, veterinaria, socio-ambientales, profesionales interesados en investigaciones ecológicas.

Diseño y programa

Instituto de Ecología Regional, IER-UNT-CONICET

Docentes

Mariano Ordano, Coordinación de Clases (Fundación Miguel Lillo & IER-UNT-CONICET)
Ignacio Gasparri, Coordinación Académica (IER-UNT-CONICET)
Pedro Blendinger, Natacha Chacoff, H. Ricardo Grau, Andrea Izquierdo, Andrés Ramírez-Mejía

Carga horaria

160 horas

Modalidad Virtual

6 sesiones de 2 días contiguos. Tutoría entre sesiones.

Fechas

7-8 junio
28-29 junio
9-10 agosto
23-24 agosto
13-14 septiembre
4-5 octubre

Objetivos

Comprender y articular de manera congruente aproximaciones de investigación, diseño de investigación, muestreo, métodos para el manejo, exploración, análisis de datos y reportes de investigación ecológica en el contexto del Antropoceno.

Orientación

Este curso está orientado a desarrollar un curso-libro, orientado en el alumnado y en la resolución de problemas actuales. Brinda herramientas básicas en investigación en ecología enfocada en el Antropoceno, con énfasis en la articulación entre los objetivos y desarrollo de investigaciones, los conceptos, el diseño de investigación, el manejo de datos, el análisis cuantitativo y el reporte de la investigación. Se enfoca en el desarrollo de contenidos, tiene un sesgo en ecología, con aplicación a otras disciplinas que involucran el manejo intensivo de información. Requiere formación básica en estadística. Aunque deseable, no es necesario el conocimiento previo en el lenguaje de programación R. El curso está dirigido a estudiantes de posgrado de nivel inicial.

Contenidos

Ejes conceptuales. Introducción a la investigación en ecología del Antropoceno. Aproximaciones conceptuales. Representaciones y modelos de la realidad. Clasificación de variables. Posibilidad, probabilidad e inferencia. Aproximaciones estadísticas. Escala, unidades y variación. Matrices de datos. Análisis univariados y multivariados. Tiempo y espacio. Niveles de organización biológica (individuos, poblaciones y comunidades). Revisión, meta-análisis y síntesis.
Ejes prácticos. Organización de la investigación y de la información. Proyectos, preguntas, hipótesis, predicciones, muestreo, diseño y estadística. Manejo de bases de datos. Uso de programas. Introducción y aplicaciones en R con RStudio. Exploración, auscultación, búsqueda y congruencia de la información. Repetición, reproducción y verificación. Organización de la información, presentación tabular y gráfica.
Ejes aplicados. Diagnóstico de necesidades personales para el desarrollo de investigación. Flujos de trabajo. Trabajo individual y trabajo en equipos. Repositorios de información. Taller y clínica de proyectos individuales y grupales

Evaluación

Basada en el desempeño en clase, en los proyectos grupales e individuales y en un examen final. Desempeño en trabajo grupal: 25 %. Desempeño en trabajo individual: 50 %. Examen final: 25 %. Nota mínima de aprobación: 70/100

Asistencia y acreditación

Se requiere cumplimiento completo de actividades de sesiones.

Bibliografía

Board on Biology, National Research Council. 2000. Bioinformatics: Converting Data to Knowledge. A Workshop Summary by R. Pool & J. Esnayra. The National Academy Press.

Bolker, B. 2007. Ecological Models and Data in R. Princenton University Press.

Borcard D., F. Gillet & P. Legendre. 2011. Numerical Ecology with R. Springer Science+Business Media.

British Ecological Society. 2017. A guide to data management in ecology and evolution. URL: https://www.britishecologicalsociety.org/wp-content/uploads/2017/06/BES-Data-Guide-2017_web.pdf

Cantrell, B., L. J. Martin, E. C. Ellis. 2017. Designing autonomy: Opportunities for new wildness in the Anthropocene. Trends in Ecology & Evolution 32: 156-166.

Chen, C.-H., W. Härdle & A. Unwin (eds.). 2008. Handbook of Data Visualization. Springer-Verlag.

Crawley, M. J. 2013. The R Book. John Wiley & Sons, Ltd.

Davies, J. 2016. The birth of the Anthropocene. University of California Press.

Donovan, M. S. & J. D. Bransford (eds.). 2005. How Students Learn: Science in the Classroom. Committee on How People Learn: A Targeted Report for Teachers, National Research Council. The National Academy Press.

Editorial Nature Cell Biology. 2017. Enhancing the quality and transparency of reporting. 19: 741.

Ellis, E. C. 2018. Anthropocene: a very short introduction. Oxford University Press.

Excel Data Base Management-Microsoft Excel 2003. Reference Guide. 2003. University of Denver. University Technology Sevices. Computer Training. EBook Publishing.

Feinsinger, P. 2003. El Diseño de Estudios de Campo para la Conservación de la Biodiversidad. Editorial FAN, Santa Cruz de la Sierra, Bolivia.

Feinsinger P., I. Ventosa Rodriguez I, A. E. Izquierdo & S. Buzato. 2020. The Inquiry Cycle and Applied Inquiry Cycle: Integrated Frameworks for Field Studies in the Environmental Sciences. Biosciences https://doi.org/10.1093/biosci/biaa108

Fidler, F., Y. E. Chee, B. C. Wintle, M. A. Burgman, M. A. McCarthy & A. Gordon. 2017. Metaresearch for evaluating reproducibility in ecology and evolution. BioScience 67: 282-289.

Fox, G. A., S. Negrete-Yankelevich & V. J. Sosa. 2015. Ecological Statistics: Contemporary Theory and Application. Oxford University Press.

Gardener, M. 2012. Statistics for Ecologists Using R and Excel. Data Collection, Exploration Analysis and Presentation. Pelagic Publishing.

Gelman, A. & J. Hill. 2007. Data Analysis Using Regression and multilevel/hierarchical models. Cambridge University Press.

Gotelli, N. J. & A. M. Ellison. 2013. A Primer of Ecological Statistics. Sinauer Associates Inc.

Günther, O. 1998. Environmental Information Systems. Springer Verlag GmbH & Co Publishers.

Heiberger, R. M. & E. Neuwirth. 2009. R Through Excel. A Spreadsheet Interface for Statistics, Data Analysis, and Graphics. Springer Science+Business Media.

Hilborn, R. & M. Mangel. 1997. The Ecological Detective: Confronting Models with Data. Princenton University Press.

Irizarry, R. A. 2020. Introduction to Data Science. bookdown.

Kokko, H. 2007. Modelling for Field Biologists and Other Interesting People. Cambridge University Press.

Koricheva, J., Gurevitch, J., & Mengersen, K. (Eds.). (2013). Handbook of Meta-analysis in Ecology and Evolution. Princeton University Press.

Logan, M. 2010. Biostatistical Design and Analysis Using R : a practical guide. John Wiley & Sons.

Lovelace, R., J. Nowosad & J. Muenchow. 2020. Geocomputation with R. bookdown.

Lu, M., S. Chen, C. Lai, L. Lin & X. Yuan. 2017. Frontier of information visualization and visual analytics in 2016. Journal of Visualization 20: 667-686.

Maturana, H. & F. Varela. 1989. El Árbol del Conocimiento. Las Bases Biológicas del Conocimiento Humano. Debate, España.

Matloff, N. 2011. The Art of R Programming. A Tour of Statistical Software Design. No Starch Press.

Mayr, E. 1994. Typological versus population thinking. Pp. 157-160, in Sober, E. (ed.). Conceptual Issues in Evolutionary Biology. MIT Press.

McInerny G. J., M. Chen, R. Freeman, D. Gavaghan, M. Meyer, F. Rowland, D. J. Spiegelhalter, M. Stefaner, G. Tessarolo & J. Hortal. 2014. Information visualisation for science and policy: engaging users and avoiding bias. Trends in Ecology & Evolution 29: 148-157.

McInnes, M. D., D. Moher, D., B. D. Thombs, T. A. McGrath, P. M. Bossuyt, T. Clifford, T., H. A. Hunt & PRISMA-DTA Group. 2018. Preferred reporting items for a systematic review and meta-analysis of diagnostic test accuracy studies: the PRISMA-DTA statement. Jama 319: 388-396.

Michener, M. 2006. Meta-information concepts for ecological data management. Ecological Informatics 1: 3-7.

Platt, J. R. 1964. Strong inference. Science 146: 347-353.

Pullin, A. S. & G. B. Stewart. 2006. Guidelines for systematic review in conservation and environmental management. Conservation Biology 20: 1647-1656.

Quinn, G. P. & M. J. Keough. 2002. Experimental Design and Data Analysis for Biologists. Cambridge University Press.

Rodriguez-Sanchez, F., A. J. Pérez-Luque, I. Bartomeus & S. Varela. 2016. Ciencia reproducible: qué, por qué, cómo. Revista Ecosistemas 25: 83-92.

Rojas, M. 2002. Manual de Investigación y Redacción Científica. Book Xx press.

Sagarin, R. & A. Pauchard. 2012. Observation and Ecology : broadening the scope of science to understand a complex world. Island Press.

Sand-Jensen, K. 2007. How to write consistently boring scientific literature. Oikos 116: 723-727.

Schulz, H. J., T. Nocke, M. Heitzler & H. Schumann. 2017. A systematic view on data descriptors for the visual analysis of tabular data. Information Visualization 16: 232-256.

Shipley, B. 2000. Cause & Correlation in Biology: A user’s guide to path analysis, structural equations & causal inference. Cambridge University Press.

Stevens, M. H. H. 2009. A Primer of Ecology with R. Springer Science+Business Media, LLC.

Wang, X., Y. Guo, M. Yang, Y. Chen & W. Zhang. 2017. Information ecology research: past, present, and future. Information Technology and Management 18: 27-39.

Zuur, A. F., E. N. Ieno & C. S. Elphick. 2010. A protocol for data exploration to avoid common statistical problems. Methods in Ecology and Evolution 1: 3-14.