Probabilistic Graphical Models for Sociological Data Analysis
| Thesis title: | Pravděpodobnostní grafické modely pro analýzu sociologických dat |
|---|---|
| Author: | Kvis, Kryštof |
| Thesis type: | Diplomová práce |
| Supervisor: | Vomlel, Jiří |
| Opponents: | Šmíd, Martin |
| Thesis language: | Česky |
| Abstract: | Tato práce se zaměřuje na aplikaci pokročilých pravděpodobnostních grafických modelů pro hlubší analýzu komplexních sociologických dat. Analýza je realizována ve statistickém prostředí R a využívá moderní metody z oblasti síťové psychometrie a strojového učení. Vstupní dataset pochází z výzkumného projektu Společnost nedůvěry a obsahuje kategorizované odpovědi téměř čtyř tisíc respondentů na 121 dotazníkových položek. Pomocí modelů Pairwise Markov Random Fields (PMRF) a Bayesovských sítí lze v datech identifikovat skryté strukturální vzorce, oddělit přímé asociace od falešných korelací a zkoumat pravděpodobnostní toky přesvědčení. Proces modelování zahrnuje regularizaci sítí, ověření jejich robustnosti pomocí metody case-dropping bootstrap a zhodnocení predikční výkonnosti pomocí křížové validace. Aplikované modely se ukázaly jako vysoce efektivní a shodně identifikovaly jako hlavní jádro ekosystému společenské nedůvěry politické a geopolitické ukotvení jedince a jeho mediální návyky, nikoliv pouze izolované konspirační narativy. |
| Keywords: | Bayesovské sítě; Síťová psychometrie; Pravděpodobnostní grafické modely; Markov Random Fields; Sociologická data; R; Společnost nedůvěry |
| Thesis title: | Probabilistic Graphical Models for Sociological Data Analysis |
|---|---|
| Author: | Kvis, Kryštof |
| Thesis type: | Diploma thesis |
| Supervisor: | Vomlel, Jiří |
| Opponents: | Šmíd, Martin |
| Thesis language: | Česky |
| Abstract: | This thesis focuses on the application of advanced probabilistic graphical models for an in-depth analysis of complex sociological data. The analysis is implemented in the R statistical environment using modern methods from network psychometrics and machine learning. The input dataset originates from the Society of Distrust research project and contains categorized responses from nearly four thousand respondents to 121 questionnaire items. Using Pairwise Markov Random Fields (PMRF) and Bayesian Networks, hidden structural patterns can be identified in the data, separating direct associations from spurious correlations and exploring probabilistic flows of beliefs. The modeling process includes network regularization, robustness verification using the case-dropping bootstrap method, and predictive performance evaluation through cross-validation. The applied models proved to be highly effective, consistently identifying the individual's political and geopolitical anchoring and media habits—rather than isolated conspiracy narratives—as the core of the societal distrust ecosystem. |
| Keywords: | Probabilistic graphical models; Bayesian networks; Markov Random Fields; Network psychometrics; R; Society of distrust; Sociological data |
Information about study
| Study programme: | Znalostní a webové technologie |
|---|---|
| Type of study programme: | Magisterský studijní program |
| Assigned degree: | Ing. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Information and Knowledge Engineering |
Information on submission and defense
| Date of assignment: | 24. 10. 2025 |
|---|---|
| Date of submission: | 4. 5. 2026 |
| Date of defense: | 8. 6. 2026 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/94243/podrobnosti |