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

Files for download

    Last update: