Dziennikarstwo danych

Po co nam kolejny gatunek dziennikarstwa?

Ben Stanley

Wydział Nauk Społecznych, Uniwersytet SWPS

30 stycznia 2026

Plan spotkania

  • Po co nam kolejny gatunek dziennikarstwa?
  • Ewolucja mediów i nowe potrzeby
  • Dziennikarstwo danych jako odpowiedź na wyzwania
  • Argumenty za i przeciw nowemu gatunkowi
  • Ćwiczenie 1 - analiza artykułów
  • Ćwiczenie 2 - wybór tematu projektu końcowego

Kluczowe zagadnienia

  • Dlaczego potrzebujemy nowych form dziennikarstwa?
  • Jak rozpoznać tematy wymagające dziennikarstwa danych?
  • Czym różni się podejście oparte na danych od tradycyjnego?
  • Jak uzasadnić wybór tematu projektu?
  • Jak zaplanować i zrealizować projekt grupowy?
  • Jakie narzędzia i dane wykorzystać?

Prasa drukowana - monopol na informację

  • Tylko wydawcy mogli dotrzeć do mas
    • Wysokie koszty produkcji i dystrybucji
    • Ograniczona liczba gazet i czasopism
    • Kontrola nad treściami w rękach nielicznych

Rola redakcji i wydawców

  • Dziennikarze jako “gatekeepers” informacji
    • Decyzja o tym, co jest wiadomością
    • Filtry redakcyjne i cenzura
    • Brak możliwości weryfikacji przez odbiorców

Ekonomia uwagi i model finansowy

  • Model biznesowy oparty na prenumeracie i reklamach
    • Stabilne źródło finansowania
    • Lojalność czytelników wobec tytułów
    • Wysoka bariera wejścia dla nowych graczy

Rewolucja transmisji na żywo

  • Transmisje na żywo zmieniły percepcję wydarzeń
    • Odbiór w czasie rzeczywistym
    • Wspólne przeżywanie historycznych momentów
    • Nowa forma narracji - dźwięk i obraz

Rewolucja transmisji na żywo

  • Lądowanie na Księżycu (1969) - 600 mln widzów
    • Pierwsze globalne wydarzenie medialne
    • Poczucie uczestnictwa w historii
    • Zaufanie do medium telewizyjnego

Telewizja jako główne źródło informacji

  • Era “złotego wieku” mediów elektronicznych
    • Wieczorne dzienniki jako rytuał narodowy
    • Dziennikarze-celebryci (Cronkite, Brokaw)
    • Wysoki poziom zaufania społecznego

Internet - demokratyzacja publikowania

  • Każdy może założyć blog czy stronę
    • Niskie koszty wejścia (hosting, domena)
    • Globalne dotarcie bez pośredników
    • Niszowe treści znajdują swoją publiczność

Otwarta wiedza i crowdsourcing

  • Wikipedia jako przykład demokratyzacji wiedzy
    • Kolektywna produkcja wiedzy
    • 60 milionów artykułów w 300+ językach
    • Model open source zastosowany do encyklopedii

Fragmentacja mediów

  • Długi ogon (long tail) - rozkwit niszowych treści
    • Specjalistyczne blogi i fora
    • Społeczności zainteresowań
    • Koniec epoki uniwersalnych mediów masowych

Media społecznościowe - każdy jako wydawca

  • Facebook, Twitter, Instagram - miliardy content creators
    • Ponad 3 miliardy aktywnych użytkowników
    • Przejście od konsumpcji do produkcji treści
    • Algorytmy jako nowi “gatekeepers”

Wpływ mediów społecznościowych na społeczeństwo

  • Arabska Wiosna (2011) - rola mediów społecznościowych
    • Organizacja protestów przez Facebook i Twitter
    • Obejście cenzury państwowej
    • Citizen journalism - obywatele jako reporterzy

Model komunikacji w erze cyfrowej

  • Zmiana modelu komunikacji
    • Od one-to-many do many-to-many
    • Viralność jako nowa miara sukcesu
    • Influencerzy jako nowa klasa medialna

Dane - nowa waluta informacyjna

  • Sektor publiczny otwiera dane (open data)
    • Inicjatywy transparentności rządowej
    • Portale dane.gov.pl, data.gov, data.europa.eu
    • Setki tysięcy datasetów publicznie dostępnych

Big data i analiza danych

  • Big data zmienia sposób rozumienia rzeczywistości
    • Analiza wzorców niemożliwych do wykrycia wcześniej
    • Predykcja trendów i zachowań
    • Personalizacja usług i treści

Data-driven decision making

  • Dane jako podstawa podejmowania decyzji
    • Evidence-based policy - polityka oparta na dowodach
    • Data-driven journalism - dziennikarstwo napędzane danymi
    • Nowe narzędzia: AI, machine learning, automatyzacja

Współczesne wyzwania mediów

  • Nadmiar informacji - information overload
    • Każdego dnia publikowane są miliony artykułów
    • Przeciętny użytkownik nie jest w stanie zweryfikować informacji

Fałszywe informacje i manipulacja

  • Fake news i dezinformacja
    • Przykład: fałszywe statystyki o przestępczości imigrantów
    • Deepfake - sfałszowane nagrania polityków

Polaryzacja społeczna

  • Bańki informacyjne i polaryzacja
    • Algorytmy pokazują nam to, co chcemy zobaczyć
    • Echo chambers - wzmacnianie własnych przekonań

Erozja zaufania do instytucji

  • Kryzys zaufania do mediów
    • Badania pokazują spadek zaufania do tradycyjnych mediów
    • “Fake news” jako broń polityczna

Problem złożoności

  • Skomplikowanie współczesnego świata
    • Globalizacja - lokalne wydarzenia mają globalne skutki
    • Problemy wymagają zrozumienia złożonych systemów

Potrzeba weryfikacji faktów

  • Politycy manipulują statystykami
    • “Bezrobocie spadło o 50%” - ale od jakiego poziomu?
    • Wybiórcze używanie przedziałów czasowych

Potrzeba weryfikacji faktów

  • Firmy ukrywają prawdziwe dane
    • Skandal Volkswagena (Dieselgate) - fałszowanie emisji
    • Przemilczanie negatywnych skutków produktów

Potrzeba weryfikacji faktów

  • Instytucje publikują niepełne informacje
    • Statystyki kryminalne bez kontekstu demograficznego
    • Dane o inwestycjach bez informacji o kosztach utrzymania

Potrzeba weryfikacji faktów

  • Media powielają błędne interpretacje
    • Mylenie korelacji z przyczynowością
    • Sensacyjne nagłówki niepoparte danymi

Potrzeba weryfikacji faktów

  • Społeczeństwo potrzebuje rzetelnej analizy
    • Decyzje wyborcze oparte na faktach, nie emocjach
    • Świadome uczestnictwo w debacie publicznej

Złożoność współczesnych problemów

  • Pandemia - modelowanie epidemiologiczne
    • COVID-19: krzywe zachorowań, efektywność szczepionek
    • Wizualizacje “flatten the curve” pomogły w komunikacji

Złożoność współczesnych problemów

  • Klimat - analiza trendów długoterminowych
    • Globalne ocieplenie - dane z ostatnich 150 lat
    • Wzrost poziomu mórz, topnienie lodowców

Złożoność współczesnych problemów

  • Ekonomia - związki między makrowskaźnikami
    • Inflacja vs. bezrobocie (krzywa Phillipsa)
    • Wpływ stóp procentowych na rynek nieruchomości

Złożoność współczesnych problemów

  • Społeczeństwo - nierówności i segregacja
    • Nierówności dochodowe (współczynnik Giniego)
    • Segregacja mieszkaniowa w miastach

Złożoność współczesnych problemów

  • Polityka - analiza zachowań wyborczych
    • Zmiana preferencji według regionów i demografii
    • Frekwencja wyborcza a wyniki głosowania

Dziennikarstwo danych jako rozwiązanie

  • Obiektywność - dane jako fundament
    • Argumenty oparte na liczbach, nie opiniach
    • Przykład: analiza budżetu zamiast politycznych deklaracji

Dziennikarstwo danych jako rozwiązanie

  • Przejrzystość - udostępnianie źródeł
    • Link do źródła danych w artykule
    • GitHub z kodem analiz - pełna transparentność

Dziennikarstwo danych jako rozwiązanie

  • Weryfikowalność - możliwość sprawdzenia
    • Czytelnicy mogą powtórzyć analizę
    • Nauka obywatelska (citizen science)

Dziennikarstwo danych jako rozwiązanie

  • Głębia - analiza zamiast powierzchowności
    • Nie tylko “co się stało”, ale “dlaczego” i “jak często”
    • Wykrywanie wzorców niewidocznych gołym okiem

Dziennikarstwo danych jako rozwiązanie

  • Przystępność - wizualizacja złożonych informacji
    • Interaktywne wykresy zamiast tabel liczb
    • Mapy ciepła, infografiki, animacje

Argumenty za nowym gatunkiem

  • Zwiększa wiarygodność dziennikarstwa
    • The Guardian, ProPublica - sukces dzięki data journalism
    • Nagrody Pulitzera dla projektów opartych na danych

Argumenty za nowym gatunkiem

  • Odpowiada na potrzeby cyfrowego społeczeństwa
    • Młodsze pokolenia oczekują wizualizacji i interaktywności
    • Smartfony i tablety jako naturalne medium dla infografik

Argumenty za nowym gatunkiem

  • Wykorzystuje dostępność danych publicznych
    • Open data - rządy udostępniają miliony datasetów
    • API umożliwiają automatyzację zbierania danych

Argumenty za nowym gatunkiem

  • Rozwija kompetencje dziennikarzy
    • Nowe umiejętności: analiza, programowanie, wizualizacja
    • Interdyscyplinarność: dziennikarstwo + informatyka + statystyka

Argumenty za nowym gatunkiem

  • Podnosi jakość debaty publicznej
    • Fakty zamiast emocji
    • Trudniej manipulować dobrze udokumentowanymi analizami

Argumenty przeciw nowemu gatunkowi

  • Wykluczenie dziennikarzy bez umiejętności technicznych
    • Bariera wejścia - programowanie, statystyka
    • Starsi dziennikarze mogą czuć się zmarginalizowani

Argumenty przeciw nowemu gatunkowi

  • Wysokie koszty narzędzi i szkoleń
    • Oprogramowanie (choć są darmowe alternatywy)
    • Czas na naukę nowych umiejętności

Argumenty przeciw nowemu gatunkowi

  • Ryzyko nadmiernej technologizacji
    • “Młot widzi same gwoździe” - używanie danych tam, gdzie niepotrzebne
    • Utrata umiejętności tradycyjnego reportażu

Argumenty przeciw nowemu gatunkowi

  • Utrata ludzkiego wymiaru historii
    • Liczby nie pokazują emocji i indywidualnych dramatów
    • Ryzyko odczłowieczenia (dehumanizacja) tematów

Argumenty przeciw nowemu gatunkowi

  • Możliwość manipulacji przez dane
    • “Kłamstwa, przeklęte kłamstwa i statystyki”
    • Wybiórcze przedstawianie danych (cherry picking)

ĆWICZENIE 1 - Analiza artykułów

  • Cel: Identyfikacja tematów wymagających dziennikarstwa danych
  • Grupy - każda otrzymuje jeden artykuł do analizy
    • Zadanie 1 - Analiza: co tradycyjne vs. co wymaga danych?
    • Zadanie 2 - Sformułowanie hipotez badawczych
    • Zadanie 3 - Naszkicowanie planu projektu

ĆWICZENIE 1 - Artykuły do analizy

  • Grupa 1 - Wzrost deficytu budżetowego
  • Grupa 2 - Trendy cenowe na rynku mieszkaniowym
  • Grupa 3 - Spadek demograficzny
  • Grupa 4 - Dynamika zatrudnienia i płac
  • Grupa 5 - Kryzys finansowania systemu opieki zdrowotnej
  • Grupa 6 - Zwroty z inwestycji w nieruchomości vs. bezpieczne aktywa
  • Grupa 7 - Wpływ reformy edukacji
  • Grupa 8 - Rozwój energetyki wiatrowej

Kiedy temat wymaga dziennikarstwa danych?

  • Skala i złożoność - zbyt wiele danych dla anegdot
    • Przykład: analiza wszystkich kontraktów publicznych w kraju
    • Tysiące transakcji - niemożliwe do opisania tradycyjnie

Kiedy temat wymaga dziennikarstwa danych?

  • Wzorce i trendy - zmiany w czasie lub przestrzeni
    • Przykład: jak zmieniały się ceny mieszkań w ostatniej dekadzie?
    • Które dzielnice drożeją najszybciej?

Kiedy temat wymaga dziennikarstwa danych?

  • Porównania - systematyczne różnice między grupami
    • Przykład: dostęp do opieki zdrowotnej w miastach vs. na wsi
    • Różnice w zarobkach według płci i wykształcenia

Kiedy temat wymaga dziennikarstwa danych?

  • Korelacje - związki przyczynowo-skutkowe
    • Przykład: związek między zanieczyszczeniem a chorobami układu oddechowego
    • Wykształcenie rodziców a wyniki dzieci w szkole

Kiedy temat wymaga dziennikarstwa danych?

  • Prognozowanie - projekcje przyszłych trendów
    • Przykład: demograficzne projekcje starzenia się społeczeństwa
    • Przewidywanie skutków zmian klimatu

Kiedy temat wymaga dziennikarstwa danych?

  • Dysproporcje - nierówności wymagające kwantyfikacji
    • Przykład: nierówności dochodowe - współczynnik Giniego
    • Segregacja przestrzenna w miastach

ĆWICZENIE 2 - Wybór tematu projektu końcowego

  • Cel: Określenie tematu projektu zaliczeniowego
  • Każda grupa przygotowuje propozycję własnego tematu
    • Część 1 - Identyfikacja tematu i pytania badawczego
    • Część 2 - Motywacja dziennikarska (dlaczego ważne?)
    • Część 3 - Uzasadnienie podejścia opartego na danych

ĆWICZENIE 2 - Wybór tematu projektu końcowego

  • Temat projektu - jaki problem chcecie zbadać?
  • Pytanie badawcze - konkretna hipoteza lub pytanie
  • Znaczenie społeczne - kogo to dotyczy i dlaczego ważne?
  • Moment - dlaczego teraz jest odpowiedni czas?
  • Dlaczego dane? - czego nie da się osiągnąć tradycyjnym dziennikarstwem?
  • Źródła danych - skąd dane i czy są dostępne?

Najważniejsze pytania przy wyborze tematu

  • Dostępność danych - czy dane są publicznie dostępne?
  • Aktualność - czy temat jest istotny teraz?
  • Skala - czy problem jest wystarczająco duży/ważny?
  • Wykonalność - czy damy radę w semestrze?
  • Zainteresowanie - czy temat Was naprawdę interesuje?
  • Unikalność - czy wniesiesz coś nowego do debaty?

Najczęstsze błędy projektów

  • Zbyt szeroki temat - brak fokusa
    • Zły przykład: “Problemy polskiej gospodarki”
    • Dobry przykład: “Bezrobocie wśród absolwentów w woj. mazowieckim 2020-2024”

Najczęstsze błędy projektów

  • Niedostępne dane - nierealistyczne założenia
    • Sprawdź dostępność danych PRZED wyborem tematu
    • Przykład: dane o zarobkach w konkretnych firmach - trudno dostępne

Najczęstsze błędy projektów

  • Słaba wizualizacja - nieczytelne wykresy
    • Za dużo informacji na jednym wykresie
    • Nieodpowiedni typ wykresu (np. wykres kołowy dla 15 kategorii)

Najczęstsze błędy projektów

  • Brak kontekstu - dane bez interpretacji
    • Prezentacja liczb bez wyjaśnienia co one znaczą
    • Brak odniesienia do normy, standardu, przeszłości

Najczęstsze błędy projektów

  • Powierzchowna analiza - tylko statystyki opisowe
    • Same średnie bez analizy rozkładu
    • Brak porównań, trendów, korelacji

Wskazówki dla sukcesu

  • Wybierz temat, który Cię interesuje
    • Będziesz poświęcać temu wiele godzin
    • Pasja przekłada się na jakość projektu

Wskazówki dla sukcesu

  • Sprawdź dostępność danych wcześnie
    • Pierwsze spotkanie: weryfikacja źródeł
    • Plan B - alternatywne dane, jeśli pierwsze niedostępne

Wskazówki dla sukcesu

  • Zaplanuj czas na trudności techniczne
    • Czyszczenie danych zajmuje 50-80% czasu
    • Pierwsza wizualizacja rzadko jest ostateczna

Wskazówki dla sukcesu

  • Skonsultuj interpretacje z ekspertami
    • Eksperci mogą wskazać błędy w rozumowaniu
    • Dodają wiarygodność Twojemu materiałowi

Wskazówki dla sukcesu

  • Testuj zrozumiałość na osobach z zewnątrz
    • Rodzina, znajomi spoza dziedziny
    • Jeśli oni zrozumieją - każdy zrozumie

Kluczowe wnioski

  • Dziennikarstwo danych odpowiada na realne potrzeby współczesnego społeczeństwa
  • Nie każdy temat wymaga dziennikarstwa danych - klucz to rozpoznanie, kiedy dane są niezbędne
  • Sukces projektu zależy od: dostępności danych, jasnego pytania badawczego i motywacji dziennikarskiej
  • Tradycyjne dziennikarstwo i dziennikarstwo danych się uzupełniają, nie wykluczają