Informacje podstawowe

• Kierunek: Dziennikarstwo i komunikacja społeczna (studia niestacjonarne, I stopień)
• Semestr: letni 2025/2026
• Prowadzący: dr hab. Benjamin Stanley, prof. Uniwersytetu SWPS
• Kontakt: bstanley@swps.edu.pl
• Materiały: Google Classroom

Treści programowe

• 28.03 Wprowadzenie do dziennikarstwa danych
  • Czym jest a czym nie jest dziennikarstwo danych (warsztaty: dyskusja, case study, podział na grupy)
  • Po co nam kolejny gatunek dziennikarstwa? (dyskusja)
  • Praca w grupach: propozycja tematu materiału w ramach projektu zaliczeniowego

Treści programowe

• 18.04 Źródła i pozyskiwanie danych
  • Skąd brać dane w data journalism? (praca w grupach: źródła danych dla materiału w ramach projektu zal.)
  • Wiarygodne i wartościowe źródła danych
  • Zasady etycznego pozyskiwania danych

Treści programowe

• 25.04 Narzędzia i analiza danych
  • Narzędzia do pozyskiwania i analizy danych (praca w grupach: dobór narzędzi do projektu zaliczeniowego)
  • Pułapki dziennikarstwa danych (dyskusja, praca w grupach: opis ryzyk związanych z materiałem)

Treści programowe

• 09.05 Wizualizacja danych
  • Wizualizacja danych: zasady i narzędzia
  • Praca w grupach: projekt wizualizacji danych w ramach projektu zaliczeniowego

Treści programowe

• 16.05 Budowanie narracji i perspektywa krytyczna
  • Budowanie narracji w oparciu o dane (data storytelling)
  • Krytyka dziennikarstwa danych i rozważania o przyszłości gatunku (dyskusja)
  • Konsultacja projektów zaliczeniowych

Treści programowe

• 06.06 Prezentacje studenckie
  • Osoby studiujące będą proszone o podział na 5-osobowe grupy.
  • Aby uzyskać zaliczenie, każda z grup musi przygotować projekt zaliczeniowy, będący podstawą zaliczenia.
  • Projektem jest treść dziennikarska z gatunku data journalism opracowana z wykorzystaniem i na podstawie konkretnie wskazanych danych oraz narzędzi do analizy i wizualizacji.

Zaliczenie

• Osoby studiujące będą proszone o podział na 5-osobowe grupy
• Aby uzyskać zaliczenie, każda z grup musi przygotować projekt zaliczeniowy
• Projektem jest treść dziennikarska z gatunku data journalism opracowana z wykorzystaniem i na podstawie konkretnie wskazanych danych oraz narzędzi do analizy i wizualizacji
• Grupy prezentują projekty na ostatnich zajęciach (06.06)
• Szczegółowa instrukcja i rubrika oceny: handout (Podstawy dziennikarstwa danych projekt zaliczeniowy)

Plan dzisiejszego spotkania

• Część 1 (~40 min): Czym jest a czym nie jest dziennikarstwo danych
  • Definicja i cechy dziennikarstwa danych
  • Czym dziennikarstwo danych nie jest
  • Case studies: przykłady dziennikarstwa danych
• Część 2 (~30 min): Po co nam kolejny gatunek dziennikarstwa?
  • Ewolucja mediów i nowe potrzeby
  • Wyzwania współczesnych mediów
  • Dziennikarstwo danych jako rozwiązanie
• ☕ Przerwa (15 min)
• Część 3 (~35 min): Ćwiczenia grupowe
  • Ćwiczenie 1: analiza scenariuszy
  • Ćwiczenie 2: wybór tematu projektu końcowego

Definicja dziennikarstwa danych

Dziennikarstwo danych to metoda pracy, w której dane są głównym źródłem, narzędziem i dowodem reporterskim.

• Połączenie warsztatu dziennikarskiego z analizą i wizualizacją danych
• Weryfikacja i odkrywanie historii poprzez analizę zbiorów danych
• Prezentacja wyników w przystępnej, często interaktywnej formie
• Ujawnianie wzorców i trendów niewidocznych gołym okiem

Cechy dziennikarstwa danych

• Przejrzystość — udostępnianie źródeł i metod
• Reprodukowalność — możliwość samodzielnego sprawdzenia analiz
• Rzetelność — dane jako podstawa narracji, nie jej ozdoba
• Interaktywność — angażujące wizualizacje zamiast statycznych wykresów
• Precyzja — dokładność w interpretacji i uczciwość wobec ograniczeń danych

Dziennikarstwo danych: mit a rzeczywistość

Case study 1: Nadużycia w sieci kalifornijskich szpitali

• Reporterzy California Watch prześledzili dane medyczne dotyczące pacjentów w wieku 65+ w kalifornijskich szpitalach
• Celem dziennikarskiego śledztwa w oparciu o dane było ujawnienie nadużyć jednej z większych sieci szpitali, polegających na podwyższaniu klasyfikacji choroby (upcoding), aby otrzymać wyższą refundację za pacjenta

Nadużycia w sieci kalifornijskich szpitali

• Dane jasno pokazały pewne anomalie w niektórych placówkach, takie jak np. bardzo wysoki odsetek pacjentów z niedożywieniem
• Szczególnie uderzające było raportowanie przez szpitale sieci jednostki chorobowej o nazwie Kwashiorkor, czyli zespół niedoboru białka, choroby odnotowywanej głównie u dzieci w dotkniętych głodem w krajach rozwijających się
• Współczynnik przypadków odnotowania tej choroby w szpitalach był o 70 razy większy niż w pozostałych placówkach

Nadużycia w sieci kalifornijskich szpitali

Nadużycia w sieci kalifornijskich szpitali

• Do pracy wykorzystano bazy kalifornijskiego Departamentu Zdrowia, które zawierają szczegółowe informacje na temat wszystkich osób leczonych w stanowych szpitalach
• Bazy nie zawierają informacji o imieniu i nazwisku, podają jednak wiek pacjenta, nazwę szpitala, sposób zapłaty oraz schorzenia w oparciu o międzynarodową klasyfikację ICD-9
• Reporterzy wzięli pod lupę 6 lat, czyli musieli zmierzyć się z bazą danych liczącą 24 mln rekordów

Case study 2: Dotacje na transport publiczny w Argentynie

• Dziennikarze jednego z największych argentyńskich dzienników La Nacion postanowili prześledzić wykorzystanie dotacji na publiczny transport
• Temat wywołał zainteresowanie mediów ze względu na ogromne sumy przekazywane rokrocznie na publiczny transport autobusowy, co nie znajdowało odzwierciedlenia w jakości usług

Dotacje na transport publiczny

• Efektem prac zespołu złożonego z dziennikarzy, programisty, statystyka i projektanta wizualizacji było stworzenie wyszukiwarki linii i firm transportowych
• Narzędzie umożliwia sprawdzenie, jakie fundusze są przekazywane na konkretne przedsiębiorstwo oraz w jaki sposób są wykorzystywane
• Ze względu na formę dostępnych danych, stworzono skrypt programistyczny (scraper), który pozwalał na automatyczne pobieranie plików ze strony www i konwersję PDF-ów na pliki Excel i pliki bazodanowe

Dotacje na transport publiczny

Case study 3: Zamieszki w Wielkiej Brytanii

• Latem 2011 roku Wielka Brytania została dotknięta falą zamieszek
• Politycy sugerowali, że zamieszki te kategorycznie nie były powiązane z ubóstwem, zaś osoby, które dokonywały grabieży, były zwyczajnymi przestępcami
• Premier sugerował tymczasowe wyłączenie mediów społecznościowych

Zamieszki w Wielkiej Brytanii

• The Guardian, we współpracy z London School of Economics, przeprowadził przełomowy projekt “Reading the Riots”
• Poprzez połączenie danych o związanych z wykluczeniem społecznym z miejscem zamieszek, dziennikarze obalili główną narrację polityczną, mówiącą, że zamieszki nie mają żadnego związku z ubóstwem
• Wizualizacja hashtagów na Twitterze pokazała, że platforma była używana głównie do reagowania na zamieszki (np. #riotcleanup), a nie do organizowania grabieży

Zamieszki w Wielkiej Brytanii

Case study 4: Obraz działań wojennych (WikiLeaks)

• Dziennikarze otrzymali dane na temat działań wojennych w Afganistanie od organizacji WikiLeaks
• Dane pokazały, że południe Afganistanu było obszarem najciężej dotkniętym działaniami wojennymi
• Stworzono interaktywną mapę z wszystkimi incydentami, w których zginęła przynajmniej jedna osoba
• W Iraku wśród 60 000 zdarzeń ze śmiertelnymi ofiarami uderzająco wysoki był odsetek cywilów

Obraz działań wojennych

Kluczowe kompetencje

Proces pracy z danymi

1. Pozyskiwanie — źródła otwarte, dostęp do informacji publicznej, API, scraping
2. Czyszczenie — usuwanie błędów i duplikatów, standaryzacja formatów
3. Analiza — statystyki opisowe, porównania, identyfikacja wzorców i anomalii
4. Weryfikacja — konfrontacja wyników z ekspertami, testowanie alternatywnych interpretacji
5. Publikacja — wizualizacje, udostępnienie danych i kodu źródłowego, przejrzysta dokumentacja metodologii

Redakcje i projekty warte śledzenia

Ewolucja mediów

Danych jest więcej niż kiedykolwiek

• Sektor publiczny otwiera dane — dane.gov.pl, data.europa.eu, GUS BDL: setki tysięcy zbiorów dostępnych bezpłatnie
• Firmy i instytucje publikują raporty — banki centralne, WHO, Eurostat, organizacje pozarządowe
• Ślady cyfrowe — media społecznościowe, rejestry transakcji, dane geolokalizacyjne
• Problem nie brzmi już „skąd wziąć dane?” lecz „jak je zrozumieć?“

Współczesne wyzwania mediów

• Infodemia — nadmiar treści utrudnia odróżnienie sygnału od szumu
• Dezinformacja — fałszywe statystyki i zmanipulowane wykresy są łatwe do wyprodukowania i trudne do obalenia
• Polaryzacja — bańki algorytmiczne wzmacniają narracje grupowe kosztem faktów
• Erozja zaufania — coraz mniej czytelników ufa mediom głównego nurtu
• Złożoność — klimat, gospodarka, zdrowie publiczne wymagają rozumienia systemów, nie anegdot

Manipulacja danymi — przykłady

• Politycy: „Bezrobocie spadło o 50%” — ale od jakiego poziomu, w jakiej grupie wiekowej, przy jakiej definicji?
• Korporacje: Volkswagen (Dieselgate) — dane o emisjach fałszowane przez lata wobec regulatorów
• Instytucje: statystyki kryminalne bez kontekstu demograficznego lub przestrzennego
• Media: powielanie korelacji jako przyczyny — „jedzenie czekolady a nagrody Nobla”

Dziennikarstwo danych jako odpowiedź

Ocena krytyczna gatunku

Podział na grupy

• Proszę podzielić się na 6 grup
• Każda grupa będzie pracować nad projektem zaliczeniowym przez cały semestr
• Role w grupie mogą obejmować:
  • Osoba odpowiedzialna za pozyskiwanie i czyszczenie danych
  • Osoba odpowiedzialna za analizę
  • Osoba odpowiedzialna za wizualizację
  • Osoba odpowiedzialna za narrację i redakcję
  • Osoba koordynująca pracę grupy

Ćwiczenie 1: analiza scenariuszy

• Każda grupa otrzymuje scenariusz opisujący temat, który dziennikarz mógłby chcieć zbadać
• Zadanie 1: Jakie aspekty historii wymagają tradycyjnego dziennikarstwa, a jakie wymagają dziennikarstwa danych?
• Zadanie 2: Sformułujcie hipotezy badawcze, które wymagają podejścia opartego na danych
• Zadanie 3: Naszkicujcie plan projektu dziennikarstwa danych

Grupa 1: Pustoszejące szkoły — plan projektu

• Pytanie: Jak zmienia się sieć szkół podstawowych i w jakim stopniu zmiany odzwierciedlają suburbanizację i spadek dzietności?
• Metody: szeregi czasowe, korelacje, grupowanie gmin
• Wizualizacja: mapa choropletowa zmian, wykresy liniowe miasto vs. przedmieścia, scatter plot migracje vs. szkoły
• Wyzwania: filie i punkty szkolne nieujęte w danych, łączenie szkół vs. zamykanie, zmiany granic administracyjnych

Grupa 2: Kolej nierównych prędkości — plan projektu

• Pytanie: Czy inwestycje kolejowe poprawiają jakość równomiernie, czy pogłębiają różnice regionalne?
• Metody: difference-in-differences (przed/po modernizacji), analiza przestrzenna dostępności, korelacja nakładów z jakością
• Wizualizacja: mapa sieci kolorowana wg punktualności, wykresy before/after, mapa „białych plam” kolejowych
• Wyzwania: odwołane pociągi nieujęte w statystykach punktualności (survivorship bias), remonty tymczasowo pogarszają warunki

Grupa 3: Zielone obietnice miast — plan projektu

• Pytanie: Czy deklarowane redukcje emisji odpowiadają rzeczywistej poprawie jakości środowiska?
• Metody: krzyżowa walidacja danych z różnych źródeł, korelacja emisji z pomiarami jakości powietrza, benchmarking europejski
• Wizualizacja: wykres deklaracje vs. pomiary, mapa stężeń zanieczyszczeń, ranking miast polskich i europejskich
• Wyzwania: różne metodologie miast, nierównomierne pokrycie stacjami GIOŚ, emisje CO₂ ≠ jakość powietrza

Grupa 4: Recepty na pustym biurku — plan projektu

• Pytanie: Jak wygląda przestrzenne zróżnicowanie dostępności opieki specjalistycznej i jakie czynniki je wyjaśniają?
• Metody: wskaźnik lekarzy na 10 tys. mieszkańców, korelacja z czasem oczekiwania, prognoza niedoborów (piramida wiekowa), grupowanie powiatów
• Wizualizacja: mapa choropletowa kolejek, mapa gęstości lekarzy, piramida wiekowa wg specjalności, ranking specjalności
• Wyzwania: dane NFZ nie obejmują wizyt prywatnych, pacjenci w kilku kolejkach, lekarze pracujący w wielu miejscach

Grupa 5: Niewidzialni pracownicy — plan projektu

• Pytanie: Jaka jest rzeczywista skala niestandardowego i nieformalnego zatrudnienia i w jakim stopniu oficjalne statystyki ją ukrywają?
• Metody: analiza struktury form zatrudnienia w czasie, alternatywne wskaźniki rynku pracy (U-6), analiza regionalna, benchmarking europejski
• Wizualizacja: stacked area struktury zatrudnienia, porównanie stopy bezrobocia z szerszymi miarami, mapa regionalna, porównanie z UE
• Wyzwania: szara strefa trudna do zmierzenia, deklaracje respondentów, zmieniające się kategorie, dane ZUS tylko dla zarejestrowanych

Grupa 6: Cyfrowa przepaść pokoleniowa — plan projektu

• Pytanie: Kto korzysta, a kto nie korzysta z cyfrowych usług publicznych, jakie czynniki decydują o wykluczeniu i jak Polska wypada na tle UE?
• Metody: tabele krzyżowe (wiek × wykształcenie × miejsce), wskaźniki wykluczenia, porównanie DESI, korelacja infrastruktura vs. korzystanie
• Wizualizacja: wykres słupkowy wg grup wiekowych, mapa dostępności internetu, wykres radarowy Polska vs. UE, heatmapa wiek × wykształcenie
• Wyzwania: dane Min. Cyfryzacji mogą nie być dostępne w podziale demograficznym, „korzystanie z internetu” ≠ obsługa formularzy urzędowych

Ćwiczenie 2: wybór tematu projektu końcowego

• Każda grupa przygotowuje propozycję tematu projektu
  • Temat projektu — jaki problem chcecie zbadać?
  • Pytanie badawcze — konkretna hipoteza lub pytanie
  • Znaczenie społeczne — kogo to dotyczy i dlaczego ważne?
  • Dlaczego dane? — czego nie da się osiągnąć tradycyjnym dziennikarstwem?
  • Źródła danych — skąd dane i czy są dostępne?
• Szczegółowe instrukcje: handout (Podstawy dziennikarstwa danych 1 exercise 2)

Najczęstsze błędy projektów

• Zbyt szeroki temat — brak fokusa
  • Zły przykład: „Problemy polskiej gospodarki”
  • Dobry przykład: „Bezrobocie wśród absolwentów w woj. mazowieckim 2020–2025”
• Niedostępne dane — sprawdźcie dostępność danych PRZED wyborem tematu
• Słaba wizualizacja — za dużo informacji na jednym wykresie
• Brak kontekstu — dane bez interpretacji
• Powierzchowna analiza — same średnie bez analizy rozkładu

Wskazówki dla sukcesu

• Wybierz temat, który Cię interesuje — pasja przekłada się na jakość
• Sprawdź dostępność danych wcześnie — plan B, jeśli dane niedostępne
• Zaplanuj czas na trudności techniczne — czyszczenie danych zajmuje 50–80% czasu
• Skonsultuj interpretacje z ekspertami — dodają wiarygodność
• Testuj zrozumiałość na osobach z zewnątrz — 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