Od pytania badawczego do publikacji

Każdy projekt data journalism — niezależnie od tematu i skali — przechodzi przez te same cztery etapy:

• Etap 1: Pozyskiwanie — skąd bierzemy dane?
• Etap 2: Czyszczenie — co z nimi robimy, żeby nadawały się do analizy?
• Etap 3: Analiza — jakie pytania im zadajemy?
• Etap 4: Wizualizacja — jak pokazujemy wyniki?

Etap 1: pozyskiwanie — zwięźle

• Oficjalne źródła statystyczne: GUS/BDL, NBP, NFZ, Eurostat, Bank Światowy
• Dane pozyskiwane aktywnie: wnioski o informację publiczną, API, web scraping
• Własne zbieranie: ankiety, crowdsourcing

Etap 2: czyszczenie — miejsce, gdzie giną projekty

• Typowe problemy:
  • Braki danych (NA, puste komórki, zera)
  • Niespójne nazwy („Warszawa” vs „m. st. Warszawa”)
  • Błędy kodowania („Łódź” → „ŕódź”)
  • Różne formaty dat i jednostek
• Zasada: nigdy nie nadpisuj surowych danych — pracuj na kopiach
• Dokumentuj każdą decyzję czyszczenia — inaczej za miesiąc nie będziecie pamiętać

Etap 3: analiza — od czego zacząć

Zawsze zacznijcie od podstaw:

• Ile obserwacji? Jaki zakres wartości?
• Ile braków i gdzie?
• Czy są wartości odstające?

• Porównania między grupami/regionami
• Trendy w czasie
• Korelacje między zmiennymi

Etap 4: wizualizacja — dobór typu wykresu

Rekomendowany zestaw dla początkujących

Pytanie badawcze i dane

Pytanie: Jak zmieniał się ruch na poszczególnych odcinkach granicy zewnętrznej Polski w pierwszym kwartale 2026 roku — i gdzie przyjazdów cudzoziemców jest więcej niż wyjazdów?

Źródło: Bazy ruchu granicznego — Straż Graniczna (dostawca: Komenda Główna Straży Granicznej, licencja CC0, aktualizacja miesięczna)

Konkretny plik: Baza ruchu granicznego STYCZEŃ–MARZEC 2026 — CSV/XLSX, ok. 18 tys. wierszy

Co otrzymujemy: jeden wiersz = jedno przejście graniczne × dzień × kategoria podróżnych (C = cudzoziemcy, RP = obywatele RP…) × kierunek (przyjazd/wyjazd). 24 kolumny: Placówka SG, Przejście, Rodzaj przejścia (drogowe/kolejowe/lotnicze/morskie), Odcinek, Oddział SG, Data, Kto, Kierunek, szczegóły odprawy (Paszportowy, MRG, Pozasystemowa…) i Razem.

Krok 1: pobranie z dane.gov.pl

1. Wchodzimy na stronę datasetu 3595, klikamy zasób STYCZEŃ–MARZEC 2026
2. Sprawdzamy metadane: data aktualizacji (10.04.2026), licencja CC0, opis przygotowany przez WIiS BAS KGSG
3. Pobieramy CSV (ok. 2,3 MB) — nie XLSX, bo CSV jest prostszy i otwiera się w OpenRefine bez konwersji
4. Zapisujemy kopię pod nazwą raw_ruch_graniczny_2026_Q1.csv
5. Nie otwieramy go w Excelu na tym etapie — Excel potrafi zepsuć kodowanie polskich znaków i zamienić daty na format amerykański

Krok 2: czyszczenie w OpenRefine

Uruchamiamy OpenRefine lokalnie (działa w przeglądarce, ale dane nie opuszczają komputera). Importujemy CSV.

• Text facet na kolumnie Odcinek → widzimy 5 wartości: z Federacją Rosyjską, z Ukrainą, z Republiką Białorusi, lotnicze, morskie
• Text facet na kolumnie Kto → odkrywamy kody (C, RP, i inne) — dodajemy kolumnę Kto_pelne z czytelnymi opisami (C → „cudzoziemcy”, RP → „obywatele RP”)
• Konwersja kolumny Data na typ date (zaraz szczegółowo) → dopiero potem Timeline facet działa
• Numeric facet na Razem → wyłapujemy ekstremalne i zerowe wiersze
• Export → CSV pod nazwą clean_ruch_graniczny_2026_Q1.csv

Krok 2 (cd.): co odkrywamy podczas czyszczenia

• Wiele kolumn jest praktycznie pusta dla danego typu przejścia: Załogi statków rybackich ma wartości tylko na granicach morskich; Załogi samolotów — tylko na lotniczych. To nie są braki — to znaczenie „nie dotyczy”
• Kod Kto nie jest opisany w pliku — wymaga zajrzenia do dokumentacji Straży Granicznej, zanim użyjemy go w publikacji
• Granice wewnętrzne (TPKG) — kontrole wyrywkowe przywrócone tymczasowo — występują w danych obok granic zewnętrznych; decydujemy, czy je zostawiamy, czy filtrujemy

Pułapka: „Invalid Date — Thu Jan 01 1970 01:00:00”

Kiedy klikacie Edit cells → Common transforms → To date na kolumnie Data i widzicie:

Invalid Date Invalid Date — Thu Jan 01 1970 01:00:00 GMT+0100

Fix: jawna konwersja z formatem

Na kolumnie Data klikamy Edit cells → Transform… i wpisujemy wyrażenie GREL zależnie od formatu:

value.toDate("yyyy-MM-dd")

value.toDate("dd.MM.yyyy")

value.toDate("yyyy-MM-dd", "dd.MM.yyyy", "dd/MM/yyyy")

Krok 3: analiza w jamovi

Otwieramy jamovi (darmowy, desktop) i wczytujemy clean-ruch-graniczny-2026-Q1.csv (dostępny w Resources/ruch-graniczny-walkthrough w repo kursu).

• Exploration → Descriptives: Razem do Variables, Odcinek do Split by → średnia, mediana, min/max dla każdej granicy; w panelu Statistics można dodać kwartyle, skośność, sumę
• Exploration → Descriptives → Plots: histogram + box plot Razem per odcinek → widzimy skośność rozkładów
• Frequencies → N Outcomes: Odcinek, Rodzaj przejścia, Kierunek, Kto_pelne → ile wierszy na kategorię
• Frequencies → Contingency Tables: Odcinek × Kierunek z Counts na Razem (pole Counts) → czy przyjazdów jest więcej niż wyjazdów na każdej granicy

Co pokazują frequency tables

Zanim policzymy cokolwiek dalej — co w ogóle jest w tym pliku?

• 18 190 wierszy, dane dzienne styczeń–marzec 2026
• 7 odcinków (nie 5, jak mogłoby się wydawać) — oprócz granic zewnętrznych są też z Republiką Federalną Niemiec i z Republiką Litewską (kontrole wyrywkowe TPKG na granicach wewnętrznych)
• Kto_pelne: Cudzoziemcy (10 084 wiersze) vs Obywatele RP (8 106)
• Kierunek: przyjazd (11 210) vs wyjazd (6 980) — już tu widać, że pliku nie można czytać symetrycznie

Descriptives Razem, split by Odcinek

Odcinek × Kierunek — gdzie jest asymetria

Top 10 przejść (suma Razem, Q1 2026)

Cudzoziemcy: saldo (przyjazd − wyjazd) na granicach zewnętrznych

Wniosek dla Kroku 4

Z analizy w jamovi wyszły trzy różne pytania wizualizacyjne, a nie jedno:

1. Ruch w czasie per odcinek → wykres liniowy z 7 seriami, prawdopodobnie log-Y (różnice 3 rzędy wielkości)
2. Przepływ cudzoziemców przyjazd vs wyjazd na granicach zewnętrznych → wykres słupkowy rozdzielony (split bars), saldo w podpisie
3. Top przejścia → wykres słupkowy poziomy, posortowany, top 10

Wynik: opublikowany wykres

Pipeline — podsumowanie

Dlaczego akurat ten zestaw?

• Wszystko darmowe, żadnych licencji
• Bez programowania — żaden etap nie wymaga kodu
• Dane nie opuszczają komputera na etapie czyszczenia i analizy (ważne dla RODO)
• Każde narzędzie eksportuje do standardowego formatu (CSV, PNG, HTML) → nie wpadacie w vendor lock-in
• Dokumentacja każdego kroku jest zachowana: log OpenRefine, plik .omv (jamovi), historia zmian Datawrapper

Pułapka 1: korelacja jako przyczynowość

Dwie zmienne mogą rosnąć razem bez żadnego związku przyczynowego — bo obie reagują na coś trzeciego, albo zwyczajnie przez przypadek.

• „Wzrost A zbiegł się ze wzrostem B” → nie znaczy, że A powoduje B
• Confounder (zmienna ukryta): sprzedaż lodów i liczba utonięć rosną razem — bo latem jest gorąco
• Odwrotna przyczynowość: może to B powoduje A, a nie odwrotnie

Pułapka 2: cherry-picking — wybieranie tego, co pasuje

Pokazywanie tylko fragmentu danych, który potwierdza tezę, i milczenie o reszcie.

• Dobór punktu startowego: „od 2020 roku…“ tak, żeby wyszło spektakularnie
• Dobór podzbioru: tylko te regiony / lata / grupy, w których wynik jest mocny
• Pominięcie outlierów bez uzasadnienia (czasem słusznie — ale wtedy trzeba to powiedzieć)

Pułapka 3: wykres, który oszukuje

To najczęstsza pułapka, bo popełnia się ją nieświadomie — Excel, Datawrapper i inne narzędzia same proponują ustawienia, które wyolbrzymiają różnice.

• Oś Y nie od zera → różnica 2 % wygląda jak 200 %
• Niekonsekwentne osie między wykresami w jednym artykule
• Wykres kołowy z 8+ kategoriami → nikt tego nie odczyta
• Trójwymiarowe słupki → zniekształcają proporcje
• Czerwono-zielona paleta → dla ok. 8 % mężczyzn nieczytelna

Te same dane, dwie historie

Wykres A: oś Y 49–51 %, słupki dramatycznie różnej wysokości, tytuł „POPARCIE ZAŁAMAŁO SIĘ”

Pułapka 4: agregacja ukrywa różnice

Średnia krajowa to wygodna wymówka, żeby nie patrzeć dalej.

• Średnia kraj ≠ średnia region ≠ średnia miasto — każdy poziom opowiada inną historię
• Liczba bezwzględna czy wskaźnik? Warszawa ma najwięcej przestępstw, bo ma najwięcej ludzi — na 100 tys. mieszkańców wygląda przeciętnie
• Tempo zmian: „wzrost o 100 %“ z 2 przypadków do 4 to nie to samo, co wzrost o 50 % z 2 mln do 3 mln

Pułapka 5: oficjalne ≠ prawdziwe

Dane z dane.gov.pl, GUS czy NBP są wiarygodnym punktem wyjścia — ale nie są prawdą objawioną.

• Zmiany metodologii wyglądają jak zmiany zjawiska: nowa definicja bezrobocia = „nagły spadek”, który wynika z arkusza, nie z rynku pracy
• Dane rejestrują to, co zostało zmierzone: ciemna liczba w statystykach przestępczości, nieraportowane przypadki przemocy domowej, szara strefa w PKB
• Dane są nieaktualne: GUS publikuje z opóźnieniem kilku miesięcy do lat — sprawdźcie datę odniesienia, nie datę publikacji
• Różne instytucje liczą to samo inaczej: inflacja GUS vs inflacja NBP vs koszyk Eurostatu — trzy różne liczby, wszystkie poprawne

Wnioski z pułapek

Każda z pięciu pułapek ma ten sam kształt: dane są poprawne, ale historia wokół nich wprowadza w błąd.

Dane

Na Classroom (i w Resources kursu) znajdziecie plik przestepstwa-powiaty-2025.csv — fikcyjny, ale zbudowany tak, żeby przypominał realne statystyki policyjne.

12 kolumn, wszystkie 380 powiatów Polski:

• teryt — 4-cyfrowy kod TERYT (klucz do mapy w Datawrapper)
• powiat, województwo, typ_powiatu (miejski / ziemski), ludność
• przestępstwa_ogółem — suma wszystkich zdarzeń w 2025 r.
• przestępstwa_na_100k — wskaźnik na 100 tys. mieszkańców
• kryminalne, drogowe, gospodarcze, przeciwko_rodzinie, inne — rozbicie na kategorie

Dlaczego to pytanie?

W polskich mediach regularnie pojawiają się nagłówki typu „Warszawa najbardziej niebezpiecznym miastem Polski” — na podstawie liczb bezwzględnych. To jest Pułapka 4: agregacja ukrywa różnice.

Część 1: analiza w jamovi (15 min)

Otwórzcie jamovi i wczytajcie CSV. Ustawcie typy pomiaru w nagłówkach: typ_powiatu, województwo jako Nominal; zmienne liczbowe jako Continuous.

1. Descriptives dla przestępstwa_ogółem i przestępstwa_na_100k (bez split by) — średnia, mediana, min, max, skośność. Porównajcie skośność obu zmiennych. Która jest bardziej prawoskośna? Co to mówi o wyborze skali na osi wykresu?
2. Descriptives ze Split by typ_powiatu — czy miejskie i ziemskie mają tę samą średnią na 100k? Która grupa ma większą rozrzut?
3. Sortowanie — ręcznie w arkuszu jamovi (ikona sortowania w nagłówku) albo w Excelu: wypiszcie top 10 powiatów po przestępstwa_ogółem i top 10 po przestępstwa_na_100k. Porównajcie listy.

Pytania, na które odpowiadacie sobie sami

Po zakończeniu analizy zapiszcie sobie odpowiedzi (nie oddajemy, to dla waszej dyscypliny):

• Które powiaty są w obu top-10 (absolut i per capita)?
• Ile powiatów w top-10 per capita to miasta, a ile ziemskie?
• Czy w danych są wyraźne outliery? Jak byście je opisali w tekście?
• Gdybyście mieli jedno zdanie nagłówka, brzmiałoby ono jak?

Część 2: wizualizacja w Datawrapper (20 min)

Zalogujcie się na datawrapper.de. Macie do wyboru trzy formaty — wybierzcie jeden, który najlepiej odpowiada waszej historii z Części 1:

• Mapa choropleth powiatów Polski — jeśli chcecie pokazać rozkład geograficzny. Datawrapper ma gotową mapę; klucz łączenia: kolumna teryt (nie powiat, bo są duplikaty nazw)
• Wykres słupkowy poziomy, top 15 — jeśli chcecie ranking. Zdecydujcie, czy sortujecie po ogółem, czy na_100k (to jest wasza decyzja redakcyjna, nie techniczna)
• Scatter plot ludność vs przestępstwa_ogółem, z kolorem wg typ_powiatu — jeśli chcecie pokazać, że to skala, a nie bezpieczeństwo, tłumaczy nagłówki

Cztery kroki Datawrapper

1. Upload data — Ctrl+V albo wgrajcie CSV
2. Check & describe — sprawdźcie typy kolumn (ludność, przestępstwa… — liczby; powiat, województwo — tekst)
3. Visualize — wybierzcie typ, dopasujcie, dodajcie tytuł komunikujący wniosek i źródło („dane dydaktyczne, kurs Podstawy dziennikarstwa danych”)
4. Publish & embed — opublikujcie, zapiszcie link

Self-check przed publikacją (5 pułapek)

Zanim klikniecie Publish, sprawdźcie własny wykres:

• Korelacja vs przyczynowość — czy tytuł nie sugeruje, że coś powoduje coś innego?
• Cherry-picking — czy pokazujecie pełny zakres (wszystkie powiaty / top 15 jawnie), a nie dobór pod tezę?
• Oszukujący wykres — czy oś zaczyna od zera (chyba że jest powód)? Paleta daltonizm-friendly?
• Agregacja — czy wybór między ogółem a na 100k jest widoczny w tytule i opisie?
• Oficjalne ≠ prawdziwe — czy jest nota metodologiczna? (Tu: „dane dydaktyczne”)

Oddajecie na Classroom

• Link do opublikowanego wykresu + jedno zdanie uzasadnienia wyboru formatu („wybrałam mapę bo chciałam pokazać, że hotspoty per capita są w jednej części Polski”)

Ćwiczenie grupowe — dobór narzędzi (25 min)

• Każda grupa wypełnia Część A w ćwiczeniu seminarium 3 (zapisujecie we własnym dokumencie)
• Zadanie: wybierz narzędzie do każdego z czterech etapów i uzasadnij wybór
  • Pozyskiwanie — jak pobierzecie dane?
  • Czyszczenie — czym oczyścicie?
  • Analiza — w czym policzycie statystyki?
  • Wizualizacja — czym zrobicie wykresy/mapy?
• Zidentyfikujcie luki kompetencyjne — czego musi się ktoś w grupie nauczyć?

Dlaczego właśnie teraz?

Po 40 minutach praktyki w Datawrapper macie znacznie lepszą podstawę do podjęcia decyzji o narzędziach:

• Wiecie, co Datawrapper potrafi (i czego nie potrafi)
• Macie pierwszy konkretny doświadczenie z workflow Upload → Check → Visualize → Publish
• Możecie realnie ocenić, czy Datawrapper wystarczy waszemu projektowi, czy trzeba czegoś zaawansowanego

Prezentacja grup (5 min na wszystkie)

Każda grupa w 60 sekundach:

1. Wasz zestaw narzędzi dla czterech etapów
2. Największa luka kompetencyjna i plan jej uzupełnienia

Dwa deliverables do 08.05

1. Link do waszego opublikowanego wykresu z Datawrapper (z ćwiczenia na zajęciach)
   • Wyślijcie na Classroom — wszyscy indywidualnie
2. Plan narzędzi (Część A) + mapa ryzyk (Część B)
   • Jako grupa — pełna tabela narzędzi + 3–5 ryzyk z kategoriami, prawdopodobieństwem, wpływem i planem łagodzenia
   • Szczególnie: największe zagrożenie i plan B

⚠️ Musicie mieć własne dane projektu przed seminarium 4

Seminarium 4 (09.05) jest warsztatem wizualizacji waszych własnych danych projektu w Datawrapper. Bez pobranych danych nie będziecie mogli w pełni uczestniczyć w ćwiczeniu.

• Do 09.05 musicie mieć pobrany i wstępnie oczyszczony zbiór danych — CSV, XLSX lub Google Sheet, gotowy do wgrania do Datawrapper
• Jeśli czekacie na wniosek o informację publiczną — termin 14 dni oznacza, że wniosek powinien być złożony najpóźniej w tym tygodniu
• Jeśli dane są w PDF — konwersja przez Tabulę/Camelot też zajmuje czas; zacznijcie wcześniej
• Backup: jeśli główne źródło nie dotrze na czas, przywieźcie cokolwiek — fragment, podzbiór, dane testowe — żeby móc pracować nad prototypem

Seminarium 4 otwieramy od…

• Krótkiego check-inu (5 min) — pokażemy 2–3 wybrane wykresy z Classroom i omówimy, co w nich działa
• Przeglądu najczęstszych ryzyk, które grupy zidentyfikowały
• Sprawdzenia, czy każda grupa ma przy sobie dane projektu — bez nich Część 2 seminarium 4 nie ma sensu

Kluczowe wnioski

• Cztery etapy — pozyskiwanie, czyszczenie, analiza, wizualizacja — dotyczą każdego projektu
• Czyszczenie to 50–80% czasu — to nie są puste słowa
• Datawrapper wystarcza do większości projektów data journalism
• Pułapki są wszędzie — pre-publication checklist to wasz filtr
• Macie pierwszy opublikowany wykres — to już portfolio
• Na seminarium 4 (09.05) przychodzicie z pobranymi danymi projektu — bez tego warsztat wizualizacji nie zadziała