Dane to nie historia

• Liczby same w sobie nie opowiadają historii
• Historia wymaga bohatera, konfliktu i rozwiązania (lub jego braku)
• Dane dostarczają dowodów — narracja nadaje im sens
• „Wzrost PKB o 3,2%“ — fakt bez znaczenia
• „Przeciętna polska rodzina zarabia o 30% mniej niż sąsiedzi z Niemiec” — historia

Struktura narracji danych

• Kontekst — co się dzieje i dlaczego warto wiedzieć?
• Konflikt — co jest zaskakujące, niesprawiedliwe lub nieoczekiwane?
• Dane jako dowód — liczby potwierdzające lub kwestionujące intuicję
• Perspektywa ludzka — kogo to dotyczy?
• Implikacje — co z tego wynika?

„Newsowa liczba”

• Każda dobra historia danych ma jedną kluczową liczbę
• Liczba, która zatrzymuje czytelnika w trakcie przewijania
• Powinna być:
  • Zrozumiała bez wykładu statystyki
  • Zaskakująca lub sprzeczna z intuicją
  • Możliwa do zweryfikowania
• Przykłady: „12,5× roczne zarobki” — „60% pieniędzy w rękach 10 klubów” — „równość za 66 lat”

Kiedy newsowa liczba kłamie

Mocna liczba bez kontekstu może wprowadzać w błąd bardziej niż brak liczby:

• Liczba bez porównania — „55 tys. zgonów” nic nie znaczy bez „rocznie, w populacji 38 mln”
• Średnia, która ukrywa medianę — „średni dochód 8200 zł” przy medianie 5800 zł = historia o nierównościach, a nie o zamożności
• Wartość bezwzględna vs. odsetek — „wzrost o 1000%“ z bazy 3 osób do 33 osób = poprawne matematycznie, nieuczciwe narracyjnie
• Wybiórczość momentu — „najwięcej od 2008 r.” działa zarówno gdy mamy szczyt, jak i gdy ostatnie 16 lat było wyjątkowo niskie

Trzy typy narracji danych

• Narracja odkrycia — „Dane ujawniają coś, czego nikt nie wiedział”
  • Wymaga oryginalnych danych lub świeżej analizy
• Narracja weryfikacji — „Sprawdzamy powszechne przekonanie”
  • Często obala mity lub potwierdza to, co intuicja podpowiada
• Narracja trendu — „Coś się zmienia i mamy to czarno na białym”
  • Wymaga danych szeregów czasowych

Przykład 1 — narracja odkrycia

Przykład 2 — narracja weryfikacji

Przykład 3 — narracja trendu

Narracja zaczyna się od pytania

• Dobre pytanie badawcze to połowa historii
• Pytanie powinno być:
  • Konkretne — nie „jak żyją Polacy”, ale „ile rocznych zarobków potrzeba na mieszkanie w Warszawie?“
  • Odpowiedź powinna być nieoczywista
  • Powinna dotyczyć czegoś, co czytelnika obchodzi

Tytuł i lead

• Tytuł komunikuje wniosek, nie temat
  • ❌ „Wskaźnik aktywności zawodowej 1990–2023”
  • ✅ „Wskaźnik aktywności zawodowej wzrósł dla kobiet, spadł dla mężczyzn”
• Lead (pierwsze 2–3 zdania) — pokazuje „newsową liczbę” w kontekście ludzkim
  • Nie cały wywód naukowy
  • Konkretna osoba, konkretne miejsce, konkretny moment

Anatomia leadu

Fragment leadu z artykułu o brytyjskim rynku mieszkaniowym:

„W 1991 roku Emma Richardson, dwudziestosześcioletnia nauczycielka z Reading, kupiła swoje pierwsze mieszkanie. Dwupokojowy apartament kosztował nieco ponad trzykrotność jej rocznych zarobków. Trzydzieści pięć lat później jej córka, również nauczycielka, zarabia proporcjonalnie więcej. Podobne lokum kosztuje dziś prawie dziesięciokrotność jej rocznej pensji.”

Ten sam temat, inny lead

Wariant ekspercki (zły dla artykułu, dobry dla raportu):

„Według raportu Office for Budget Responsibility z 2024 r. wskaźnik ceny do dochodu (house price-to-earnings ratio) w Wielkiej Brytanii wzrósł z 3,07 w 1991 do 9,71 w 2024 r., co oznacza skumulowany wzrost o 216,3% w cenach nominalnych.”

Skąd wziąć bohatera

Dane są anonimowe — bohater musi pochodzić spoza arkusza. Trzy ścieżki:

• Przez organizacje — związki zawodowe, NGO, parafie, koła gospodyń, grupy wsparcia
  • Szukasz typowego przypadku, nie skrajnego — bohater ma reprezentować segment, nie szokować
• Przez mikrodane — DBW GUS, EU-SILC, dane spisowe pozwalają wyłonić segment (np. „samotne matki w mieście średniej wielkości”) i potem znaleźć osobę pasującą do profilu
• Przez callout do czytelników — model Guardiana czy The Pudding: ogłoszenie „Szukamy osób, które…“
  • Uwaga: silne odchylenie selekcji — zgłaszają się ci, którzy mają coś do powiedzenia

Bohater jest osobą, nie ilustracją

• Świadoma zgoda to nie podpis pod formularzem
  • Bohater musi rozumieć: gdzie artykuł się ukaże, kto go przeczyta, co zostanie zacytowane
  • Czytelnik znajdzie go w Google po imieniu i mieście jeszcze przez dekadę
• Anonimizacja — czasem konieczna (ofiary przemocy, osoby zadłużone, osoby w kryzysie zdrowia psychicznego)
  • Zmieniaj imię i wiek, nie zmyślaj zawodu czy regionu — inaczej psujesz dowód
• Prawo do wycofania zgody — przed publikacją zawsze, po publikacji zwykle nie (ale popraw, jeśli błąd)

Case study to nie dowód

• Emma ilustruje skalę problemu, nie istnienie problemu
  • Istnienie problemu pokazują dane (3× → ~10×)
  • Bez danych Emma jest anegdotą
• Pułapka skrajnego przypadku — najmocniejsza historia często jest nietypowa
  • Bohater w mediach trafi do redakcji, bo „ma coś do powiedzenia” — zwykle dlatego, że jest na ogonie rozkładu
• Strategia: dwóch bohaterów — jeden typowy, jeden skrajny — pokazuje rozpiętość, a nie tylko czubek

Dane + tradycyjne dziennikarstwo

Dziennikarstwo danych nie zastępuje tradycyjnego reportażu — uzupełnia je. Najlepsze projekty łączą:

• Wywiad z ekspertem — daje ramę interpretacyjną danych
• Case study — jedna konkretna osoba, której dotyczy problem
• Reportaż terenowy — atmosfera, szczegóły, głos osób pomijanych w statystykach
• Historyczny kontekst — „To nie stało się teraz po raz pierwszy”
• Głos krytyczny — ktoś, kto kwestionuje waszą narrację

Format a narracja

• Ten sam temat, różne formaty, różna narracja
• Artykuł — głębia, kontekst, cytat eksperta, metodologia
• Seria infografik — kompresja, uderzający obraz, szansa na zasięg w sieci
• Reportaż wideo — głos i twarz bohaterów, czas trwania 3–6 min
• Interaktywna wizualizacja — czytelnik sam eksploruje dane
• Wybór formatu to decyzja dziennikarska, nie techniczna

Rytm narracyjny

Długi artykuł ma rytm — naprzemiennie:

• Liczba (newsowa, w leadzie)
• Historia (bohater, scena)
• Wykres (dowód wizualny)
• Głos eksperta (interpretacja)
• Powrót do bohatera (klamra emocjonalna)
• Implikacje (co z tego wynika dla czytelnika?)

Makrostruktura — trzy wzorce

Atomy z poprzedniego slajdu trzeba ułożyć w całość. Trzy sprawdzone struktury:

• Odwrócona piramida — najmocniejsza liczba i wniosek na samej górze
  • Klasyka newsa; czytelnik, który przerwie po akapicie, wie najważniejsze
  • Sprawdza się przy narracji odkrycia
• Porządek nestoriański — druga najmocniejsza scena na początku, najmocniejsza na końcu
  • Środek to dowody i kontekst; finał to klamra emocjonalna
  • Klasyka długich reportaży (Pismo, Tygodnik Powszechny, The New Yorker)
• Klamra — ostatni akapit wraca do bohatera z leadu
  • Domyka emocjonalnie; działa z każdą z dwóch struktur powyżej

Iluzja obiektywności

• „Dane mówią same za siebie” — popularny mit
• Każdy zbiór danych jest wynikiem ludzkich decyzji:
  • Co mierzyć?
  • Jak kategoryzować?
  • Co pominąć?
• Wybór wizualizacji i narracji kształtuje przekaz
• Te same dane, różne opowieści

Iluzja obiektywności — przykłady

• Bezrobocie — różne definicje dają różne liczby
  • Kto jest „bezrobotny”? Zniechęceni? Częściowo zatrudnieni?
• Przestępczość — dane policyjne ≠ rzeczywista przestępczość
  • Zależy od tego, co jest zgłaszane i rejestrowane
• PKB — nie mierzy pracy domowej, wolontariatu, szarej strefy
• „Bezrobocie 2,8%“ i „bezrobocie 12,4%“ mogą opisywać tę samą sytuację

Bezrobocie — pięć definicji, pięć liczb

Przestępczość — co ginie między zdarzeniem a statystyką

Gospodarka, której nie ma w statystykach

Kiedy dana nie jest pomiarem

Coraz częściej liczba w arkuszu nie pochodzi z liczenia, tylko z modelu:

• Prognozy demograficzne GUS — ludność powiatu w 2050 r. to oszacowanie, nie pomiar
• Ubóstwo energetyczne — estymacja małych obszarów (small area estimation): model przerzuca dane z poziomu kraju na poziom gminy
• Scoring i mapy ryzyka — „ryzyko recydywy 23%“ to predykcja algorytmu trenowanego na historycznych danych (z ich uprzedzeniami)
• Imputacja braków — „dochód = 4200 zł” w mikrodanych może być wartością wpisaną z modelu, bo respondent odmówił odpowiedzi

Kto tworzy dane, kto jest w nich niewidzialny?

• Władza nad definicjami — kto decyduje o kategoriach?
• Instytucjonalne uprzedzenia utrwalone w zbiorach danych
• Grupy pomijane w statystykach:
  • Osoby niebinarne w formularzach M/K
  • „Ukryci bezdomni” (u rodziny, w samochodach)
  • Ofiary przemocy domowej traktowanej jako „sprawa prywatna”

Trzy typowe problemy etyczne

• Przyczynowość vs korelacja — nie pisz „X spowodowało Y”, jeśli masz tylko współwystępowanie
• Uogólnianie z próby — średnia dla „Polaków” może ukrywać dramatyczne różnice między grupami
• Wizualizowanie stereotypów — prawdziwe dane o nierównościach mogą wzmocnić uprzedzenia, jeśli prezentowane bez kontekstu

Lista kontrolna przed publikacją

• □ Pytanie badawcze jest konkretne i zrozumiałe dla czytelnika
• □ Mam newsową liczbę, która zatrzymuje
• □ Wszystkie źródła są podane i weryfikowalne
• □ Lead ma bohatera, miejsce, czas i liczbę
• □ Struktura ma rytm (liczba → historia → wykres → głos → liczba)
• □ Nie sugeruję przyczynowości tam, gdzie jest tylko korelacja
• □ Opisałem/am ograniczenia metodologiczne
• □ Pokazałem/am, czego dane nie mówią

Zadanie

Każda grupa dostaje jeden handout z wykresami pochodzącymi z rzeczywistego projektu dziennikarstwa danych (nie są to wasze projekty). Nie znacie ani tytułu, ani oryginalnej narracji. Macie tylko wykresy.

Waszym zadaniem nie jest napisanie artykułu, tylko jego planu — dokumentu, na podstawie którego dziennikarz mógłby usiąść i tekst dopiero zacząć pisać. Plan jest mniejszy niż artykuł, ale kompletny w sensie decyzyjnym: każda decyzja narracyjna jest podjęta i uzasadniona.

Co znajdzie się w planie

1. Pytanie badawcze + uzasadnienie (konkretność, nieoczywistość, znaczenie dla czytelnika)
2. Newsowa liczba + test (zrozumiała? zaskakująca? weryfikowalna? z mianownikiem?) + odrzucone alternatywy
3. Typ narracji (odkrycia / weryfikacji / trendu) + dlaczego nie dwa pozostałe
4. Bohater i lead — skąd wzięty, pełny szkic leadu (80–100 słów), anatomia leadu
5. Tradycyjne dziennikarstwo — 5 konkretnych elementów (ekspert, case study, reportaż, głos krytyczny, kontekst)
6. Tytuł + test + odrzucone alternatywy
7. Format — artykuł / infografika / wideo / interaktywne; z uzasadnieniem

Co prezentujecie (5 min na grupę)

1. Pytanie badawcze + newsowa liczba + dlaczego ta liczba (1 min)
2. Typ narracji + uzasadnienie wyboru (1 min)
3. Bohater i lead — skąd bohater + przeczytajcie lead na głos (1 min)
4. Tradycyjne dziennikarstwo + format — konkretne elementy, konkretny wybór (1,5 min)
5. Tytuł artykułu + test (komunikuje wniosek, nie opisuje danych) (0,5 min)

Kluczowe wnioski

• Dane to nie historia — historia wymaga bohatera, konfliktu, rozwiązania
• Każda dobra historia danych ma jedną newsową liczbę
• Lead z konkretną osobą, miejscem, czasem i liczbą wciąga mocniej niż każda tabela
• Format to decyzja dziennikarska — artykuł, infografiki, wideo, interaktywne
• Dane nie są obiektywne — ktoś zdecydował, co mierzyć, jak kategoryzować i co pominąć
• Najlepsze projekty łączą dane z tradycyjnym dziennikarstwem — ani jedno, ani drugie samo nie wystarczy

Przed prezentacją projektu (06.06)

• Wróćcie do planu projektu z seminarium 2 + wizualizacji z seminarium 4
• Ustalcie jedną newsową liczbę i jeden główny typ narracji
• Napiszcie lead (3–4 zdania) — przeczytajcie go na głos; czy wciąga?
• Sprawdźcie rytm — naprzemiennie liczba → historia → wykres → głos
• Dopiszcie metodologię — co wiecie, czego nie wiecie, gdzie są ograniczenia