Seminarium dyplomowe, czyli praca dyplomowa i proces badawczy

1. Jaki jest sens pracy dyplomowej?

Praca dyplomowa ma wykazać, że student potrafi samodzielnie rozwiązać ograniczony problem z użyciem wiedzy, metod i narzędzi właściwych dla danej dyscypliny.

Problem

Jasno określony cel

Praca powinna odpowiadać na jednoznaczne pytanie albo prowadzić do rozwiązania, którego poprawność można sprawdzić.

Metoda

Samodzielna realizacja

Student dobiera literaturę, dane, narzędzia i procedury adekwatne do celu pracy.

Dowód

Uzasadnione wnioski

Każdy wniosek musi wynikać z analizy, eksperymentu, projektu lub interpretacji materiału źródłowego.

WEiI: procedury i instrukcje Aktualne zasady składania pracy, egzaminu dyplomowego i obsługi APD. Wytyczne dla dyplomantów Praktyczne zasady przygotowania struktury, treści i redakcji pracy. Badania w KIiA Obszary badawcze katedry pomocne przy wyborze tematu i kontekstu pracy.

Co praca powinna zawierać?

Spójny problem

Cel, pytania badawcze, hipotezy i wnioski muszą dotyczyć tego samego problemu.

Wkład własny

Czytelnik powinien łatwo odróżnić wiedzę zaczerpniętą ze źródeł od pracy wykonanej przez autora.

Odtwarzalną metodę

Opis powinien umożliwiać powtórzenie badania, analizy lub uruchomienie systemu.

Zasady formalne i redakcyjnePraca musi spełniać wymagania dotyczące źródeł, struktury, języka, odtwarzalności i etyki. Szczegółowe zasady należy stosować konsekwentnie w całym dokumencie.

Rzetelne źródła

Twierdzenia wymagające uzasadnienia powinny wynikać z literatury, danych lub przeprowadzonej analizy.

Jednolita forma

Stosuj spójny styl cytowań, numerację rysunków i tabel, jednolite nazewnictwo oraz wymagany układ dokumentu.

Odtwarzalność

Podaj dane, sprzęt, oprogramowanie, parametry i procedury potrzebne do powtórzenia pracy.

Etyka i odpowiedzialność

Opisz sposób pozyskania danych, ochronę uczestników, ryzyka, ograniczenia oraz zakres użycia narzędzi AI. Użycie genAI musi być jawne i nie może zastępować samodzielnego wkładu autora.

Poprawny język

Pisz precyzyjnie, unikaj kolokwializmów, rozwijaj skróty przy pierwszym użyciu i stosuj terminologię właściwą dla dyscypliny.

Oficjalne procedury WEiI Instrukcje systemu APD Bibliografia według CIB PRz

2. Zalecany układ pracy dyplomowej

Struktura pracy powinna prowadzić czytelnika od problemu, przez metodę i wyniki, do interpretacji oraz końcowych wniosków.

Wstęp

Geneza tematu, problem, cel, zakres, pytania badawcze i krótki opis struktury pracy.

Najlepiej napisać na końcu

Analiza literatury

Definicje, stan wiedzy, stosowane metody, problemy, wyniki i luka badawcza.

Do około 40%

Materiały i metody

Hipotezy, dane, narzędzia, procedura, stanowisko badawcze i kryteria oceny.

Około 10%

Wyniki

Przebieg badań, dane, pomiary, tabele, wykresy i rezultaty bez nadmiernej interpretacji.

Około 30%

Dyskusja i wnioski

Interpretacja wyników, porównanie z literaturą, ograniczenia i odpowiedzi na pytania badawcze.

Około 20%

Elementy wstępneSpis treści, wykaz skrótów, streszczenie.

Elementy końcoweBibliografia, spisy rysunków i tabel, załączniki.

Zasada spójnościKażdy rozdział powinien realizować jasno określoną funkcję.

Rozszerzone wytyczne do układu pracy Dokumenty WEiI

3. Proces pisania pracy w czterech wariantach

Wybierz dyscyplinę. Każdy wariant wskazuje właściwy rodzaj dowodu, metodę oceny i typowy wkład własny.

Informatyka

Nacisk pada na formalizację problemu, poprawność rozwiązania, jakość implementacji oraz porównywalną ewaluację.

Najważniejszy dowód:
pokazanie, że rozwiązanie działa lepiej, szybciej, dokładniej, stabilniej lub bardziej użytecznie niż sensowna metoda odniesienia.

1. Analiza literatury i rozpoznanie stanu technikiCelem etapu jest uporządkowanie stanu wiedzy, porównanie metod i wskazanie luki. Należy korzystać z wiarygodnych źródeł i budować syntezę, a nie listę streszczeń.

Po co?

Aby nie tworzyć rozwiązania, które już istnieje, oraz zrozumieć stosowane modele, zbiory danych, miary i ograniczenia.

Co zrobić?

Zidentyfikować główne klasy metod i ich założenia.
Porównać architektury, dane wejściowe i miary oceny.
Wskazać, w jakich warunkach istniejące rozwiązania zawodzą.

Przykład: porównanie metod detekcji obiektów pod kątem dokładności, czasu inferencji i wymagań sprzętowych.

Przykład praktyczny: porównaj trzy klasy metod, ich dane wejściowe, miary, ograniczenia i warunki zastosowania w jednej tabeli.

2. Identyfikacja luki i pytania badawczegoLuka może dotyczyć braku danych, słabej generalizacji, wysokiego kosztu obliczeniowego, braku porównania albo niedostatecznej użyteczności.

Luka może dotyczyć braku danych, słabej generalizacji, wysokiego kosztu obliczeniowego, braku porównania albo niedostatecznej użyteczności.

Pytanie: Czy kompresja modelu pozwala skrócić czas inferencji bez istotnej utraty jakości?

3. Hipoteza lub założenie projektoweHipoteza lub założenie projektowe powinny być jednoznaczne i możliwe do sprawdzenia. Trzeba wskazać zmienne oraz kryterium potwierdzenia.

Hipoteza powinna przewidywać mierzalny efekt. W pracy projektowej można sformułować kryteria, które system ma spełnić.

Hipoteza: kwantyzacja 8-bitowa skróci czas inferencji o co najmniej 30%, przy spadku F1 mniejszym niż 2 punkty procentowe.

Przykład praktyczny: zastosowanie kwantyzacji 8-bitowej skróci czas inferencji o co najmniej 25%, przy spadku F1 nie większym niż 2 punkty procentowe.

4. Metodyka i plan eksperymentuMetodyka opisuje dane, narzędzia, procedurę i kryteria oceny. Jej szczegółowość powinna umożliwiać odtworzenie badania.

Dobierz zbiory danych i podział train/validation/test.
Ustal modele bazowe i warianty eksperymentalne.
Zdefiniuj metryki, środowisko sprzętowe i procedurę strojenia.
Zaplanuj analizę błędów oraz testy powtarzalności.

Przykład praktyczny: wykonaj po 30 prób dla każdego wariantu, losuj ich kolejność i zapisuj również próby zakończone niepowodzeniem.

5. ImplementacjaOpis implementacji powinien wyjaśniać architekturę, decyzje techniczne i wkład własny. Sam kod nie zastępuje uzasadnienia projektu.

Opis powinna obejmować architekturę systemu, moduły, przepływ danych, zależności i decyzje techniczne. Kod jest środkiem do zbadania problemu, nie celem samym w sobie.

6. Ewaluacja i analiza wynikówEwaluacja sprawdza rozwiązanie według wcześniej ustalonych kryteriów. Wyniki należy porównać z właściwym punktem odniesienia.

Wyniki należy porównać z bazą odniesienia. Warto pokazać rozrzut, przedziały ufności, testy statystyczne oraz analizę przypadków błędnych.

7. Dyskusja, ograniczenia i wnioskiDyskusja łączy wyniki z literaturą, hipotezami i ograniczeniami. Nie powinna powtarzać tabel, lecz wyjaśniać ich znaczenie.

Wyjaśnij, dlaczego rozwiązanie osiągnęło określony wynik, gdzie może być zastosowane i czego nie da się na podstawie badania stwierdzić.

Inżynieria systemów komputerowych

Nacisk pada na architekturę, integrację komponentów, niezawodność, bezpieczeństwo, skalowalność i spełnienie wymagań.

Najważniejszy dowód:
wykazanie, że system spełnia zdefiniowane wymagania funkcjonalne i niefunkcjonalne w realistycznych warunkach.

1. Analiza potrzeb i interesariuszyNajpierw należy rozpoznać użytkowników, interesariuszy, ograniczenia i rzeczywiste potrzeby. Rozwiązanie techniczne dobiera się dopiero później.

Zidentyfikuj użytkowników, administratorów, systemy zewnętrzne i ograniczenia organizacyjne. Oddziel potrzeby od proponowanych rozwiązań.

2. Specyfikacja wymagańWymagania funkcjonalne i niefunkcjonalne muszą być jednoznaczne oraz mierzalne. Każde wymaganie powinno mieć kryterium akceptacji.

Wymagania funkcjonalne: co system ma robić.
Wymagania niefunkcjonalne: wydajność, bezpieczeństwo, dostępność, skalowalność, utrzymywalność.
Kryteria akceptacji: jak rozpoznać, że wymaganie zostało spełnione.

Przykład praktyczny: system powinien obsłużyć co najmniej 100 żądań na sekundę, a 95. percentyl czasu odpowiedzi nie powinien przekroczyć 200 ms.

3. Analiza istniejących rozwiązań i luka projektowaLuka określa, czego nie wyjaśniają dotychczasowe badania lub czego nie rozwiązują istniejące systemy. Musi wynikać z analizy źródeł, a nie wyłącznie z intuicji autora.

Porównaj dostępne platformy, architektury i technologie. Luka może polegać na braku integracji, niewystarczającej odporności lub nieadekwatnych kosztach.

Przykład praktyczny: istniejące modele osiągają wysoką dokładność laboratoryjną, ale brakuje oceny na urządzeniu brzegowym i przy ograniczonej mocy obliczeniowej.

4. Architektura systemuArchitektura przedstawia komponenty, interfejsy, odpowiedzialności i przepływy danych. Każda istotna decyzja wymaga uzasadnienia.

Przedstaw komponenty, interfejsy, przepływy danych, granice odpowiedzialności oraz uzasadnienie wyboru wzorców i technologii.

Przydatne artefakty: diagram C4, diagram wdrożenia, model zagrożeń, kontrakty API.

Przykład praktyczny: diagram C4 może pokazać użytkownika, aplikację, usługę analityczną, bazę danych i interfejs do systemu zewnętrznego.

5. Implementacja i integracjaOpis implementacji powinien wyjaśniać architekturę, decyzje techniczne i wkład własny. Sam kod nie zastępuje uzasadnienia projektu.

Udokumentuj najważniejsze decyzje, mechanizmy obsługi błędów, wersjonowanie, konfigurację i sposób uruchomienia systemu.

6. Weryfikacja i walidacjaWeryfikacja sprawdza zgodność z wymaganiami, a walidacja przydatność rozwiązania w docelowym zastosowaniu. Oba procesy wymagają mierzalnych kryteriów.

Testy jednostkowe i integracyjne.
Testy obciążeniowe, awaryjne i bezpieczeństwa.
Walidacja z użytkownikiem lub scenariuszem operacyjnym.

7. Ocena ryzyka i utrzymaniaNależy wskazać punkty awarii, zależności, zagrożenia i koszty utrzymania. Ryzyko powinno być powiązane z działaniami ograniczającymi.

Omów punkty krytyczne, zależności zewnętrzne, możliwość rozbudowy, monitoring i koszty utrzymania.

Robotyka

Nacisk pada na integrację percepcji, sterowania i działania fizycznego, z uwzględnieniem dynamiki, niepewności oraz bezpieczeństwa.

Najważniejszy dowód:
wykazanie, że robot realizuje zadanie skutecznie, powtarzalnie i bezpiecznie w zadanych warunkach.

1. Definicja zadania i środowiskaTrzeba jednoznacznie opisać zadanie robota, środowisko, obiekty, sensory i kryteria sukcesu. Zakres musi odpowiadać warunkom eksperymentu.

Opisz przestrzeń roboczą, obiekty, ludzi, ograniczenia ruchu, dostępne sensory oraz kryteria sukcesu misji.

2. Analiza stanu wiedzyPrzeanalizuj metody percepcji, lokalizacji, planowania, sterowania, manipulacji i HRI, ale tylko w zakresie potrzebnym do problemu.

Przeanalizuj metody percepcji, lokalizacji, planowania, sterowania, manipulacji i HRI, ale tylko w zakresie potrzebnym do problemu.

3. Luka badawcza lub inżynierskaLuka określa, czego nie wyjaśniają dotychczasowe badania lub czego nie rozwiązują istniejące systemy. Musi wynikać z analizy źródeł, a nie wyłącznie z intuicji autora.

Luka może dotyczyć działania w dynamicznym środowisku, odporności na błędy sensorów, generalizacji, bezpieczeństwa lub czasu reakcji.

Przykład praktyczny: istniejące modele osiągają wysoką dokładność laboratoryjną, ale brakuje oceny na urządzeniu brzegowym i przy ograniczonej mocy obliczeniowej.

4. Hipoteza i kryteria techniczneHipoteza lub założenie projektowe powinny być jednoznaczne i możliwe do sprawdzenia. Trzeba wskazać zmienne oraz kryterium potwierdzenia.

Hipoteza: fuzja danych z kamery RGB-D i IMU zmniejszy średni błąd lokalizacji względem samej kamery o co najmniej 20%.

Przykład praktyczny: zastosowanie kwantyzacji 8-bitowej skróci czas inferencji o co najmniej 25%, przy spadku F1 nie większym niż 2 punkty procentowe.

5. Architektura sprzętowo-programowaArchitektura przedstawia komponenty, interfejsy, odpowiedzialności i przepływy danych. Każda istotna decyzja wymaga uzasadnienia.

Przedstaw sensory, aktuatory, jednostki obliczeniowe, topologię komunikacji, częstotliwości pracy i mechanizmy bezpieczeństwa.

Przykład praktyczny: diagram C4 może pokazać użytkownika, aplikację, usługę analityczną, bazę danych i interfejs do systemu zewnętrznego.

6. Plan eksperymentówPlan powinien określać scenariusze, zmienne, warunki, powtórzenia i miary. Należy uwzględnić również sytuacje niekorzystne i awarie.

Zdefiniuj scenariusze nominalne i trudne.
Kontroluj warunki i zmieniaj jeden czynnik naraz, gdy to możliwe.
Mierz skuteczność, czas wykonania, błąd, powtarzalność i liczbę interwencji.
Uwzględnij procedurę zatrzymania awaryjnego.

Przykład praktyczny: wykonaj po 30 prób dla każdego wariantu, losuj ich kolejność i zapisuj również próby zakończone niepowodzeniem.

7. Testy i analiza awariiNie wystarczy prezentować udanych prób. Trzeba analizować niepowodzenia, ich przyczyny i wpływ na bezpieczeństwo oraz niezawodność.

Nie analizuj wyłącznie udanych prób. Kluczowe są przypadki utraty lokalizacji, błędnej detekcji, kolizji lub niestabilnego sterowania.

8. Wnioski i zakres stosowalnościWnioski powinny bezpośrednio odpowiadać na cel i pytania pracy. Nie mogą wykraczać poza uzyskane dane i warunki badania.

Określ, w jakich warunkach system działa poprawnie i jakie zmiany są potrzebne przed wdrożeniem poza laboratorium.

Nauki humanistyczne i psychologia

Nacisk pada na poprawność konceptualizacji, jakość operacjonalizacji, dobór próby, etykę oraz ostrożną interpretację.

Najważniejszy dowód:
pokazanie, że wnioski wynikają z danych lub tekstów źródłowych, a nie z intuicji autora.

1. Analiza literatury i pojęćCelem etapu jest uporządkowanie stanu wiedzy, porównanie metod i wskazanie luki. Należy korzystać z wiarygodnych źródeł i budować syntezę, a nie listę streszczeń.

Zdefiniuj kluczowe konstrukty, pokaż różnice między teoriami i sprawdź, jak pojęcia były mierzone lub interpretowane w dotychczasowych pracach.

Przykład praktyczny: porównaj trzy klasy metod, ich dane wejściowe, miary, ograniczenia i warunki zastosowania w jednej tabeli.

2. Luka badawczaLuka określa, czego nie wyjaśniają dotychczasowe badania lub czego nie rozwiązują istniejące systemy. Musi wynikać z analizy źródeł, a nie wyłącznie z intuicji autora.

Luka może dotyczyć określonej populacji, kontekstu kulturowego, sprzecznych wyników, brakującego mechanizmu lub niedostatecznej interpretacji źródeł.

Przykład praktyczny: istniejące modele osiągają wysoką dokładność laboratoryjną, ale brakuje oceny na urządzeniu brzegowym i przy ograniczonej mocy obliczeniowej.

3. Pytania badawcze i hipotezyHipoteza lub założenie projektowe powinny być jednoznaczne i możliwe do sprawdzenia. Trzeba wskazać zmienne oraz kryterium potwierdzenia.

W badaniach ilościowych hipoteza powinna wskazywać przewidywaną relację. W jakościowych pytanie powinno otwierać przestrzeń do systematycznej interpretacji.

Przykład praktyczny: zastosowanie kwantyzacji 8-bitowej skróci czas inferencji o co najmniej 25%, przy spadku F1 nie większym niż 2 punkty procentowe.

4. OperacjonalizacjaOperacjonalizacja określa, jak pojęcie teoretyczne zostanie zmierzone lub rozpoznane w danych. Wymaga uzasadnienia trafności przyjętych wskaźników.

Wyjaśnij, jak abstrakcyjne pojęcie zostanie rozpoznane w danych. W psychologii wskaż narzędzia, ich trafność i rzetelność. W humanistyce określ kryteria interpretacji korpusu.

Przykład praktyczny: stres można operacjonalizować jako wynik zwalidowanej skali, zmienność rytmu serca albo kombinację kilku wskaźników.

5. Dobór próby lub materiałuDobór próby lub materiału musi odpowiadać pytaniu badawczemu. Należy uzasadnić liczebność, kryteria i ograniczenia reprezentatywności.

Uzasadnij liczebność i charakter próby, kryteria doboru uczestników albo wybór tekstów, dokumentów i innych źródeł.

6. Procedura i etykaProcedura musi chronić uczestników, dane i prawo do rezygnacji. Należy opisać zgodę, ryzyka i zabezpieczenia.

Świadoma zgoda i prawo do rezygnacji.
Minimalizacja ryzyka i ochrona danych.
Neutralny sposób prowadzenia badania.
Jawność decyzji interpretacyjnych.

7. Analiza danych lub materiałuSposób analizy powinien zostać ustalony przed poznaniem wyników. Trzeba uzasadnić dobór testów, modeli lub procedury kodowania.

W badaniach ilościowych należy dobrać odpowiedni model statystyczny. W jakościowych trzeba opisać procedurę kodowania, kategorie i kontrolę arbitralności interpretacji.

8. Dyskusja i ograniczeniaDyskusja łączy wyniki z literaturą, hipotezami i ograniczeniami. Nie powinna powtarzać tabel, lecz wyjaśniać ich znaczenie.

Porównaj wyniki z teorią, rozważ alternatywne wyjaśnienia i unikaj uogólniania poza badaną próbę lub analizowany korpus.

Porównanie czterech typów pracWkład własny, rodzaj dowodu i sposób oceny zależą od dyscypliny. Tabela pokazuje najważniejsze różnice między informatyką, inżynierią systemów, robotyką oraz naukami humanistycznymi i psychologią.

Porównanie czterech typów prac

W każdej dyscyplinie wynik jest oceniany według innych kryteriów.

Obszar	Główny przedmiot oceny	Typowy wkład własny	Najczęstszy błąd
Informatyka	Algorytm, model, oprogramowanie	Nowa metoda, implementacja, porównawcza ewaluacja	Prezentowanie samego kodu bez rzetelnego eksperymentu
Inżynieria systemów	Cały system i jego właściwości	Architektura, integracja, spełnienie wymagań	Brak mierzalnych kryteriów akceptacji
Robotyka	Działanie systemu fizycznego	Integracja percepcji, planowania i sterowania	Ocena wyłącznie na podstawie kilku demonstracji
Humanistyka / psychologia	Teoria, dane, zachowanie, tekst lub znaczenie	Analiza empiryczna, interpretacja, model wyjaśniający	Wnioski wykraczające poza dane lub dobór próby

4. Systematyczny przegląd literatury

Przegląd literatury ma uporządkować aktualną wiedzę, porównać metody, wskazać sprzeczności i uzasadnić lukę badawczą.

Instrukcja przeglądu literatury Zasady korzystania z e-źródeł PRz Jak sporządzić bibliografię

Proces

Jak przeprowadzić przegląd literatury?

Przegląd powinien być zaplanowany, udokumentowany i możliwy do powtórzenia. Każdy etap ogranicza ryzyko przypadkowego lub wybiórczego doboru źródeł.

Zdefiniuj zakres

Określ temat, granice przeglądu i główne pytanie.

Wskaż populację, technologię, kontekst, przedział czasu, język i typ publikacji.

Przykład praktyczny: zamiast „sztuczna inteligencja w medycynie” przyjmij „modele głębokie do klasyfikacji zmian skórnych na obrazach dermatoskopowych opublikowane w latach 2020-2026”.

Zbuduj słowa kluczowe

Przygotuj pojęcia główne, synonimy i odpowiedniki angielskie.

Łącz słowa operatorami AND, OR i NOT. Uwzględnij terminologię starszą, skróty oraz nazwy alternatywne.

Przykład praktyczny: ("emotion recognition" OR "affective computing") AND (robot OR humanoid) AND vision.

Wybierz bazy

Połącz źródła szerokie z bazami dziedzinowymi.

Jedna baza nie zapewnia pełnego pokrycia. W informatyce warto łączyć Google Scholar, Scopus, Web of Science, IEEE Xplore i ACM Digital Library, a w psychologii również PubMed lub PsycINFO.

Przykład praktyczny: sprawdź, czy kluczowa publikacja występuje w więcej niż jednej bazie i porównaj liczbę znalezionych rekordów.

Zapisz strategię wyszukiwania

Udokumentuj zapytania, daty i liczbę wyników.

Zapisz dokładną składnię zapytań, zastosowane filtry, nazwy baz i datę wyszukiwania. Pozwala to odtworzyć proces i później go zaktualizować.

Przykład praktyczny: Scopus, 12.06.2026, zapytanie TITLE-ABS-KEY(...), lata 2020-2026, 184 rekordy.

Ustal kryteria selekcji

Zdefiniuj, które publikacje włączasz i wykluczasz.

Kryteria powinny dotyczyć tematu, typu badania, jakości źródła, dostępności pełnego tekstu, języka i zakresu dat.

Przykład praktyczny: włącz badania empiryczne z pełnym opisem metody, wyklucz streszczenia konferencyjne bez wyników i publikacje niezwiązane z badaną populacją.

Oceń jakość i zbuduj syntezę

Porównaj metody, dane, wyniki i ograniczenia.

Oceń recenzowanie, liczebność próby, poprawność metody, kompletność raportowania, konflikty interesów i możliwość odtworzenia badania. Następnie pogrupuj publikacje według problemów i podejść.

Przykład praktyczny: utwórz tabelę zawierającą dane wejściowe, model, zbiór testowy, metryki, wynik, ograniczenia i dostępność kodu.

Rezultat

Co powinno wynikać z przeglądu?

Rezultatem nie jest lista streszczeń. Student powinien przedstawić uporządkowany obraz wiedzy, krytyczne porównanie metod i uzasadnienie własnego problemu badawczego.

Definicja badanego zjawiska

Wyjaśnij pojęcia i granice analizowanego problemu.

Zestaw konkurencyjne definicje, wskaż przyjęte rozumienie pojęcia i uzasadnij jego wybór.

Przykład praktyczny: rozróżnij emocję, nastrój i afekt, a następnie wskaż, które z tych pojęć jest mierzone w pracy.

Aktualny stan wiedzy

Pokaż dominujące podejścia i poziom ich rozwoju.

Opisz główne nurty, stosowane dane, typowe architektury, zakres zastosowań i zgodność wyników między publikacjami.

Przykład praktyczny: wskaż, które metody dominują w środowisku laboratoryjnym, a które zostały sprawdzone w warunkach rzeczywistych.

Miary i punkt odniesienia

Ustal, jak literatura ocenia skuteczność rozwiązań.

Zidentyfikuj typowe metryki, metody bazowe, zbiory porównawcze i progi uznawane za istotne.

Przykład praktyczny: dla klasyfikacji niezbalansowanej porównuj F1, precision, recall i macierz pomyłek, a nie wyłącznie accuracy.

Luka badawcza

Wskaż problem, którego literatura nadal nie rozwiązuje.

Luka może dotyczyć danych, populacji, warunków eksperymentu, generalizacji, kosztu obliczeniowego, odtwarzalności lub braku porównania.

Przykład praktyczny: modele osiągają wysoką skuteczność na danych laboratoryjnych, lecz brakuje oceny na robocie działającym w dynamicznym środowisku.

Najważniejsze bazy literatury

Google Scholar

Dobry punkt startowy do wyszukiwania artykułów i śledzenia cytowań.

Pozwala wyszukiwać publikacje, wersje autorskie i dokumenty powiązane. Wyniki wymagają oceny jakości, ponieważ zakres indeksowanych materiałów jest bardzo szeroki.

Scopus

Baza recenzowanej literatury przydatna do filtrowania wyników i analiz cytowań.

Umożliwia analizę autorów, czasopism, afiliacji i sieci cytowań. Dostęp do pełnych funkcji może wymagać logowania przez sieć lub serwer proxy PRz.

Web of Science

Selektywna baza bibliograficzna wykorzystywana do oceny dorobku i wpływu publikacji.

Pozwala śledzić cytowania, wyszukiwać prace powiązane i analizować rozwój tematu. Nie obejmuje całej literatury, dlatego warto łączyć ją z innymi bazami.

ScienceDirect

Platforma pełnotekstowa szczególnie użyteczna w naukach technicznych i ścisłych.

Zawiera książki i artykuły wydawane głównie przez Elsevier. Dostęp do części materiałów zależy od subskrypcji uczelni.

PubMed

Podstawowe narzędzie dla medycyny, neuronauki, biologii i części psychologii.

Indeksuje opisy bibliograficzne i abstrakty. Część pełnych tekstów jest dostępna legalnie w PubMed Central.

Narzędzia wspierające pracę ze źródłami

Zotero, Mendeley i BibTeX

Służą do porządkowania publikacji, metadanych, plików PDF i cytowań.

Pozwalają automatycznie tworzyć bibliografię i zmieniać styl cytowań. Pobrane metadane trzeba sprawdzić, zwłaszcza numery stron, DOI, wielkość liter i nazwę czasopisma.

Writefull

Wspiera redakcję akademickiego języka angielskiego.

Pomaga oceniać typowe konstrukcje językowe i proponuje korekty. Nie weryfikuje poprawności merytorycznej ani prawdziwości źródeł.

Google Scholar Labs

Ułatwia eksplorację tematów i wyszukiwanie powiązanych publikacji.

Może pomóc w rozszerzeniu zestawu słów kluczowych i wykrywaniu nowych kierunków badań. Wyniki należy zweryfikować w oryginalnych publikacjach.

SciSpace

Pomaga w orientacyjnym czytaniu, porównywaniu i porządkowaniu publikacji.

Odpowiedzi generowane przez AI mogą zawierać uproszczenia lub błędy. Każde twierdzenie i cytowanie trzeba sprawdzić w pełnym tekście publikacji.

Identyfikatory publikacji

DOI jest trwałym identyfikatorem obiektu cyfrowego, najczęściej artykułu naukowego. ISBN identyfikuje konkretne wydanie książki lub e-booka.

DOI

10.1038/s41586-023-06747-5

Taki identyfikator można wkleić do wyszukiwarki na stronie czasopisma, wydawcy, Google Scholar albo w serwisie DOI.

Adres DOI

https://doi.org/10.1038/s41586-023-06747-5

Dodanie prefiksu https://doi.org/ tworzy trwały adres przekierowujący do aktualnej strony publikacji.

ISBN

978-83-01-23000-0

Numer odnosi się do określonego wydania. Wersja drukowana i elektroniczna mogą mieć różne numery ISBN.

Praktyczna procedura wyszukiwania artykułu po DOI
Skopiuj DOI bez dodatkowego tekstu. Najpierw otwórz adres w domenie doi.org. Gdy pełny tekst jest płatny, sprawdź dostęp przez Bibliotekę PRz, Google Scholar, repozytorium instytucjonalne autora, PubMed Central, Unpaywall albo legalną kopię autorską.

Sci-Hub i debata o otwartym dostępie
Sci-Hub zwrócił uwagę na nierówności w dostępie do literatury i wysokie koszty subskrypcji. Jednocześnie udostępnia materiały z pominięciem licencji wydawców i w wielu państwach działa z naruszeniem prawa autorskiego. Poradnik nie zaleca korzystania z tego serwisu. Problem, który ujawnił, wzmacnia znaczenie legalnego otwartego dostępu, repozytoriów instytucjonalnych, publikacji preprintów i udostępniania wersji autorskich.

Dobór stylu cytowańStyl cytowania należy dobrać do dyscypliny i wymagań jednostki. Najważniejsza jest konsekwencja zapisu w tekście i bibliografii.

IEEE

Typowy dla informatyki, elektroniki i nauk technicznych. Cytowania są numerowane według kolejności wystąpienia.

W tekście: Metodę opisano w [1].
Bibliografia: [1] A. Kowalski, „Tytuł artykułu”, Nazwa Czasopisma, vol. 10, no. 2, pp. 15-24, 2025.

APA 7

Dominujący w psychologii i naukach społecznych. W tekście podaje się autora i rok.

W tekście: (Kowalski, 2025).
Bibliografia: Kowalski, A. (2025). Tytuł artykułu. Nazwa Czasopisma, 10(2), 15-24.

Chicago

Stosowany w humanistyce. Może korzystać z systemu autor-data albo przypisów dolnych.

Autor-data: (Kowalski 2025, 18).
Przypis: 1. Adam Kowalski, Tytuł książki (Warszawa: Wydawnictwo, 2025), 18.

MLA

Popularny w literaturoznawstwie i językoznawstwie. Cytowanie zawiera nazwisko i numer strony.

W tekście: (Kowalski 18).
Bibliografia: Kowalski, Adam. Tytuł książki. Wydawnictwo, 2025.

Vancouver

Stosowany w medycynie i naukach biomedycznych. Pozycje są numerowane według kolejności cytowania.

W tekście: Wynik potwierdzono wcześniej (1).
Bibliografia: 1. Kowalski A. Tytuł artykułu. Nazwa Czasopisma. 2025;10(2):15-24.

AMA i NLM

Style zbliżone do Vancouver, używane w publikacjach medycznych. Różnią się szczegółami zapisu autorów, skrótów czasopism i numerów wydań.

Zasada praktyczna

Korzystaj z menedżera bibliografii, ale kontroluj każdy rekord. Automatyczne metadane często zawierają błędną wielkość liter, brak DOI albo niepełny zakres stron.

!Najczęstsze błędy w przeglądzie literatury

Zbyt szeroki zakres

Temat obejmuje zbyt wiele pojęć, populacji lub technologii. Najpierw należy ustalić granice przeglądu.

Opis publikacji jedna po drugiej

Przegląd powinien porównywać podejścia i wyniki, a nie tworzyć serię niezależnych streszczeń.

Brak strategii wyszukiwania

Bez zapisanych zapytań, baz i kryteriów selekcji nie można ocenić kompletności przeglądu.

Dobór tylko zgodnych źródeł

Należy uwzględniać także wyniki sprzeczne z przyjętą tezą i wyjaśniać ich znaczenie.

Nadmierne użycie źródeł wtórnych

Najważniejsze twierdzenia powinny być oparte na publikacjach pierwotnych, a nie wyłącznie na przeglądach i podręcznikach.

Nieaktualne źródła bez uzasadnienia

Prace klasyczne są potrzebne, ale aktualny stan wiedzy powinien opierać się również na nowszych publikacjach.

5. Metodyka badań i realizacja eksperymentów

Badanie powinno tworzyć jeden spójny ciąg: od problemu i hipotezy, przez metodykę i plan eksperymentu, do kontrolowanego zbierania danych. Każdy etap musi wynikać z poprzedniego.

Problem

Zidentyfikuj brak wiedzy, sprzeczność, ograniczenie lub nieskuteczność istniejącego rozwiązania.

Pytanie

Określ, co dokładnie ma zostać wyjaśnione, porównane lub zweryfikowane.

Hipoteza

Sformułuj przewidywanie, model albo założenie projektowe możliwe do sprawdzenia.

Metodyka

Dobierz zmienne, próbę, dane, narzędzia, miary i procedurę badawczą.

Eksperyment

Zaplanuj i przeprowadź pomiary w kontrolowanych warunkach, zapisując pełne dane i odstępstwa.

Kontrola jakości

Sprawdź poprawność pomiarów, kompletność danych, kalibrację i zgodność z przyjętym planem.

Metodyka badańMetodyka określa, jak uzyskać wiarygodną odpowiedź na pytanie badawcze. Obejmuje zmienne, próbę, narzędzia, miary, warunki porównania i plan analizy.

Zdefiniuj problem i zmienne

Określ zmienne niezależne, zależne, kontrolowane oraz potencjalne czynniki zakłócające.

Ustal hipotezy i kryteria

Wskaż oczekiwane zależności i warunki uznania wyniku za zgodny lub niezgodny z hipotezą.

Dobierz próbę i dane

Określ liczebność, sposób doboru, kryteria włączenia i wyłączenia oraz źródła danych.

Wybierz narzędzia i miary

Dobierz aparaturę, oprogramowanie, kwestionariusze, metryki i procedury pomiarowe.

Zaprojektuj warunki porównania

Ustal grupę kontrolną, metodę bazową, stan początkowy lub inny uzasadniony punkt odniesienia.

Zaplanuj analizę przed badaniem

Wskaż sposób przygotowania danych, testy, miary błędu i reguły postępowania z brakami oraz wartościami odstającymi.

Planowanie eksperymentuPlan eksperymentu musi wynikać z hipotez, zmiennych i kryteriów oceny. Przed badaniem należy ustalić procedurę, powtórzenia, randomizację, punkt odniesienia i reguły wykluczania danych.

Co trzeba ustalić przed rozpoczęciem?

Jakie pytanie badawcze ma zostać rozstrzygnięte?

Jakie są zmienne niezależne, zależne i kontrolowane?

Jaki wynik będzie uznany za istotny praktycznie lub naukowo?

Jak ograniczyć wpływ kolejności, uczenia się, zmęczenia i oczekiwań badacza?

Jak zostaną zapisane dane, metadane, błędy i odstępstwa od procedury?

Elementy dobrego planu

Randomizacja

Losuj kolejność lub przydział, gdy pozwala to ograniczyć systematyczne obciążenie.

Powtórzenia

Ustal liczbę powtórzeń adekwatną do zmienności i oczekiwanej wielkości efektu.

Pilotaż

Sprawdź procedurę na małej próbie i usuń błędy przed badaniem właściwym.

Kryteria przerwania

Określ warunki przerwania próby, wykluczenia obserwacji lub powtórzenia pomiaru.

Przeprowadzanie eksperymentuEksperyment należy realizować zgodnie z wcześniej przyjętym planem. Każde odstępstwo, nieudana próba i zmiana warunków powinny zostać zapisane.

Przygotuj stanowisko

Sprawdź aparaturę, oprogramowanie, kalibrację, warunki środowiskowe i bezpieczeństwo.

Stosuj jednolitą procedurę

Realizuj wszystkie próby w ten sam sposób i z tymi samymi kryteriami oceny.

Kontroluj zakłócenia

Monitoruj warunki, które mogą wpływać na wynik, w tym kolejność, temperaturę, zmęczenie i różnice sprzętowe.

Zapisuj pełne dane

Rejestruj próby udane i nieudane, błędy, braki danych, metadane i odstępstwa od planu.

Wykonuj kontrolę jakości

Sprawdzaj jednostki, zakresy wartości, synchronizację, kompletność i poprawność zapisu.

Nie zmieniaj reguł po wyniku

Zmiany po obejrzeniu danych należy jawnie opisać jako odstępstwo lub analizę eksploracyjną.

!Najczęstsze błędy w projektowaniu i prowadzeniu badań

Metoda niedopasowana do pytania

Narzędzie nie dostarcza danych potrzebnych do odpowiedzi na konkretny problem.

Brak punktu odniesienia

Bez grupy kontrolnej, metody bazowej lub stanu początkowego nie można ocenić znaczenia efektu.

Zbyt mała próba

Niewystarczająca liczba obserwacji zwiększa niepewność i utrudnia wykrycie efektu.

Zmiana wielu czynników jednocześnie

Nie można wtedy ustalić, który czynnik odpowiada za wynik.

Brak pilotażu

Błędy procedury i aparatury są wykrywane dopiero podczas badania właściwego.

Pomijanie nieudanych prób

Usuwanie wyników bez wcześniej ustalonych kryteriów zniekształca rezultat.

6. Analiza i interpretacja uzyskanych wyników

Analiza powinna realizować plan określony w metodyce. Jej celem jest opisanie danych, ocena hipotez, oszacowanie niepewności i określenie znaczenia praktycznego wyniku.

Ocena jakości i przygotowanie danychPrzed analizą należy sprawdzić kompletność, jednostki, rozkład, wartości odstające i zgodność danych z planem badania. Sposób czyszczenia danych musi być jawny.

Kontrola jakości danych

Braki danych

Podaj ich liczbę, przyczynę i sposób postępowania.

Wartości odstające

Stosuj wcześniej ustalone kryteria i raportuj każde wykluczenie.

Rozkład danych

Sprawdź kształt rozkładu, asymetrię, zakres i potencjalne błędy pomiaru.

Analiza opisowa

Liczebność

Podaj n dla całej próby i każdej grupy.

Tendencja centralna

Dla danych symetrycznych podaj średnią, a dla silnie skośnych medianę.

Zróżnicowanie

Ze średnią raportuj odchylenie standardowe, a z medianą kwartyle lub IQR.

Podstawowe wzory statystyki opisowej

Statystyki opisowe należy obliczyć przed testami wnioskowania. Pozwalają ocenić położenie, zróżnicowanie i niepewność danych.

Średnia arytmetyczna

x̄ = (1/n) · ∑_i=1ⁿ x_i

Opisuje przeciętny poziom zmiennej. Jest wrażliwa na wartości odstające i silną asymetrię.

n: liczba obserwacji,
x_i: i-ta obserwacja.

Wariancja próbki

s² = [1/(n - 1)] · ∑_i=1ⁿ(x_i - x̄)²

Opisuje przeciętny kwadrat odchylenia obserwacji od średniej. W mianowniku stosuje się n - 1.

Odchylenie standardowe

s = √{[1/(n - 1)] · ∑(x_i - x̄)²}

Przedstawia zróżnicowanie w tej samej jednostce co analizowana zmienna.

Błąd standardowy średniej

SE(x̄) = s / √n

Opisuje niepewność oszacowania średniej. Nie jest miarą zróżnicowania pojedynczych obserwacji.

Przedział ufności dla średniej

CI = x̄ ± t_{1-α/2, n-1} · s/√n

Wyznacza zakres wartości średniej populacji zgodnych z danymi przy przyjętym poziomie ufności.

Współczynnik zmienności

CV = (s / |x̄|) · 100%

Umożliwia porównanie względnego zróżnicowania zmiennych o różnych skalach. Nie należy go stosować, gdy średnia jest bliska zeru.

Dobór testu statystycznegoTest dobiera się do celu analizy, skali pomiaru, liczby grup, zależności obserwacji i założeń rozkładowych. Nie należy wybierać testu dopiero po obejrzeniu oczekiwanego wyniku.

Cel analizy	Warunki	Typowy test parametryczny	Typowy test nieparametryczny
Dwie niezależne grupy	Zmienna ilościowa, niezależne obserwacje	Test t dla prób niezależnych	Test U Manna-Whitneya
Dwa pomiary zależne	Te same osoby lub obiekty mierzone dwukrotnie	Test t dla prób zależnych	Test rang Wilcoxona
Więcej niż dwie niezależne grupy	Jedna zmienna ilościowa i czynnik grupujący	Jednoczynnikowa ANOVA	Test Kruskala-Wallisa
Więcej niż dwa pomiary zależne	Powtarzane pomiary tych samych obiektów	ANOVA z powtarzanymi pomiarami	Test Friedmana
Zależność dwóch zmiennych ilościowych	Zależność liniowa i odpowiedni rozkład	Korelacja Pearsona	Korelacja rang Spearmana
Zależność zmiennych kategorialnych	Dane w tabeli liczebności	Test chi kwadrat	Dokładny test Fishera przy małych liczebnościach
Predykcja zmiennej ilościowej	Jedna lub wiele zmiennych objaśniających	Regresja liniowa	Modele odporne lub metody rangowe
Predykcja wyniku binarnego	Dwie klasy wyniku	Regresja logistyczna	Metody klasyfikacyjne z odpowiednimi metrykami

Przed wyborem testu

Sprawdź skalę pomiaru, niezależność obserwacji, rozkład, jednorodność wariancji, liczebność grup i wartości odstające.

Przykład praktyczny: dla dwóch niezależnych grup i zmiennej ilościowej rozważ test t, a przy niespełnieniu założeń test U Manna-Whitneya.

Wzory najczęściej stosowanych testów

Poniższe równania przedstawiają podstawową postać statystyk testowych. Przed użyciem testu należy sprawdzić jego założenia oraz sposób obliczania stopni swobody.

Test t Welcha dla dwóch niezależnych grup

t = (x̄₁ - x̄₂) / √(s₁²/n₁ + s₂²/n₂)

Porównuje średnie dwóch niezależnych grup i nie wymaga założenia równych wariancji.

Test t dla prób zależnych

t = d̄ / (s_d/√n)

Analizuje średnią różnicę d między parami pomiarów, na przykład przed i po interwencji.

Jednoczynnikowa ANOVA

F = MS_between / MS_within

Porównuje zróżnicowanie między grupami ze zróżnicowaniem wewnątrz grup.

MS_between = SS_between/(k - 1),
MS_within = SS_within/(N - k).

Test U Manna-Whitneya

U₁ = n₁n₂ + n₁(n₁ + 1)/2 - R₁

Porównuje rozkłady dwóch niezależnych grup na podstawie rang.

R₁: suma rang w pierwszej grupie,
U = min(U₁, U₂).

Test rang Wilcoxona

W = min(W⁺, W^-)

Porównuje dwa pomiary zależne. Statystyka opiera się na sumach rang dodatnich i ujemnych różnic.

Test Kruskala-Wallisa

H = [12/(N(N + 1))] · ∑_j=1^k(R_j²/n_j) - 3(N + 1)

Nieparametrycznie porównuje więcej niż dwie niezależne grupy.

Test Friedmana

Q = [12/(n·k(k + 1))] · ∑_j=1^kR_j² - 3n(k + 1)

Porównuje więcej niż dwa pomiary zależne na podstawie rang przypisanych w każdym bloku.

Korelacja Pearsona

r = ∑(x_i - x̄)(y_i - ȳ) / √[∑(x_i - x̄)² · ∑(y_i - ȳ)²]

Mierzy siłę i kierunek liniowej zależności między dwiema zmiennymi ilościowymi.

Korelacja rang Spearmana

ρ = 1 - [6∑d_i² / (n(n² - 1))]

Mierzy monotoniczną zależność między rangami. Podana postać zakłada brak rang wiązanych.

Test chi kwadrat niezależności

χ² = ∑(O_ij - E_ij)² / E_ij

Porównuje obserwowane liczebności O z liczebnościami oczekiwanymi E w tabeli kontyngencji.

Dokładny test Fishera dla tabeli 2 × 2

p = [(a+b)!(c+d)!(a+c)!(b+d)!] / [a!b!c!d!n!]

Wyznacza dokładne prawdopodobieństwo konfiguracji tabeli przy ustalonych sumach brzegowych.

Regresja liniowa

ŷ = β₀ + β₁x

Opisuje oczekiwaną wartość zmiennej zależnej jako funkcję zmiennej objaśniającej.

β₁ = ∑(x_i-x̄)(y_i-ȳ) / ∑(x_i-x̄)²,
β₀ = ȳ - β₁x̄.

Regresja logistyczna

p(y=1|x) = 1 / [1 + e^{-(β₀ + β₁x₁ + ... + βₚxₚ)}]

Modeluje prawdopodobieństwo wyniku binarnego. Współczynniki interpretuje się często przez ilorazy szans.

Wartość statystyki testowej sama nie wystarcza. Należy podać stopnie swobody, wartość p, wielkość efektu, przedział ufności i informację o spełnieniu założeń.

Istotność statystyczna, wielkość efektu i znaczenie praktyczneWartość p nie opisuje siły ani użyteczności efektu. Należy raportować również wielkość efektu, przedział ufności i znaczenie praktyczne.

Kiedy wynik jest statystycznie istotny?

Przy przyjętym poziomie alfa, najczęściej 0,05, wartość p wskazuje, jak zgodne są dane z hipotezą zerową. Nie określa prawdopodobieństwa prawdziwości hipotezy badawczej.

Wartość p

Informuje o zgodności danych z hipotezą zerową.

Wielkość efektu

Opisuje siłę różnicy lub zależności.

Przedział ufności

Pokazuje niepewność oszacowania i zakres wartości zgodnych z danymi.

Kiedy wynik ma sens praktyczny?

Różnica powinna być nie tylko istotna statystycznie, ale też wystarczająco duża, aby wpływać na działanie systemu, decyzję, użytkownika lub zastosowanie.

Znaczenie inżynierskie

Czy efekt poprawia wydajność, niezawodność, koszt lub bezpieczeństwo?

Znaczenie kliniczne lub użytkowe

Czy zmiana jest zauważalna i użyteczna dla odbiorcy?

Zakres stosowalności

Czy wynik obowiązuje tylko w badanych warunkach, czy może być ostrożnie uogólniony?

Wzory miar wielkości efektu

Wielkość efektu opisuje skalę różnicy lub zależności. Powinna być interpretowana razem z przedziałem ufności i znaczeniem praktycznym.

Cohen d dla dwóch grup

d = (x̄₁ - x̄₂) / s_p

Standaryzuje różnicę średnich przez łączne odchylenie standardowe.

s_p = √{[(n₁-1)s₁² + (n₂-1)s₂²] / (n₁+n₂-2)}.

Eta kwadrat dla ANOVA

η² = SS_between / SS_total

Określa część całkowitego zróżnicowania wyjaśnianą przez czynnik grupujący.

Współczynnik determinacji

R² = 1 - [∑(y_i - ŷ_i)² / ∑(y_i - ȳ)²]

Opisuje część wariancji zmiennej zależnej wyjaśnianą przez model regresji.

V Craméra

V = √[χ² / (n · min(r - 1, c - 1))]

Opisuje siłę zależności między zmiennymi kategorialnymi w tabeli kontyngencji.

Iloraz szans

OR = (a · d) / (b · c)

Porównuje szanse wystąpienia zdarzenia w dwóch grupach w tabeli 2 × 2.

Względna zmiana wyniku

Δ_rel = [(x_new - x_base) / |x_base|] · 100%

Pokazuje procentową poprawę lub pogorszenie względem punktu odniesienia.

Raportowanie wyników w pracyWynik powinien zawierać liczebność, miary opisowe, statystykę testową, wartość p, wielkość efektu i przedział ufności. Sposób raportowania musi odpowiadać rozkładowi danych.

Co raportować?

Liczebność

Podaj n dla całej próby i każdej grupy.

Średnia lub mediana

Dobierz miarę do kształtu rozkładu.

SD lub IQR

Ze średnią podaj odchylenie standardowe, z medianą rozstęp międzykwartylowy.

Przedział ufności

Raportuj go dla kluczowych estymacji i różnic.

Co podać przy teście?

Nazwa testu

Wskaż test i uzasadnij jego dobór.

Statystyka testowa

Podaj jej wartość, stopnie swobody i dokładną wartość p.

Wielkość efektu

Raportuj miarę odpowiednią dla testu.

Korekty

Przy wielu porównaniach podaj zastosowaną korektę.

Przykładowy zapis

Dane opisowe: Średni czas wykonania zadania wyniósł 12,4 s (SD = 2,1; n = 30), a w wariancie bazowym 15,8 s (SD = 2,7; n = 30).

Wynik testu: Różnica była istotna statystycznie, t(58) = -5,43, p < 0,001, d = 1,40, 95% CI [0,82; 1,97].

Interpretacja: Badany wariant skrócił czas o około 21,5%. Wielkość efektu była duża.

Przykład praktyczny: M = 12,4 s, SD = 2,1, n = 30; t(58) = -5,43, p < 0,001, d = 1,40, 95% CI [0,82; 1,97].

Wzory korekt dla wielu porównań

Korekta Bonferroniego

α^* = α / m

Próg istotności dzieli się przez liczbę m wykonywanych porównań. Metoda jest prosta, ale może być konserwatywna.

Procedura Holma

p_(i) ≤ α / (m - i + 1)

Uporządkowane wartości p porównuje się z kolejnymi progami. Procedura zwykle ma większą moc niż klasyczny Bonferroni.

Błędy pomiaru, estymacji i wnioskowaniaKażdy wynik zawiera niepewność. Trzeba odróżniać błędy systematyczne, losowe, estymacyjne oraz błędy decyzji statystycznej.

Błąd bezwzględny

Δx = |x_pom - x_ref|

Określa bezwzględną różnicę między wartością zmierzoną a wartością odniesienia.

x_pom: wartość zmierzona,
x_ref: wartość referencyjna.

Błąd względny

δ = (Δx / |x_ref|) · 100%

Pokazuje wielkość błędu w odniesieniu do wartości referencyjnej. Ułatwia porównywanie błędów dla różnych skal.

Błąd średni bezwzględny

MAE = (1/n) Σ |y_i - ŷ_i|

Opisuje przeciętną wartość błędu bez uwzględniania jego znaku. Jest łatwy do interpretacji w jednostkach zmiennej.

Błąd średniokwadratowy

MSE = (1/n) Σ (y_i - ŷ_i)²

Silniej karze duże błędy niż MAE, ponieważ różnice są podnoszone do kwadratu.

Pierwiastek błędu średniokwadratowego

RMSE = √[(1/n) Σ (y_i - ŷ_i)²]

Ma tę samą jednostkę co analizowana zmienna i jest szczególnie wrażliwy na duże odchylenia.

Obciążenie estymatora

Bias(θ̂) = E(θ̂) - θ

Opisuje systematyczne przesunięcie estymatora względem prawdziwej wartości parametru.

Wariancja estymatora

Var(θ̂) = E[(θ̂ - E(θ̂))²]

Określa, jak silnie estymator zmienia się między powtórzeniami badania.

Błąd standardowy średniej

SE = s / √n

Opisuje niepewność oszacowania średniej. Maleje wraz ze wzrostem liczebności próby.

Przedział ufności dla średniej

x̄ ± t_α/2,n-1 · s/√n

Wyznacza zakres wartości zgodnych z danymi przy założonym poziomie ufności.

Błąd typu I

P(odrzucenie H₀ | H₀ prawdziwa) = α

Fałszywie dodatni wynik. Hipoteza zerowa zostaje odrzucona mimo że jest prawdziwa.

Błąd typu II

P(brak odrzucenia H₀ | H₁ prawdziwa) = β

Fałszywie ujemny wynik. Badanie nie wykrywa efektu, który rzeczywiście istnieje.

Moc testu

Power = 1 - β

Określa prawdopodobieństwo wykrycia rzeczywistego efektu. Zależy między innymi od liczebności próby, zmienności i wielkości efektu.

Błędy systematyczne

Błąd kalibracji

Wszystkie pomiary są przesunięte w podobnym kierunku.

Błąd doboru próby

Próba nie reprezentuje populacji, do której odnoszone są wnioski.

Błąd procedury

Sposób realizacji badania wpływa na wynik niezależnie od badanego efektu.

Błędy losowe

Szum pomiarowy

Losowe fluktuacje aparatury lub środowiska zwiększają rozrzut wyników.

Zmienność uczestników lub obiektów

Naturalne różnice zwiększają niepewność estymacji.

Losowa zmienność próby

Różne próby z tej samej populacji prowadzą do nieco innych oszacowań.

Jak ograniczać błędy?

Kalibruj aparaturę, standaryzuj procedurę, stosuj randomizację, zwiększaj liczebność próby, wykonuj powtórzenia, raportuj niepewność oraz oddzielaj błędy systematyczne od losowych.

Przykład praktyczny: stałe zawyżanie temperatury o 0,8°C wskazuje na błąd systematyczny, a nieregularne wahania wokół wartości referencyjnej na błąd losowy.

Interpretacja i ograniczeniaWnioski muszą odpowiadać jakości danych, warunkom eksperymentu i zakresowi próby. Ograniczenia należy wskazać jawnie, bez osłabiania ich znaczenia.

Interpretacja

Powiąż wynik z hipotezą, literaturą i mechanizmem wyjaśniającym. Oddziel obserwację od interpretacji.

Ograniczenia

Wskaż ograniczenia próby, aparatury, procedury, danych i możliwości uogólniania.

Przykład praktyczny: wynik istotny statystycznie może nie mieć znaczenia praktycznego, jeśli skrócenie czasu wynosi tylko 2 ms i nie wpływa na użytkowanie systemu.

!Najczęstsze błędy w analizie wyników

Raportowanie tylko wartości p

Bez wielkości efektu i przedziału ufności nie wiadomo, jak silny jest wynik.

Dobór testu po obejrzeniu wyniku

Zwiększa ryzyko przypadkowej istotności.

Brak korekty wielokrotnych porównań

Wiele testów zwiększa ryzyko wyników fałszywie dodatnich.

Mylenie braku istotności z brakiem efektu

Nieistotny wynik może wynikać z małej próby lub dużej niepewności.

Nieadekwatna miara opisowa

Średnia może być myląca przy silnie skośnym rozkładzie.

Nadmierne uogólnianie

Wnioski nie mogą wykraczać poza badaną próbę i warunki eksperymentu.

7. Otwarta nauka i udostępnianie wyników

Otwarta nauka polega na takim dokumentowaniu i publikowaniu procesu badawczego, aby inni mogli znaleźć wyniki, ocenić je, odtworzyć analizę i ponownie wykorzystać materiały.

Findable: możliwe do znalezienia

Pliki powinny mieć opis, słowa kluczowe, autorów, wersję, datę oraz trwały identyfikator, na przykład DOI.

Accessible: dostępne

Należy jasno określić sposób dostępu. Dane wrażliwe mogą wymagać zgody, umowy lub kontrolowanego repozytorium.

Interoperable: interoperacyjne

Stosuj otwarte formaty, jednoznaczne nazwy zmiennych, standardowe jednostki i metadane zrozumiałe dla innych narzędzi.

Reusable: możliwe do ponownego użycia

Dołącz licencję, opis pochodzenia danych, warunki użycia, dokumentację i informacje potrzebne do interpretacji.

Co warto udostępnić razem z pracą?

Kod źródłowy

Programy, skrypty analityczne, pliki konfiguracyjne, modele i instrukcja uruchomienia.

Dane surowe

Oryginalne wyniki pomiarów przed czyszczeniem, agregacją i przekształceniami.

Dane przetworzone

Zbiory wykorzystane bezpośrednio do obliczeń, wykresów, trenowania modeli lub testów.

Metadane

Opis zmiennych, jednostek, aparatury, czasu pomiaru, warunków i pochodzenia danych.

Środowisko wykonawcze

Wersje bibliotek, pliki requirements.txt, environment.yml, kontener Docker lub inny opis zależności.

Raport odtwarzalności

Kolejność uruchamiania skryptów, parametry eksperymentów, ziarna losowe i sposób odtworzenia tabel oraz wykresów.

Zalecana struktura repozytorium kodu

projekt/ ├── README.md ├── LICENSE ├── CITATION.cff ├── requirements.txt ├── src/ ├── tests/ ├── configs/ ├── scripts/ ├── notebooks/ ├── data/ │ └── README.md ├── results/ └── docs/

Minimalna dokumentacja

README

Cel projektu, wymagania, instalacja, uruchomienie, dane wejściowe i oczekiwane wyniki.

Licencja

Brak licencji nie oznacza swobodnego użycia. Kod i dane powinny mieć jawnie określone warunki ponownego wykorzystania.

Wersja

Oznacz wydanie odpowiadające pracy, na przykład tagiem v1.0.0, i zachowaj numer wersji w tekście pracy.

Cytowanie

Dodaj plik CITATION.cff i podaj DOI archiwalnego wydania, jeśli repozytorium zostało zdeponowane w Zenodo.

Udostępnianie danych badawczych

Dane otwarte

Publikuj dane, gdy nie zawierają informacji poufnych, danych osobowych ani treści objętych ograniczeniami licencyjnymi.

Dostęp ograniczony

Stosuj, gdy dane mogą być udostępnione wyłącznie po spełnieniu warunków, podpisaniu umowy lub zatwierdzeniu celu użycia.

Dane niepubliczne

Nie publikuj danych, jeśli anonimizacja jest niewystarczająca, naruszałaby zgodę uczestników, prawo, tajemnicę przedsiębiorstwa lub bezpieczeństwo.

Zasada: tak otwarte, jak to możliwe, tak zamknięte, jak to konieczne

Brak możliwości publikacji danych surowych nie zwalnia z dokumentowania badania. Można udostępnić schemat danych, kod analizy, syntetyczny zbiór demonstracyjny, zagregowane wyniki oraz opis procedury dostępu.

Anonimizacja i dane wrażliwe

Usuń identyfikatory bezpośrednie

Imiona, adresy, numery albumów, adresy e-mail, numery urządzeń i inne jednoznaczne identyfikatory nie powinny znaleźć się w zbiorze publicznym.

Oceń ryzyko ponownej identyfikacji

Połączenie wieku, daty, lokalizacji, obrazu twarzy, głosu lub rzadkich cech może umożliwić identyfikację mimo usunięcia nazwiska.

Oddziel klucz identyfikacyjny

Jeśli pseudonimizacja jest konieczna, klucz należy przechowywać osobno i nie publikować go razem z danymi.

Plan zarządzania danymi

Przed badaniem

Ustal formaty, sposób zapisu, kopie zapasowe, uprawnienia, nazewnictwo plików i odpowiedzialność za dane.

W trakcie badania

Rejestruj zmiany, błędy, wykluczenia, kalibrację, parametry i historię przetwarzania.

Po badaniu

Wybierz materiały do archiwizacji, ustal licencję, okres przechowywania i poziom dostępu.

Gdzie publikować kod i dane?

Repozytorium	Najlepsze zastosowanie	Ważna cecha
GitHub	Rozwój kodu, historia zmian, zgłoszenia błędów i współpraca.	Nie jest sam w sobie repozytorium długoterminowej archiwizacji wyników naukowych.
Zenodo	Archiwizacja kodu, danych, raportów, modeli i innych rezultatów.	Nadaje trwały DOI i może archiwizować wydania repozytorium GitHub.
Open Science Framework	Zarządzanie projektem, prerejestracja, materiały, dane i dokumentacja badania.	Łączy kolejne elementy procesu badawczego w jednym projekcie.
RepOD	Publikowanie danych badawczych w polskim repozytorium.	Repozytorium rozwijane przez Interdyscyplinarne Centrum Modelowania UW.

Jawność użycia narzędzi generatywnej AI

Student pozostaje autorem pracy i ponosi pełną odpowiedzialność za jej treść. Narzędzia genAI mogą wspierać pracę, ale nie mogą zastępować samodzielnej analizy, decyzji metodologicznych, interpretacji wyników ani wkładu projektowego.

Użycie pomocnicze

Korekta językowa, propozycje struktury, wyjaśnienie błędów w kodzie, tworzenie przykładów testowych lub pomoc w redakcji własnego tekstu.

Użycie wymagające szczególnej kontroli

Generowanie kodu, analiza danych, streszczanie literatury, tworzenie tabel, ilustracji lub fragmentów tekstu. Każdy wynik musi zostać sprawdzony i opisany.

Użycie niedopuszczalne

Przypisywanie sobie treści wygenerowanej przez AI, tworzenie fikcyjnych źródeł lub wyników, ukrywanie zakresu użycia AI oraz przekazywanie danych poufnych bez podstawy prawnej.

Co należy ujawnić w oświadczeniu?

Nazwa narzędzia i dostawca

Na przykład ChatGPT firmy OpenAI, GitHub Copilot, Gemini lub Claude.

Model lub wersja

Podaj model, wersję lub datę dostępu, jeśli numer wersji nie jest widoczny.

Cel użycia

Określ, czy narzędzie służyło do korekty, programowania, analizy, tłumaczenia, wizualizacji lub innego zadania.

Zakres pracy

Wskaż konkretne rozdziały, pliki, skrypty, ilustracje, tabele lub etapy badań, w których użyto AI.

Rodzaj przekazanych danych

Opisz, czy do systemu przesłano tekst, kod, dane pomiarowe, obrazy lub inne materiały.

Sposób wykorzystania wyniku

Wyjaśnij, czy wynik został użyty bezpośrednio, zmodyfikowany, potraktowany jako inspiracja czy odrzucony.

Weryfikacja

Opisz, jak sprawdzono poprawność merytoryczną, źródła, kod, obliczenia oraz zgodność z danymi.

Zakres odpowiedzialności autora

Potwierdź, że autor samodzielnie ocenił i zatwierdził wszystkie wykorzystane treści oraz ponosi za nie odpowiedzialność.

Przykładowa treść oświadczenia

„W trakcie przygotowania pracy korzystano z narzędzia [nazwa i wersja] w celu [cel użycia]. Narzędzie zastosowano w zakresie [rozdziały, pliki lub etapy]. Przekazane materiały obejmowały [rodzaj danych]. Uzyskane wyniki zostały [sposób wykorzystania] oraz zweryfikowane przez [opis weryfikacji]. Narzędzie nie zastępowało samodzielnej analizy, interpretacji wyników ani decyzji metodologicznych autora. Autor ponosi pełną odpowiedzialność za treść pracy.”

Jak dokumentować użycie genAI w trakcie pracy?Należy zapisywać użyte narzędzia, cele, zakres przekazanych danych i sposób weryfikacji wyników. Dokumentacja umożliwia ocenę samodzielności autora.

Prowadź tabelę zawierającą datę, nazwę narzędzia, cel, zakres i rezultat użycia.
Zachowuj istotne polecenia i odpowiedzi, jeśli miały wpływ na kod, analizę lub treść pracy.
Oznaczaj w repozytorium fragmenty kodu wygenerowane lub istotnie zmodyfikowane z pomocą AI.
Nie traktuj odpowiedzi modelu jako źródła naukowego. Każde twierdzenie sprawdź w publikacji pierwotnej.
Nie przesyłaj danych osobowych, poufnych, nieopublikowanych ani objętych umową bez zgody i podstawy prawnej.
Uzgodnij z promotorem nietypowe zastosowania AI przed ich użyciem.

Procedura GenAI na PRz: Wydział Zarządzania Procedura GenAI na PRz: WMiFS Aktualne procedury WEiI

!Najczęstsze błędy w otwieraniu rezultatów badań

Publikacja samego kodu

Kod bez danych przykładowych, konfiguracji i instrukcji uruchomienia zwykle nie pozwala odtworzyć wyników.

Brak licencji

Publiczne repozytorium bez licencji nie daje innym jasnego prawa do kopiowania, modyfikowania ani ponownego użycia.

Publikacja tylko końcowych wykresów

Bez danych i skryptów nie można sprawdzić, jak uzyskano przedstawione rezultaty.

Niejawne czyszczenie danych

Usunięte obserwacje, poprawki i transformacje powinny być zapisane w kodzie lub dzienniku przetwarzania.

Dane osobowe w repozytorium

Usunięcie kolumny z nazwiskiem może nie wystarczyć do skutecznej anonimizacji.

Brak trwałej wersji

Odwołanie wyłącznie do zmiennej gałęzi repozytorium utrudnia ustalenie, która wersja odpowiada pracy.

Dane badawcze i zasady FAIR European Open Science Cloud DOI w Zenodo Plik CITATION.cff Licencja repozytorium

9. Kontakt z promotorem

Promotor nadzoruje poprawność merytoryczną i metodologiczną pracy. Student odpowiada za regularną realizację zadań, terminowe przekazywanie materiałów i jasne informowanie o problemach.

Pisz konkretnie

Podaj temat wiadomości, numer albumu, nazwę pracy, cel kontaktu oraz jednoznaczne pytanie lub oczekiwaną decyzję.

Przesyłaj materiał w uporządkowanej formie

Stosuj nazwy plików zawierające nazwisko, rozdział i datę. Zaznacz, co zostało zmienione od poprzedniej wersji.

Nie wysyłaj wersji roboczej bez komentarza

Wskaż, które fragmenty są gotowe, które wymagają konsultacji i jakie decyzje należy podjąć.

Szanuj czas odpowiedzi

Odpowiedź nie musi nadejść tego samego dnia. W zwykłych sprawach rozsądne jest odczekanie od 3 do 5 dni roboczych przed uprzejmym przypomnieniem.

Nie odkładaj konsultacji

Rozdział przekazany tuż przed terminem złożenia pracy może nie zostać sprawdzony wystarczająco dokładnie.

Dokumentuj ustalenia

Po spotkaniu zapisz uzgodniony zakres zmian, termin kolejnej wersji oraz decyzje dotyczące metody i eksperymentów.

Aspekt administracyjny

Zatwierdzenie tematu

Temat powinien zostać uzgodniony z promotorem, odpowiadać efektom uczenia się i zostać zarejestrowany zgodnie z procedurą WEiI.

Zmiana tematu lub zakresu

Istotną zmianę należy uzgodnić przed jej wprowadzeniem. Student powinien sprawdzić, czy wymaga ona aktualizacji danych w systemie uczelni.

Akceptacja pracy

Wgranie pliku do APD powinno nastąpić dopiero po zatwierdzeniu treści przez promotora. Samo przesłanie pliku nie oznacza akceptacji pracy.

Zatwierdzanie rozdziałów

Plan pracy

Najpierw uzgodnij problem, cel, zakres, strukturę rozdziałów i plan badań.

Wersje cząstkowe

Przekazuj pełne, spójne fragmenty. Nie oczekuj szczegółowej recenzji luźnych notatek.

Poprawki

Odpowiedz na wszystkie uwagi. Gdy nie zgadzasz się z sugestią, przedstaw uzasadnienie merytoryczne.

Wersja końcowa

Zarezerwuj czas na korektę całości, kontrolę bibliografii, rysunków, załączników i zgodności z wymaganiami.

Praktyczna zasada

Promotor nie powinien być pierwszą osobą, która próbuje zrozumieć nieuporządkowany tekst. Przed wysłaniem wersji wykonaj samodzielną korektę merytoryczną, językową i formalną.

Wybór tematów prac dyplomowych Procedury WEiI System APD

10. Recenzja pracy

Pracę oceniają promotor i recenzent. Obie oceny dotyczą tego samego dokumentu, lecz powstają z innej perspektywy.

Opinia promotora

Ocena autora, procesu realizacji i końcowego rezultatu.

uwzględnia znajomość przebiegu pracy i samodzielność studenta,
ocenia realizację uzgodnionego celu i zakresu,
odnosi się do systematyczności oraz reagowania na uwagi,
potwierdza gotowość pracy do procedury dyplomowej,
uczestniczy w analizie raportu antyplagiatowego i akceptacji pracy w APD.

Recenzja recenzenta

Niezależna ocena końcowej wersji pracy.

ocenia pracę bez nadzorowania jej powstawania,
sprawdza zgodność treści z tematem i celem,
ocenia poprawność metody, wyników i wniosków,
weryfikuje poziom merytoryczny i jakość redakcyjną,
może wskazać problemy, które nie zostały zauważone podczas konsultacji.

Co jest brane pod uwagę?

Zgodność z tematem

Czy praca realizuje zadeklarowany cel i nie zastępuje go pobocznymi zagadnieniami.

Poziom merytoryczny

Czy autor poprawnie rozumie pojęcia, metody, technologie i wyniki.

Wkład własny

Czy można jednoznacznie wskazać, co student zaprojektował, zaimplementował, zbadał lub zinterpretował.

Metodyka

Czy metoda odpowiada na pytanie badawcze, a procedura jest rzetelna i odtwarzalna.

Analiza wyników

Czy wyniki zostały właściwie przedstawione, porównane i zinterpretowane.

Forma pracy

Czy struktura, język, cytowania, bibliografia, rysunki i tabele są poprawne.

Co dzieje się po wystawieniu ocen?

Na WEiI promotor i recenzent sporządzają oceny w systemie APD. Aktualna procedura przewiduje wykonanie obu ocen w terminie nie dłuższym niż tydzień od umieszczenia pracy w APD. Po sporządzeniu recenzji promotor wykonuje ostateczne zatwierdzenie pracy.

Recenzje w APD Aktualna procedura WEiI

11. Obrona pracy

Egzamin dyplomowy obejmuje weryfikację wiedzy zdobytej podczas studiów oraz obronę pracy. Szczegółowy harmonogram i aktualne zasady należy sprawdzić w komunikatach WEiI.

Przygotowanie administracyjne

Praca musi uzyskać status „Gotowa do obrony” w APD. Student składa wymagane wnioski w dziekanacie i sprawdza status elektronicznej karty obiegowej.

Weryfikacja tożsamości i rozpoczęcie

Przewodniczący przedstawia skład komisji i informuje o przebiegu egzaminu.

Pytania komisji

Komisja sprawdza efekty uczenia się osiągnięte podczas studiów. Pytania mogą dotyczyć podstaw kierunku, specjalności, zastosowanych technologii, założeń metodycznych, interpretacji wyników oraz zagadnień bezpośrednio związanych z pracą. Warto przygotować krótkie odpowiedzi na pytania o definicje kluczowych pojęć, uzasadnienie decyzji projektowych, ograniczenia rozwiązania i możliwe alternatywy.

Prezentacja pracy

Student przedstawia problem, cel, metodę, wkład własny, wyniki i wnioski. W procedurze WEiI wskazano maksymalnie 10 minut.

Dyskusja

Komisja zadaje pytania dotyczące decyzji projektowych, metodyki, wyników, ograniczeń i możliwości dalszego rozwoju.

Ocena egzaminu

Po zakończeniu odpowiedzi komisja ustala wynik zgodnie z regulaminem studiów i dokumentuje przebieg egzaminu.

Orientacyjny timeline obrony

Rzeczywiste czasy zależą od zasad jednostki, liczby pytań i decyzji komisji. Wykres pomaga zaplanować energię i przygotowanie do kolejnych etapów.

Rozpoczęcie i formalności

2-3 min

Pytania komisji

10-20 min

Prezentacja pracy

do 10 min

Dyskusja o pracy

5-10 min

Narada i ogłoszenie wyniku

5-10 min

Najmniej elastyczna jest prezentacja, dlatego należy ćwiczyć ją z zegarem i przygotować krótszy wariant awaryjny.