Projekt Data Science: analizy praktyki stosowania prawa 4010-PDSa-30

Szczegółowy opis przedmiotu został zamieszczony na poziomie danego cyklu dydaktycznego w sekcji Opis.

W cyklu 2026Z:

Zajęcia są projektowym kursem Data Science, w którym uczestnicy realizują rzeczywisty projekt analityczny – od pozyskania i poznania danych, przez eksplorację, ocenę ich jakości i ograniczeń, sformułowanie pytania badawczego i operacjonalizację, po modelowanie, ewaluację, wnioskowanie i komunikację wyników. Klasyczne ramy procesu Data Science, takie jak CRISP-DM, stanowią punkt odniesienia, ale kurs rozszerza je o problemy szczególnie istotne w empirycznej pracy z danymi: proces generowania i selekcji danych, trafność pomiaru, zakres inferencji oraz reprodukowalność analizy.
Materiałem badawczym jest SAOS (System Analizy Orzeczeń Sądowych) – otwarta baza kilkuset tysięcy orzeczeń polskich sądów z publicznym API. Jest to materiał rzeczywisty, półustrukturyzowany i metodologicznie wymagający: łączy bogate metadane dotyczące orzeczeń z nieustrukturyzowanym tekstem uzasadnień. Punktem ciężkości są uniwersalne problemy i metody Data Science, a nie prawo obliczeniowe – orzecznictwo stanowi materiał badawczy, a niezbędny kontekst prawny pojawia się jedynie w zakresie potrzebnym do poprawnego prowadzenia analiz.
Szczególną uwagę poświęcamy temu, jak z danych obserwacyjnych przechodzić do uprawnionych twierdzeń o badanym zjawisku. Duża liczba obserwacji nie eliminuje problemów wynikających z procesu generowania danych, ich niekompletności ani selektywności źródła. Studenci uczą się więc rozpoznawać populację, do której odnoszą się dane, identyfikować mechanizmy ich selekcji i określać zakres wniosków, jakie można na ich podstawie formułować.
Kurs akcentuje kompetencje decydujące o jakości rzeczywistego projektu analitycznego, a łatwe do pominięcia w kursach skoncentrowanych na algorytmach. Należą do nich rzetelna eksploracyjna analiza danych, diagnoza jakości i kompletności danych, świadoma operacjonalizacja konstruktów oraz walidacja pomiaru. Nieustrukturyzowany tekst traktowany jest jako pełnoprawne źródło danych: studenci poznają sposoby reprezentacji tekstu i automatycznej ekstrakcji cech, wraz z problemem oceny trafności zmiennych tworzonych za pomocą metod NLP lub modeli językowych.
Istotnym elementem kursu jest rozróżnienie trzech celów analizy: opisu, predykcji i wyjaśniania. Studenci uczą się, że wybór modelu i kryteriów jego oceny powinien wynikać z rodzaju twierdzenia, które chcemy sformułować. W części poświęconej wnioskowaniu szczególny nacisk kładziemy na ograniczenia danych obserwacyjnych, potencjalne czynniki zakłócające oraz analizę odporności wyników.
Praca odbywa się w zespołach, z wykorzystaniem Pythona lub R. Reprodukowalność jest traktowana jako standard domyślny: projekt powinien mieć przejrzystą strukturę, dokumentować sposób pozyskania i przetworzenia danych oraz umożliwiać odtworzenie podstawowych analiz, tabel i wizualizacji. Rytm semestru wyznaczają dwa główne etapy pracy: raport o danych i projekcie badania, obejmujący eksplorację, diagnozę danych, pytanie badawcze, operacjonalizację i plan analizy, oraz końcowy projekt analityczny wraz z artykułem. Wzajemna informacja zwrotna między zespołami stanowi element pracy warsztatowej, ale nie jest osobnym produktem zaliczeniowym. Efektem końcowym jest artykuł zespołu przygotowany na poziomie pozwalającym na publikację w formie preprintu lub dalsze rozwinięcie do zgłoszenia w recenzowanym czasopiśmie.

Tematy spotkań:
1. Wprowadzenie do prawa obliczeniowego - wykład dr. Łukasza Górskiego; charakterystyka problemów badawczych i zastosowań computational law, specyfika orzecznictwa jako źródła danych.
2. Data Science jako proces badawczy; SAOS jako materiał analityczny, struktura projektu Data Science, charakterystyka SAOS, pytania badawcze możliwe do postawienia na tych danych, ograniczenia źródła.
3. Pozyskiwanie danych przez API; struktura danych i przygotowanie zbioru do analizy.
4. Eksploracyjna analiza danych (EDA) jako rdzeń pracy analitycznej.
5. Jakość i kompletność danych; proces generowania danych i selektywność źródła.
6. Raport o danych – prezentacje zespołów i informacja zwrotna.
7. Od problemu do badawczo wykonalnego pytania; zakres inferencji.
8. Operacjonalizacja i walidacja pomiaru; w razie potrzeby integracja danych z wielu źródeł.
9. Text as data – reprezentacja tekstu, ekstrakcja cech i automatyczny pomiar.
10. Opis, predykcja i wyjaśnianie – od pytania badawczego do strategii analitycznej.
11. Plan analizy i konsultacje projektowe.
12. Modelowanie, ewaluacja i reprodukowalny pipeline analityczny.
13. Wnioskowanie z danych obserwacyjnych i analiza odporności wyników.
14. Od wyników do argumentu: struktura i pisanie artykułu naukowego; konsultacje projektowe.
15. Prezentacje końcowe i podsumowanie.

Kolejność podejmowanych zagadnień oraz szczegółowość ich realizacji może ulec nieznacznym zmianom.

Koordynatorzy przedmiotu

Dominik Batorski

Rodzaj przedmiotu

fakultatywne

Tryb prowadzenia

mieszany: w sali i zdalnie

Założenia (opisowo)

1. Programowanie w Pythonie lub R na poziomie swobodnej pracy z danymi. 2. Podstawy statystyki i analizy danych (rozkłady, miary zależności, podstawy wnioskowania statystycznego). 3. Podstawy uczenia maszynowego (rozumienie klasyfikacji nadzorowanej, walidacji modelu, rozróżnienia predykcja/wyjaśnienie) mile widziane, nie konieczne na wejściu. 4. Praca z narzędziami inżynierii oprogramowania (git, praca w repozytorium zespołowym). 5. Czytanie tekstów anglojęzycznych (literatura metodologiczna). Nie jest wymagana wiedza prawnicza.

Efekty uczenia się

Kierunkowe efekty uczenia z odniesieniem do charakterystyk drugiego stopnia PRK:
absolwent jest gotów do:
K_K01 - nawiązywania i utrzymywania współpracy oraz dążenia do realizacji celów zespołu poprzez odpowiednie zaplanowanie i organizację pracy - P7S_KO

oraz przedmiotowe efekty uczenia się:
....

Kryteria oceniania

Student uzyskuje zaliczenie zajęć na podstawie:
- obecności i aktywnego udziału w zajęciach warsztatowych,
- terminowej realizacji przez zespół dwóch głównych etapów projektu:
1. raportu o danych i projekcie badania – obejmującego eksploracyjną analizę danych, diagnozę ich jakości i ograniczeń, sformułowanie pytania badawczego, operacjonalizację oraz plan analizy;
2. końcowego projektu analitycznego wraz z artykułem naukowym prezentującym wyniki badania, przygotowanym na poziomie pozwalającym na publikację w formie preprintu;
- jakości i reprodukowalności przygotowanego projektu analitycznego, w tym dokumentacji procesu pozyskania i przetwarzania danych oraz możliwości odtworzenia podstawowych analiz, tabel i wizualizacji;
- indywidualnego wkładu w pracę zespołu oraz znajomości i rozumienia metod, analiz i wyników projektu.
Wzajemna informacja zwrotna między zespołami jest elementem pracy warsztatowej i aktywnego udziału w zajęciach, ale nie stanowi osobnego produktu podlegającego ocenie.
Dopuszczenie do oceny projektu końcowego następuje po spełnieniu warunków obecności i aktywnego udziału w zajęciach oraz terminowym złożeniu raportu o danych i projekcie badania.
Ocena końcowa z przedmiotu ustalana jest na podstawie następujących składowych:
- raport o danych i projekcie badania – 25%,
- końcowy artykuł naukowy i jakość przeprowadzonej analizy – 45%,
- reprodukowalność i jakość techniczna projektu analitycznego – 15%,
- indywidualny wkład w pracę zespołu – 15%.

UWAGA
1. Zwolnienie lekarskie nie zwalnia ze znajomości materiału. Uprawnia jedynie do zindywidualizowanej formy zaliczenia.
2. Osoby, które otrzymały zgodę na indywidualny tok studiów, mają obowiązek zgłosić się koordynatora przedmiotu w celu ustalenia sposobu realizacji wszystkich efektów uczenia się przypisanych do zajęć. W przypadku braku możliwości realizacji wyżej wymienionych efektów koordynator może odmówić zaliczenia przedmiotu.
3. Obecności na zajęciach jest obowiązkowa. W sytuacjach uzasadnionych nieobecności, student zobowiązany jest do niezwłocznego kontaktu z koordynatorem przedmiotu.

Praktyki zawodowe

Nie dotyczy.

Literatura

Literatura przedmiotu została zamieszczona na poziomie danego cyklu dydaktycznego w sekcji Literatura.