<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>PROBAST &#8211; Od Informacji do Wiedzy</title>
	<atom:link href="https://profind.pl/tag/probast/feed/" rel="self" type="application/rss+xml" />
	<link>https://profind.pl</link>
	<description>Blog o informacjach na temat informacji i wiedzy</description>
	<lastBuildDate>Sat, 20 Sep 2025 18:12:03 +0000</lastBuildDate>
	<language>pl-PL</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=7.1.4</generator>
	<item>
		<title>Anatomia procesu badawczego: Praktyczny framework dla rzetelnej nauki</title>
		<link>https://profind.pl/2025/09/20/anatomia-procesu-badawczego-praktyczny-framework-dla-rzetelnej-nauki/</link>
					<comments>https://profind.pl/2025/09/20/anatomia-procesu-badawczego-praktyczny-framework-dla-rzetelnej-nauki/#respond</comments>
		
		<dc:creator><![CDATA[Marcin]]></dc:creator>
		<pubDate>Sat, 20 Sep 2025 18:12:03 +0000</pubDate>
				<category><![CDATA[Dziennik badań]]></category>
		<category><![CDATA[AI ethics]]></category>
		<category><![CDATA[CONSORT]]></category>
		<category><![CDATA[Data/Code Availability]]></category>
		<category><![CDATA[EQUATOR]]></category>
		<category><![CDATA[GRADE]]></category>
		<category><![CDATA[GRADE‑CERQual]]></category>
		<category><![CDATA[Hartung–Knapp]]></category>
		<category><![CDATA[INPLASY]]></category>
		<category><![CDATA[kontrola FDR]]></category>
		<category><![CDATA[LLM‑y]]></category>
		<category><![CDATA[meta‑analiza]]></category>
		<category><![CDATA[metodologia badań]]></category>
		<category><![CDATA[NLP]]></category>
		<category><![CDATA[open science]]></category>
		<category><![CDATA[OSF]]></category>
		<category><![CDATA[prerejestracja]]></category>
		<category><![CDATA[PRISMA]]></category>
		<category><![CDATA[PRISMA‑S]]></category>
		<category><![CDATA[PROBAST]]></category>
		<category><![CDATA[proces badawczy]]></category>
		<category><![CDATA[PROSPERO]]></category>
		<category><![CDATA[przegląd systematyczny]]></category>
		<category><![CDATA[Registered Reports]]></category>
		<category><![CDATA[replikowalność]]></category>
		<category><![CDATA[reproducibility]]></category>
		<category><![CDATA[SPIRIT]]></category>
		<category><![CDATA[statystyka]]></category>
		<category><![CDATA[STROBE]]></category>
		<category><![CDATA[sztuczna inteligencja]]></category>
		<category><![CDATA[TRIPOD]]></category>
		<guid isPermaLink="false">https://profind.pl/?p=1824</guid>

					<description><![CDATA[Po wielu latach spędzonych na badaniach, proces naukowy – od idei po publikację – staje się drugą naturą. Jednak ta intuicja, choć bezcenna, zasługuje na ustrukturyzowanie. Chęć opisania tego warsztatu wynika nie tylko z potrzeby lepszego zrozumienia własnej pracy, ale także z chęci stworzenia mapy, która może pomóc innym nawigować po tym złożonym terenie. Jedną [&#8230;]]]></description>
										<content:encoded><![CDATA[<div class="moj-wpis-naukowy">
<p>Po wielu latach spędzonych na badaniach, proces naukowy – od idei po publikację – staje się drugą naturą. Jednak ta intuicja, choć bezcenna, zasługuje na ustrukturyzowanie. Chęć opisania tego warsztatu wynika nie tylko z potrzeby lepszego zrozumienia własnej pracy, ale także z chęci stworzenia mapy, która może pomóc innym nawigować po tym złożonym terenie.</p>
<p>Jedną z inspiracji była humorystyczna, ale trafna lista z książki Jorge Chama i Daniela Whitesona, „Nie mamy pojęcia. Przewodnik po nieznanym wszechświecie”:</p>
<blockquote>
<ol>
<li>Uporządkuj to, co wiesz</li>
<li>Szukaj prawidłowości</li>
<li>Zadawaj pytania</li>
<li>Kup tweedową marynarkę z łatami na łokciach</li>
</ol>
</blockquote>
<p>Praca naukowa to jednak przede wszystkim sztuka zadawania właściwych pytań. Nie chodzi o to, by „pobić baseline”, ale by zrozumieć zjawisko. Pytanie „dlaczego?” jest kompasem badacza. Zrozumienie z kolei często oznacza umiejętność zrekonstruowania mechanizmu (np. poprzez implementację kodu lub formalny dowód), choć w częściach matematyki wystarczy pełna, sprawdzalna argumentacja.</p>
<p>Zauważyłem, że niezależnie od tego, czy piszę pracę empiryczną z zakresu przetwarzania języka naturalnego (NLP), czy systematyczny przegląd z meta‑analizą, pod powierzchnią kryje się wspólny szkielet. Efektem tych obserwacji jest poniższy roboczy framework, który próbuje ten szkielet zwizualizować.</p>
<p><span id="more-1824"></span></p>
<h3>Praktyczny szkic procesu badawczego</h3>
<p>Poniższy framework to mapa, nie dogmat. Pokazuje kluczowe etapy i ich specyfikę w zależności od typu pracy, włączając w to standardy raportowania i ostrożne wykorzystanie nowoczesnych narzędzi, jakimi są duże modele językowe (LLM‑y).</p>
<div class="table-wrapper">
<table>
<thead>
<tr>
<th>Etap Badawczy (Faza)</th>
<th>Opis Ogólny i Cel</th>
<th>Artykuł Empiryczny (np. NLP, badania obserwacyjne)</th>
<th>Artykuł Teoretyczny (np. matematyka, informatyka)</th>
<th>Przegląd Systematyczny (+ Meta‑analiza)</th>
<th>Rola i Zastosowanie LLM (zawsze z walidacją eksperta)</th>
</tr>
</thead>
<tbody>
<tr>
<td><strong>0. Planowanie, Etyka i Prerejestracja</strong></td>
<td>Ustanowienie ram etycznych i metodologicznych <em>przed</em> badaniami. Zapewnienie transparentności.</td>
<td>Zgoda komisji etycznej (IRB). Prerejestracja planu badań (np. OSF). Plan zarządzania danymi (zgodność z RODO/GDPR, HIPAA).</td>
<td>Deklaracja konfliktu interesów. Określenie zasad korzystania z cudzych prac i dowodów.</td>
<td>Rejestracja protokołu w bazie (np. PROSPERO dla zdrowia; OSF, INPLASY dla innych dziedzin).</td>
<td>Wsparcie w formułowaniu planu zarządzania danymi. Pomoc w identyfikacji potencjalnych ryzyk etycznych do dalszej analizy.</td>
</tr>
<tr>
<td><strong>1. Konceptualizacja i Identyfikacja Problemu</strong></td>
<td>Szeroka lektura, obserwacja, dyskusje. Celem jest znalezienie ważkiego, naukowego pytania lub luki w wiedzy.</td>
<td>Obserwacja ograniczeń istniejących modeli, identyfikacja nowego, praktycznego problemu.</td>
<td>Dostrzeżenie luki w istniejącej teorii lub możliwości uogólnienia dowodu.</td>
<td>Zauważenie konfliktu w wynikach badań, brak jednoznacznej odpowiedzi na ważne pytanie kliniczne/praktyczne.</td>
<td><strong>Sparing partner:</strong> Generowanie pomysłów, streszczanie dziedzin <em>do weryfikacji</em>, identyfikacja trendów i potencjalnych luk w literaturze.</td>
</tr>
<tr>
<td><strong>2. Formułowanie Pytania i Hipotezy</strong></td>
<td>Skupiony przegląd literatury. Celem jest sformułowanie precyzyjnego, weryfikowalnego pytania badawczego.</td>
<td>Sformułowanie hipotezy. Definicja nowości (nowa metoda czy nowy problem).</td>
<td>Sformułowanie konkretnej tezy do udowodnienia lub obalenia (koniektura).</td>
<td>Sformułowanie pytania w formacie PICO/SPIDER. Zdefiniowanie kryteriów włączenia/wyłączenia.</td>
<td><strong>Wsparcie przeglądu literatury:</strong> Sugerowanie słów kluczowych, streszczanie abstraktów <em>do oceny przez badacza</em>, grupowanie tematyczne prac.</td>
</tr>
<tr>
<td><strong>3. Projektowanie Metodologii</strong></td>
<td>Szczegółowy plan odpowiedzi na pytanie. Uzasadnienie wyboru metod (dlaczego te, a nie inne?).</td>
<td><strong>Protokół wg standardów EQUATOR:</strong> np. STROBE, CONSORT, SPIRIT, TRIPOD. Wybór metryk, metod bazowych.</td>
<td>Określenie strategii dowodowej, potrzebnych lematów. Rozważenie formalnej weryfikacji (np. przy użyciu asystentów dowodzenia jak Lean/Coq).</td>
<td><strong>Protokół przeglądu:</strong> Zgodny z PRISMA 2020. Finalizacja strategii wyszukiwania (Boolean/MeSH), plan oceny ryzyka błędu (np. RoB 2, ROBINS‑I; lub PROBAST dla modeli predykcyjnych).</td>
<td><strong>Asystent projektowania:</strong> Generowanie <em>szkicu</em> kodu, propozycja bibliotek, pomoc w formułowaniu <em>wstępnych</em> strategii wyszukiwania.</td>
</tr>
<tr>
<td><strong>4. Realizacja i Analiza Danych</strong></td>
<td>Wdrożenie protokołu. Zbieranie wyników i ich analiza statystyczna.</td>
<td>Trening modeli, walidacja. Predefiniowany plan ablacji, testy stabilności. Korekty na wielokrotne porównania (np. kontrola FDR Benjamini–Hochberg).</td>
<td>Praca nad dowodem. Implementacja algorytmu testującego teorię.</td>
<td>Podwójny, niezależny screening z oceną zgodności (np. współczynnik κ (Cohena)). Ekstrakcja danych. Synteza, analiza heterogeniczności (I², τ²), biasu publikacyjnego (test Eggera), przedziały predykcji.</td>
<td><strong>Asystent analityka:</strong> Pisanie i <em>debugowanie</em> skryptów, generowanie wizualizacji <em>do weryfikacji</em>. <strong>Ważne:</strong> decyzje o włączeniu/wyłączeniu w przeglądzie podejmuje wyłącznie człowiek.</td>
</tr>
<tr>
<td><strong>5. Interpretacja i Synteza</strong></td>
<td>Odpowiedź na pytanie „i co z tego?”. Co wyniki oznaczają, jakie są ich implikacje i ograniczenia?</td>
<td>Analiza wyników w kontekście hipotezy. Dyskusja ograniczeń, zagrożeń dla trafności (patrz niżej) i przyszłych kierunków badań.</td>
<td>Zrozumienie implikacji dowodu. Jakie nowe pytania otwiera?</td>
<td>Synteza jakościowa i ilościowa (np. z użyciem korekty Hartung–Knapp), ocena pewności dowodów (np. GRADE, GRADE‑CERQual).</td>
<td><strong>Krytyczny sparing partner:</strong> Proponowanie alternatywnych wyjaśnień wyników, pomoc w identyfikacji słabych punktów w argumentacji.</td>
</tr>
<tr>
<td><strong>6. Komunikacja Wyników (Pisanie)</strong></td>
<td>Ubranie wyników w formę artykułu zgodnie ze standardami raportowania (np. IMRaD).</td>
<td>Pisanie wg struktury IMRaD i odpowiednich rozszerzeń standardów (np. CONSORT‑AI, MI‑CLAIM). Sekcja „Ograniczenia”.</td>
<td>Struktura elastyczna (definicje, lematy, dowód, wnioski). Kluczowa jest precyzja i spójność.</td>
<td>Pisanie wg standardów PRISMA 2020 i PRISMA‑S. Dołączenie diagramu przepływu PRISMA 2020 i checklisty.</td>
<td><strong>Asystent pisania:</strong> Korekta językowa, parafrazowanie, formatowanie bibliografii, generowanie <em>szkicu</em> abstraktu.</td>
</tr>
<tr>
<td><strong>7. Udostępnianie i Archiwizacja</strong></td>
<td>Zapewnienie replikowalności i transparentności. <em>Science is a conversation</em>.</td>
<td><code>Data/Code Availability Statement</code>. Publikacja kodu, danych i środowiska (repozytorium + DOI, z jawną licencją, np. MIT/BSD‑3 dla kodu; CC BY 4.0 dla danych).</td>
<td>Archiwizacja dowodu na platformach typu arXiv.</td>
<td>Udostępnienie formularzy ekstrakcji, danych i skryptów analitycznych.</td>
<td>Pomoc w przygotowaniu dokumentacji kodu (<code>README.md</code>). Archiwizacja promptów (w tym systemowego), ustawień (temperatura, top_p, seed) i wersji modelu.</td>
</tr>
</tbody>
</table>
</div>
<h3>Kluczowe aspekty rzetelności badawczej</h3>
<p>Framework to jedno, ale prawdziwa rzetelność kryje się w detalach.</p>
<h4>Zagrożenia dla trafności wniosków</h4>
<p>Każde badanie jest obarczone ryzykiem błędu. Świadomość tych zagrożeń to oznaka dojrzałości badawczej. Zawsze warto zadać sobie pytania o cztery rodzaje trafności:</p>
<ul>
<li><strong>Wewnętrzna:</strong> Czy zaobserwowany efekt jest rzeczywiście spowodowany naszą interwencją, a nie innym czynnikiem?</li>
<li><strong>Zewnętrzna:</strong> Czy wyniki można uogólnić na inne populacje, konteksty lub czasy?</li>
<li><strong>Konstruktu:</strong> Czy nasze narzędzia pomiarowe faktycznie mierzą to, co chcemy mierzyć?</li>
<li><strong>Statystyczna:</strong> Czy wnioski statystyczne są poprawne (np. czy mieliśmy wystarczającą moc, czy poprawnie obsłużyliśmy testowanie wielokrotne)?</li>
</ul>
<h4>Rola AI: Narzędzie, nie autorytet</h4>
<p>Duże modele językowe to potężne akceleratory, ale ich użycie wymaga dyscypliny. Ryzyka, takie jak halucynacje i utrwalanie biasów, są dobrze udokumentowane (patrz Bibliografia: Weidinger et al., 2021). W moim zespole LLM‑y pełnią rolę asystenta i partnera do krytycznego sparingu. Wspierają brainstorming, porządkowanie literatury i szkicowanie kodu, ale <strong>każdy wynik i sugestia są weryfikowane przez człowieka</strong>: testami, replikacją i przeglądem źródeł. Traktujemy je jako narzędzia zwiększające produktywność, nie jako wyrocznie.</p>
<blockquote><p><em>Przykład deklaracji udziału AI:</em></p>
<p>W przygotowaniu manuskryptu wykorzystano duży model językowy (GPT‑4, wersja z sierpnia 2025 r.) do wsparcia następujących zadań: (1) korekta stylistyczna, (2) generowanie szkiców kodu R. Wszystkie wygenerowane fragmenty zostały ręcznie zweryfikowane i zrefaktoryzowane przez autorów. Model nie brał udziału w analizie danych, formułowaniu wniosków ani podejmowaniu decyzji o włączeniu/wyłączeniu badań w przeglądzie systematycznym. Użyte prompty, w tym prompt systemowy, oraz kluczowe parametry (temperatura=0.5, top_p=1.0) zostały zarchiwizowane w repozytorium projektu.</p></blockquote>
<h3>Checklista i kultura otwartości</h3>
<p>Ten framework to żywy dokument. Na koniec każdego projektu warto jednak przeprowadzić prosty test rzetelności. Poniższa checklista, choć niewyczerpująca, pomaga utrzymać wysoki standard i wpisuje się w postępującą zmianę kultury naukowej w kierunku pełnej transparentności, której przejawem są m.in. formaty <em>Registered Reports</em>.</p>
<ol>
<li><strong>Transparentność:</strong> Czy istnieje prerejestracja lub publiczny protokół? Gdzie?</li>
<li><strong>Replikowalność:</strong> Czy kod, dane, środowisko i ziarna losowe są udostępnione (repozytorium + DOI, licencja, instrukcja)?</li>
<li><strong>Rzetelność statystyczna:</strong> Czy metryki są podane wraz z miarami niepewności (np. przedziały ufności/wiarygodności)? Czy przeprowadzono analizy czułości?</li>
<li><strong>Samokrytyka:</strong> Czy praca zawiera jawną sekcję „Zagrożenia dla trafności” i/lub „Ograniczenia”?</li>
<li><strong>Odpowiedzialność za narzędzia:</strong> Czy jasno opisano udział AI i sposoby jego weryfikacji?</li>
</ol>
<hr />
<h3>Bibliografia i dalsze lektury</h3>
<ol>
<li>Cham, J., &amp; Whiteson, D. (2017). <em>Nie mamy pojęcia. Przewodnik po nieznanym wszechświecie</em>. Insignis Media.</li>
<li>Weidinger, L., Mellor, J., Rauh, M., Griffin, C., Uesato, J., Huang, P.-S., &#8230; &amp; Gabriel, I. (2021). <em>Ethical and social risks of harm from Language Models</em>. <em>arXiv</em>. <a href="https://doi.org/10.48550/arXiv.2112.04359" target="_blank" rel="noopener">https://doi.org/10.48550/arXiv.2112.04359</a></li>
<li>Willis, L. D. (2023). Formulating the Research Question and Framing the Hypothesis (FINER, PICO). <a href="https://pubmed.ncbi.nlm.nih.gov/37041024/" target="_blank" rel="noopener">PubMed</a></li>
<li>Mark Xu (2022). How to do theoretical research, a personal perspective. <a href="https://www.lesswrong.com/posts/zbFGRRWPwxBwjwknY/how-to-do-theoretical-research-a-personal-perspective-1" target="_blank" rel="noopener">LessWrong</a></li>
<li>Cory-Wright, R., Cornelio, C., Dash, S., El Khadir, B., … Horesh, L. (2024). Evolving scientific discovery by unifying data and background knowledge with AI Hilbert. <a href="https://www.nature.com/articles/s41467-024-50074-w" target="_blank" rel="noopener">Nature Communications</a></li>
<li>What is the difference between research methods, research methodology and research approach? <a href="https://www.quora.com/What-is-the-difference-between-research-methods-research-methodology-and-research-approach" target="_blank" rel="noopener">Quora (Q&amp;A)</a></li>
<li>Nikola Balić (2025). AI Ate Its Own Tail, and I Learned Something About Writing. <a href="https://www.nibzard.com/ai-ate-its-tail/" target="_blank" rel="noopener">nibzard.com (blog)</a></li>
<li>Robort Gabriel (2025). AI Tools for Productivity: Boost Workflow &amp; Output. <a href="https://dev.to/coding180/ai-tools-for-productivity-boost-workflow-output-3c83" target="_blank" rel="noopener">DEV Community</a></li>
<li>hashcollision (Substack). Merging with AI. <a href="https://hashcollision.substack.com/p/merging-with-ai" target="_blank" rel="noopener">Substack (esej)</a></li>
<li>Jakie są rodzaje badań naukowych? <a href="https://poland.cochrane.org/news/teoria" target="_blank" rel="noopener">Cochrane</a></li>
</ol>
<p><em>Uwaga:</em> pozycje z blogów/QA traktuj jako inspiracje i komentarze, a nie źródła dowodowe. „Twarde” twierdzenia w tekście naukowym lepiej jest popierać literaturą metodologiczną/recenzowaną.</p>
</div>
]]></content:encoded>
					
					<wfw:commentRss>https://profind.pl/2025/09/20/anatomia-procesu-badawczego-praktyczny-framework-dla-rzetelnej-nauki/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
	</channel>
</rss>
