Konferencja naukowa

Opisy wystąpień i prelegentów:

Sztuczna inteligencja w badaniach empirycznych i analizie danych: od przygotowania zbiorów po wnioskowanie – możliwości, korzyści i zagrożenia
Prof. dr hab. inż. Aleksander Astel, Zakład Chemii i Toksykologii Środowiska, Katedra Nauk o Ziemi i Środowisku, Instytut Geografii,
Uniwersytet Pomorski w Słupsku

Co dane mówią o mowie? Statystyczne spojrzenie na badania logopedyczne.na przykładzie pracy doktorskiej
Dr Marlena Białecka

Czy AI rozumie beton? Wykorzystanie modeli uczenia maszynowego do identyfikacji mechanizmów transportu w betonach z kruszywem z recyklingu
Dr inż. Maja Kępniak, Instytut Inżynierii Budowlanej, Wydział Inżynierii Lądowej, Politechnika Warszawska

Jak ułatwić studentom naukę statystyki? Nowe rozwiązanie StatSoft wpierające proces dydaktyczny
Dr Janusz Wątroba, StatSoft

Sztuczna inteligencja w pracy naukowej: jak generatywna AI zmienia sposób prowadzenia badań i rolę badacza
Dr Grzegorz Migut, StatSoft; Wydział Informatyki, Akademia Górniczo-Hutnicza w Krakowie

Małe RNA, duże decyzje: od danych molekularnych do wiarygodnych klasyfikatorów w hematoonkologii
Dr Damian Mikulski, Wydział Lekarski, Uniwersytet Medyczny w Łodzi

Hierarchiczny model mieszany i jego zastosowania
Dr Janusz Wątroba, StatSoft

Artykuły dotyczące wystąpień:

O poprawnym stosowaniu statystyki w rozprawach doktorskich – spojrzenie naukowca.

Prof. dr hab. inż. Aleksander Astel, Zakład Chemii i Toksykologii Środowiska, Katedra Nauk o Ziemi i Środowisku, Instytut Geografii, Uniwersytet Pomorski w Słupsku

Meta‑świat statystyki: meta‑analiza, meta‑regresja i meta‑SEM w badaniach społecznych.
prof. dr hab. Adam Sagan, Uniwersytet Ekonomiczny w Krakowie

Co ptaki mogą nam powiedzieć o zanieczyszczeniu środowiska? Analiza statystyczna danych środowiskowych.
dr hab. Łukasz J. Binkowski, prof. UKEN, Uniwersytet Komisji Edukacji Narodowej w Krakowie

Praktyczne i teoretyczne wyzwania badań klinicznych okiem biostatystyka.
mgr Adrian Olszewski, 2KMM Sp. z o.o.

Prof. dr hab. inż. Aleksander Astel,
Zakład Chemii i Toksykologii Środowiska, Katedra Nauk o Ziemi i Środowisku, Instytut Geografii,
Uniwersytet Pomorski w Słupsku

Specjalizuje się w zastosowaniu metod chemometrycznych (metody czynnikowe, grupowanie bez i z nadzorem, modele regresyjne i receptorowe) w eksploracji baz danych uzyskanych z monitoringu środowiskowego, analiz toksykologicznych i oznaczania mikroplastików w próbkach biotycznych i abiotycznych. W ostatnich latach zainteresowania dotyczą również detekcji cech i przetwarzania obrazu w zastosowaniach we współrzędnościowych maszynach pomiarowych z wykorzystaniem algorytmów klasycznych i sieci neuronowych. Współpracuje z StatSoft od 2004 roku. Prowadzi szkolenia: Analizy chemometryczne w Statistica – kurs podstawowy i Analizy chemometryczne w Statistica – kurs zaawansowany. Realizował granty naukowe „Optymalizacja chemometrycznych technik eksploracji i modelowania wyników z monitoringu chemicznych zanieczyszczeń wybranych komponentów środowiska”, „Hydroekologiczne uwarunkowania funkcjonowania ekosystemów jezior przybrzeżnych południowego Bałtyku” i „Wpływ wylesień spowodowanych klęską ekologiczną na zróżnicowanie przestrzenne i zmiany chemizmu wód źródlanych i powierzchniowych w Beskidzie Śląskim”. Autor blisko 100 publikacji w czasopismach indeksowanych w bazie Scopus. Profesor, Zakład Chemii i Toksykologii Środowiska, Uniwersytet Pomorski w Słupsku, oraz inżynier w obszarze analizy danych w Carl Zeiss IQS Software R&D Center.

Sztuczna inteligencja w badaniach empirycznych i analizie danych: od przygotowania zbiorów po wnioskowanie – możliwości, korzyści i zagrożenia

W ostatnich latach wykorzystanie metod sztucznej inteligencji (AI – Artificial Inteligence) redefiniuje obszar badań empirycznych i wielowymiarowej analizy danych. Wystąpienie dotyczy problemu ograniczeń tradycyjnych metod statystycznych w szybkim i precyzyjnym przetwarzaniu ogromnych zbiorów informacji. W oparciu o szereg przykładów z zakresu nauk o środowisku (np. monitorowanie zmian pokrywy terenu i wylesiania, predykcja i modelowanie zanieczyszczenia powietrza, ochrona upraw i rolnictwo precyzyjne) przedstawiono możliwości kompleksowego wykorzystania technik AI na poszczególnych etapach cyklu analitycznego, od wstępnego przygotowania i eksploracji danych po ostateczną syntezę wyników. W omawianych przykładach wykorzystano metodologię polegającą na automatyzacji zadań powtarzalnych oraz eksploracyjnym poszukiwaniu ukrytych relacji w danych z użyciem zautomatyzowanego uczenia maszynowego. Uzyskiwane wyniki wskazują, że proponowane podejście znacząco zwiększa efektywność pracy, co przekłada się na redukcję czasu potrzebnego na opracowanie danych nierzadko o ponad 50%. Wnioski z analizy przykładów dowodzą, iż implementacja rozwiązań AI niesie za sobą wymierne korzyści, jednocześnie stawiając nowe wyzwania z zakresu braku przejrzystości algorytmów (tzw. czarnej skrzynki), ryzyka powielania nieprawdziwych informacji oraz ochrony danych wrażliwych.

 

Więcej streszczeń >>>

Dr Marlena Białecka

Dr Marlena Białecka – neurologopeda, pedagog specjalny, terapeuta metody A. Tomatisa. Jej zainteresowania naukowe obejmują deficyty mowy o podłożu neurologicznym, zwłaszcza w aspekcie jej rozumienia. Autorka monografii „Percepcja i rozumienie mowy u osób z głębszą niepełnosprawnością intelektualną”.

Co dane mówią o mowie? Statystyczne spojrzenie na badania logopedyczne

Logopedia jest nauką autonomiczną i w związku z tym posiada: przedmiot badań wraz z refleksją naukową, hierarchię celów i określone procedury badawcze i narzędzia sprawdzające ich skuteczność. Spełnienie przez logopedię wymienionych wcześniej warunków wiąże się z wyznaczonymi procedurami postępowania logopedycznego, które określają porządek działań: opis języka i zachowań językowych, interpretacja zaburzeń mowy w kategoriach heurystycznych, działanie o charakterze naprawczym, czyli prowadzenie terapii. Nie wypracowała ona jednak jeszcze własnych metod badawczych. Wykorzystuje osiągnięcia dyscyplin naukowych, z których się wywodzi, czyli pedagogiki, językoznawstwa, nauk medycznych (zwłaszcza foniatrii, neurologii, audiologii), psychologii. Z tego względu nie można traktować logopedii jako jednorodnego, w pełni scalonego systemu diagnostyczno-terapeutycznego, lecz należy ją postrzegać jako specyficzną naukę, która nie tyle dopasowuje się, co wykorzystuje swoją interdyscyplinarność do zindywidualizowanego podejścia do metodologii prowadzonych badań. Autorka zaprezentuje projekt własnych badań, w których widoczna jest ścisła korelacja logopedii z innymi dyscyplinami naukowymi, przy zachowaniu swoistej metodologii, języka i zakresu prowadzonych badań.

 

Więcej streszczeń >>>

Dr Janusz Wątroba
StatSoft

Dr Janusz Wątroba jest absolwentem Akademii Ekonomicznej w Krakowie (ekonometria i statystyka). Związany ze StatSoft Polska od początku działania firmy, obecnie zatrudniony na stanowisku dyrektora ds. dydaktyki i współpracy naukowej. Zajmuje się prowadzeniem szkoleń, warsztatów i prezentacji w zakresie zastosowań metod statystycznych (do tej pory przeprowadził ponad 1000 szkoleń dla uczestników z różnych dziedzin zastosowań analizy danych). Jest również analitykiem i konsultantem w tym obszarze. Od blisko 30 lat zajmuje się organizacją konferencji naukowych firmy StatSoft nt. „Zastosowania metod statystycznych i data mining w badaniach naukowych” oraz z ramienia StatSoft zajmuje się organizacją Konkursu na najlepszą pracę doktorską i magisterską przygotowaną z zastosowaniem narzędzi statystyki i analizy danych zawartych w programach z rodziny Statistica. Jest także pomysłodawcą, osobą odpowiedzialną za stronę merytoryczną oraz jednym z głównych prowadzących na studiach podyplomowych Elementy metodologii badań empirycznych w medycynie i zastosowania statystyki w badaniach biomedycznych, które firma Statsoft Polska organizuje od kilku lat wspólnie z Uniwersytetem Medycznych w Łodzi (do tej pory odbyło się 8 edycji studiów).

Prywatnie pasjonuje się bieganiem. Ukończył 7 maratonów oraz klikanaście półmaratonów.

Jak ułatwić studentom naukę statystyki? Nowe rozwiązanie StatSoft wpierające proces dydaktyczny

StatSoft Edu został zaprojektowany w celu wsparcia nauczania metod statystycznych na różnych kierunkach studiów. Rozwiązanie jest adresowane do wykładowców prowadzących zajęcia dydaktyczne i szkolenia warsztatowe, a także do studentów oraz uczestników kursów, którzy chcą uczyć się statystyki w praktyczny, uporządkowany sposób. Zestaw pozwala płynnie realizować zajęcia krok po kroku, zgodnie z logicznie zaplanowaną ścieżką pracy, dzięki czemu uczestnicy przechodzą przez cały proces analizy statystycznej w sposób spójny i zrozumiały — od przygotowania danych, przez dobór odpowiednich metod, aż po interpretację wyników. Dzięki uporządkowanej strukturze i jasno poprowadzonej sekwencji działań StatSoft Edu ułatwia organizację pracy na zajęciach, ogranicza liczbę błędów oraz zmniejsza czas poświęcany na kwestie techniczne, pozwalając skupić się na rozumieniu metod i wyciąganiu wniosków. W efekcie wspiera nauczanie w formule praktycznej, zwiększa samodzielność uczestników i poprawia efektywność pracy w trakcie zajęć. Moduł będzie dostępny w wersji polskiej i angielskiej co umożliwi poszerzenie zakresu jego zastosowania.

W trakcie prezentacji zostaną zaprezentowane moduły wspierający zastosowanie metod statystyki opisowej oraz metod wnioskowania statystycznego.

 

Więcej streszczeń >>>

Dr inż. Maja Kępniak
Instytut Inżynierii Budowlanej, Wydział Inżynierii Lądowej
Politechnika WarszawskaDr inż. Maja Kępniak jest pracownikiem naukowo-dydaktycznym na Wydziale Inżynierii Lądowej Politechniki Warszawskiej.  Od 12 lat zajmuje się zrównoważoną technologią betonu, obejmującą ograniczanie śladu węglowego oraz zagospodarowanie odpadów. Jest autorką i współautorką ponad 50 publikacji naukowych i kierownikiem zespołu badawczego Closed Cycle Composites 4 Climate. Zainteresowania naukowe: zrównoważone materiały budowlane, gospodarowanie odpadami w budownictwie, optymalizacja materiałowa, ESG w budownictwie i analizy statystyczne.

Czy AI rozumie beton? Wykorzystanie modeli uczenia maszynowego do identyfikacji mechanizmów transportu w betonach z kruszywem z recyklingu

Beton jest materiałem kompozytowym o silnie heterogenicznej mikrostrukturze. Losowe rozmieszczenie ziaren kruszywa, porów oraz stref przejściowych między zaczynem cementowym i kruszywem (ITZ) powoduje, że procesy transportu mediów zachodzące w jego wnętrzu mają złożony i nieliniowy charakter. Identyfikacja parametrów decydujących o trwałości materiału wymaga zatem połączenia badań eksperymentalnych, metod statystycznych, modelowania numerycznego oraz analizy danych.

Przedstawione wyniki badań dotyczą betonu zawierającego drobne kruszywo z recyklingu. Opracowany model mikrostruktury materiału, uwzględniający matrycę cementową, kruszywo naturalne, kruszywo z recyklingu oraz strefy przejściowe ITZ, posłużył do wygenerowania obszernego zbioru danych opisujących zjawiska transportowe. Następnie wykorzystano modele uczenia maszynowego do identyfikacji czynników odpowiedzialnych za przebieg transportu mediów w materiale.

Uzyskane wyniki wskazują, że metody sztucznej inteligencji bardzo dobrze odwzorowują zależności występujące w materiałach o losowej strukturze oraz umożliwiają identyfikację czynników dominujących w kształtowaniu właściwości transportowych. Analiza wykazała, że kluczową rolę odgrywa strefa przejściowa ITZ, której wpływ jest większy niż sam udział kruszywa z recyklingu.

Przykład ten pokazuje jednocześnie, że sztuczna inteligencja nie zastępuje metody naukowej. Wiarygodność modeli AI zależy od jakości danych eksperymentalnych, poprawności planowania badań oraz walidacji uzyskanych wyników. Największy potencjał sztucznej inteligencji ujawnia się jako narzędzia wspomagające interpretację złożonych zjawisk fizycznych, formułowanie nowych hipotez badawczych oraz projektowanie kolejnych eksperymentów.

 

Więcej streszczeń >>>

Dr Grzegorz Migut
StatSoft,
Wydział Informatyki, Akademia Górniczo-Hutnicza w Krakowie
Dr Grzegorz Migut pełni funkcję Dyrektora Działu Technicznego w StatSoft Polska. Jest również wykładowcą na Wydziale Informatyki Akademii Górniczo-Hutniczej w Krakowie oraz prowadzi szkolenia i zajęcia poświęcone zastosowaniom metod analizy danych, uczenia maszynowego i data science.Posiada ponad 20-letnie doświadczenie w analityce danych, uczeniu maszynowym oraz projektowaniu rozwiązań analitycznych wspierających podejmowanie decyzji. Realizował i kierował projektami z zakresu analizy danych, modelowania predykcyjnego i data mining dla największych polskich firm, w szczególności z branży finansowej i przemysłowej. Posiada również doświadczenie w realizacji projektów z obszaru badań medycznych i przyrodniczych.Prowadzi konsultacje z zakresu wykorzystania zaawansowanych metod analizy danych oraz praktycznych zastosowań narzędzi analitycznych. Jest autorem książki „Tworzenie skutecznych modeli Data Mining na przykładzie prognozowania migracji klientów” oraz publikacji dotyczących praktycznych zastosowań analityki danych i uczenia maszynowego.

Sztuczna inteligencja w pracy naukowej: jak generatywna AI zmienia sposób prowadzenia badań i rolę badacza

Wystąpienie przedstawia, w jaki sposób generatywna sztuczna inteligencja zaczyna zmieniać kolejne etapy procesu badawczego – od wyszukiwania literatury i formułowania pomysłów, przez analizę danych i przygotowanie kodu, aż po interpretację wyników, pisanie publikacji i proces recenzowania.

Na podstawie wyników najnowszych badań pokazane zostanie, w których obszarach AI może rzeczywiście zwiększać produktywność i rozszerzać możliwości naukowca, a gdzie nadal ujawniają się istotne ograniczenia związane m.in. z wiarygodnością informacji, oceną źródeł i realizacją pomysłów badawczych. Szczególna uwaga zostanie poświęcona zmianie roli naukowca – od osoby samodzielnie wykonującej kolejne czynności w kierunku badacza pracującego w ciągłej interakcji z AI, którego zadaniem staje się coraz częściej definiowanie problemu, krytyczna ocena rezultatów i nadzorowanie procesu.

Omówione zostaną również mniej oczywiste konsekwencje tej zmiany, dotyczące poczucia autorstwa, sprawczości, odpowiedzialności oraz ryzyka stopniowego osłabiania kompetencji wskutek nadmiernego delegowania pracy intelektualnej.

 

Więcej streszczeń >>>

Dr Damian Mikulski
Wydział Lekarski, Uniwersytet Medyczny w Łodzi
Dr Damian Mikulski jest lekarzem hematologiem i naukowcem. Pracuje w Zakładzie Biostatystyki i Medycyny Translacyjnej Uniwersytetu Medycznego w Łodzi. Jego zainteresowania naukowe obejmują zastosowanie biostatystyki i metod data science w hematoonkologii, ze szczególnym uwzględnieniem biomarkerów, szpiczaka plazmocytowego oraz transplantacji krwiotwórczych komórek macierzystych. W 2025 roku odbył staż naukowy w MD Anderson Cancer Center w Houston w ramach stypendium programu im. prof. Franciszka Walczaka Narodowej Agencji Wymiany Akademickiej. Jest laureatem grantu PRELUDIUM 21 Narodowego Centrum Nauki oraz VII edycji Grantu Naukowego Fundacji DKMS. Jest autorem i współautorem publikacji m.in. w „The Lancet Oncology”, „Blood” i „Biomarker Research”. Uczestniczy w badaniach klinicznych i niekomercyjnych projektach naukowych oraz współpracuje z Polskim Konsorcjum Szpiczakowym, Polską Grupą ds. Leczenia Białaczek u Dorosłych i Polską Grupą Badawczą Chłoniaków. W swojej działalności łączy praktykę kliniczną z analizą danych i badaniami translacyjnymi.

Małe RNA, duże decyzje: od danych molekularnych do wiarygodnych klasyfikatorów w hematoonkologii

Podczas wystąpienia przedstawiona zostanie droga od zdefiniowania pytania klinicznego i punktu końcowego, przez przygotowanie danych, identyfikację kandydatów na biomarkery i selekcję cech, aż do budowy oraz walidacji modelu klasyfikacyjnego. Poszczególne etapy zostaną omówione na przykładach własnych prospektywnych badań nad wolno krążącymi miRNA u pacjentów z nowotworami hematologicznymi poddawanych autologicznemu przeszczepieniu krwiotwórczych komórek macierzystych. Badania te obejmowały opracowanie modeli służących do predykcji skuteczności mobilizacji komórek macierzystych, bakteriemii i innych powikłań potransplantacyjnych, odpowiedzi na leczenie i rokowania. Zestawienie różnych problemów klinicznych pozwoli pokazać, jak definicja punktu końcowego, moment pobrania próbki, sposób selekcji zmiennych oraz schemat walidacji wpływają na otrzymane wyniki i ich interpretację.

Omówione zostaną między innymi  regresja logistyczna i sieci neuronowe, a także potencjalne problemy metodologiczne, takie jak ograniczona liczebność próby w stosunku do liczby predyktorów, przeuczenie modelu czy niezbalansowanie klas. Celem wykładu będzie pokazanie, że o wartości klasyfikatora decyduje nie złożoność algorytmu, lecz jakość projektu badania, poprawna walidacja oraz powiązanie wyniku modelu z konkretną decyzją kliniczną.

 

Więcej streszczeń >>>

Dr Janusz Wątroba
StatSoft

Dr Janusz Wątroba jest absolwentem Akademii Ekonomicznej w Krakowie (ekonometria i statystyka). Związany ze StatSoft Polska od początku działania firmy, obecnie zatrudniony na stanowisku dyrektora ds. dydaktyki i współpracy naukowej. Zajmuje się prowadzeniem szkoleń, warsztatów i prezentacji w zakresie zastosowań metod statystycznych (do tej pory przeprowadził ponad 1000 szkoleń dla uczestników z różnych dziedzin zastosowań analizy danych). Jest również analitykiem i konsultantem w tym obszarze. Od blisko 30 lat zajmuje się organizacją konferencji naukowych firmy StatSoft nt. „Zastosowania metod statystycznych i data mining w badaniach naukowych” oraz z ramienia StatSoft zajmuje się organizacją Konkursu na najlepszą pracę doktorską i magisterską przygotowaną z zastosowaniem narzędzi statystyki i analizy danych zawartych w programach z rodziny Statistica. Jest także pomysłodawcą, osobą odpowiedzialną za stronę merytoryczną oraz jednym z głównych prowadzących na studiach podyplomowych Elementy metodologii badań empirycznych w medycynie i zastosowania statystyki w badaniach biomedycznych, które firma Statsoft Polska organizuje od kilku lat wspólnie z Uniwersytetem Medycznych w Łodzi (do tej pory odbyło się 8 edycji studiów).

Prywatnie pasjonuje się bieganiem. Ukończył 7 maratonów oraz klikanaście półmaratonów.

Hierarchiczny model mieszany i jego zastosowania

Jednym z kluczowych założeń modeli liniowych jest niezależność obserwacji (pomiarów). Założenie to nie jest spełnione w przypadku pomiarów dokonywanych wielokrotnie na tych samych jednostkach (pomiary powtarzane) oraz w sytuacji, gdy jednostki tworzą strukturę hierarchiczną (zagnieżdżoną). W obydwu przypadkach należy zastosować tzw. hierarchiczne model mieszane, które w odróżnieniu od klasycznych modeli liniowych (np. model regresji liniowej czy modele analizy wariancji) dostarczają dokładniejsze oceny badanych efektów, zwiększają moc statystyczną oraz nie powodują wzrostu błędów I rodzaju.

Modele te znajdują zastosowanie w różnych obszarach badań empirycznych, dlatego też w literaturze można spotkać się z różnymi nazwami, np. modele wielopoziomowe, modele mieszane, liniowe modele mieszane, modele z efektami losowymi, modele komponentów wariancyjnych czy modele split-plot.

Typowe przykłady zastosowań można znaleźć w badaniach pedagogicznych (gdy badane jednostki, np. uczniowie są zgrupowane w klasach a klasy w szkołach) czy też w badaniach medycznych (gdzie pacjenci mogą być leczeni na różnych oddziałach a oddziały są zlokalizowane w różnych szpitalach).

 

Więcej streszczeń >>>