RoBERTa-8k (Polish)<\/strong><\/td>\n| Transformer (RoBERTa)<\/td>\n | Klasyfikacja wielostronicowych ustaw i pe\u0142nych sprawozda\u0144 z komisji.<\/td>\n | 8192 token\u00f3w<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/figure>\nDlaczego kolejne, lepsze generacje modeli AI nie ulecz\u0105 naszej demokracji?<\/h2>\nZderzenie akademickich teorii socjologicznych Habermasa z twardymi osi\u0105gni\u0119ciami polskiego in\u017cynierstwa Data Science (KDP, HerBERT) oraz z praktykami cenzorskimi platform spo\u0142eczno\u015bciowych (Big Tech) ukazuje fundamentalny, nierozwi\u0105zany dot\u0105d konflikt w nowoczesnych pa\u0144stwach demokratycznych.<\/p>\n G\u0142\u00f3wnym paradygmatem korporacji Doliny Krzemowej jest twierdzenie, \u017ce ich modele AI do moderacji politycznej zachowuj\u0105 neutralno\u015b\u0107 \u015bwiatopogl\u0105dow\u0105. Opieraj\u0105c si\u0119 na przeanalizowanych tekstach \u017ar\u00f3d\u0142owych oraz badaniach ze Stanfordu (Hall et al., 2025), zdecydowanie odrzucamy to stanowisko. Model uczenia maszynowego nie dzia\u0142a w aksjologicznej pr\u00f3\u017cni. Skrzywienia modelu wynikaj\u0105 z faktu, \u017ce tzw. uczenie nadzorowane i nagradzanie modeli ludzk\u0105 informacj\u0105 zwrotn\u0105 (RLHF) przeprowadzane jest przez osoby o zdefiniowanych preferencjach (przewa\u017cnie liberalnych \u015brodowisk technologicznych), co wymusza na maszynach tzw. \u201ekonsensus wyr\u00f3wnuj\u0105cy\u201d (equity-consensus bias). Jak ujawni\u0142y badania nad dynamik\u0105 wirtualnych debat modeli, konserwatywne modele ust\u0119puj\u0105 przed lewicowymi, poniewa\u017c \u201epostawa neutralna\u201d w uj\u0119ciu deweloper\u00f3w le\u017cy bli\u017cej lewej strony spektrum politycznego.<\/p>\n Por\u00f3wnuj\u0105c infrastruktur\u0119 polskiego \u015brodowiska akademickiego z architektur\u0105 algorytm\u00f3w na Twitterze czy Facebooku, uderza ca\u0142kowicie odmienna filozofia transparentno\u015bci. Tw\u00f3rcy Korpusu Dyskursu Parlamentarnego zbudowali swoj\u0105 aplikacj\u0119 na fundamentach otwartej nauki. Ka\u017cdy tag nadany s\u0142owu mo\u017ce by\u0107 zweryfikowany; ka\u017cdy skrypt udost\u0119pniony jest badaczowi do wgl\u0105du (Ogrodniczuk, 2018). Obywatelskie portale jak Sejmometr nie oceniaj\u0105 polityka, ale dostarczaj\u0105 obywatelowi zestaw surowych danych statystycznych. Tymczasem sieci spo\u0142eczno\u015bciowe stosuj\u0105 prywatne modele typu \u201eblack-box\u201d. Nie wiemy, jakie wagi decyzyjne stoj\u0105 za redukcj\u0105 zasi\u0119g\u00f3w (shadowban). Oznacza to urzeczywistnienie najgorszych koszmar\u00f3w klasycznej teorii sfery publicznej (Habermas, 2022): sprywatyzowanie miejsca publicznej deliberacji, w kt\u00f3rym niewyja\u015bnialne algorytmy steruj\u0105 przep\u0142ywem opinii, podbijaj\u0105c afektywn\u0105 polaryzacj\u0119 zdiagnozowan\u0105 w badaniach \u015brodowiska Uniwersytetu SWPS. Zautomatyzowana prewencyjna moderacja bez podania matematycznej przyczyny narusza liter\u0119 wolno\u015bci wypowiedzi konstytucyjnej (Kosiorowski, 2019).<\/p>\n Uwa\u017camy zatem, \u017ce techno-optymizm zak\u0142adaj\u0105cy, i\u017c udoskonalenie modeli j\u0119zykowych samoistnie usunie z debaty publicznej hejt i fa\u0142sz, jest za\u0142o\u017ceniem zbyt idealistycznym. Implementacja bardziej „zaawansowanych” modeli fact-checkingowych nie przywr\u00f3ci zaufania publicznego, poniewa\u017c obywatele intuicyjnie (i s\u0142usznie) buntuj\u0105 si\u0119 przeciwko arbitralnemu s\u0119dziowaniu maszyn. Rozwi\u0105zaniem polaryzacji nie jest delegowanie os\u0105du spo\u0142ecznego nowej iteracji LLM-a, lecz wprowadzenie odpowiednich ram prawnych, kt\u00f3re zapewni\u0105 transparentno\u015b\u0107 dzia\u0142ania algorytm\u00f3w.<\/p>\n Zastosowanie koncepcji Explainable AI (XAI) do audytu modeli NLP<\/h2>\nOdpowiedzi\u0105 na wyartyku\u0142owany kryzys braku zaufania do cenzuruj\u0105cych algorytm\u00f3w oraz poczucia politycznej alienacji jest systemowe wdro\u017cenie technik Wyja\u015bnialnej Sztucznej Inteligencji (Explainable AI – XAI). Badania interakcji cz\u0142owieka z komputerem dowodz\u0105 empirycznie, \u017ce gdy u\u017cytkownikowi prezentowany jest obok wyniku etykieta ze wska\u017anikami wyja\u015bniaj\u0105cymi logik\u0119 predykcji, zjawisko odrzucenia i polaryzacji znacznie maleje.<\/p>\n W domenie przetwarzania j\u0119zyka naturalnego kr\u00f3luj\u0105 metody takie jak LIME (Local Interpretable Model-Agnostic Explanations) i SHAP (SHapley Additive exPlanations). Metoda SHAP to wyrafinowana technika matematyczna oparta na kooperacyjnej teorii gier Shapleya. Pozwala ona wyliczy\u0107 wk\u0142ad (warto\u015b\u0107 Shapleya) ka\u017cdej pojedynczej cechy (np. okre\u015blonego tokena, wyrazu w dokumencie) w ostateczny wynik analizy sieci neuronowej.<\/p>\n Jako praktyczne rozwi\u0105zanie informatyczne, niweluj\u0105ce problem \u201eczarnej skrzynki\u201d dla polskiego obywatela korzystaj\u0105cego z portalu fact-checkingowego, proponujemy zintegrowanie metody SHAP z analizatorem HerBERT. Poni\u017cej zamieszczono demonstracyjny fragment kodu w j\u0119zyku Python, s\u0142u\u017c\u0105cy do oceny wypowiedzi polityk\u00f3w.<\/p>\n import torch\r\nimport transformers\r\nimport shap\r\nimport scipy as sp\r\nimport numpy as np\r\n\r\n# 1. Za\u0142adowanie polskiego modelu do analizy wyd\u017awi\u0119ku emocjonalnego\r\nMODEL_NAME = \"bardsai\/twitter-sentiment-pl-base\"\r\ntokenizer = transformers.AutoTokenizer.from_pretrained(MODEL_NAME)\r\nmodel = transformers.AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)\r\n\r\n# 2. Definicja pipeline'u\r\nnlp_pipeline = transformers.pipeline(\r\n \"sentiment-analysis\", \r\n model=model, \r\n tokenizer=tokenizer, \r\n return_all_scores=True \r\n)\r\n\r\n# 3. Funkcja f mapuj\u0105ca tekst na prawdopodobie\u0144stwa (wymagana przez SHAP)\r\ndef f(x):\r\n # Tokenizacja wej\u015bcia tekstowego i konwersja na tensory PyTorch\r\n inputs = tokenizer(x.tolist(), return_tensors=\"pt\", padding=True, truncation=True)\r\n with torch.no_grad():\r\n outputs = model(**inputs).logits\r\n # Konwersja logit\u00f3w na prawdopodobie\u0144stwa klas (0-1)\r\n scores = torch.nn.functional.softmax(outputs, dim=-1).cpu().numpy()\r\n return scores\r\n\r\n# 4. Inicjalizacja wyja\u015bniacza SHAP dla modeli tekstowych\r\nexplainer = shap.Explainer(f, tokenizer)\r\n\r\n# 5. Tekst do analizy\r\npolityczny_tweet = (\r\n \"Ustawa forsowana przez opozycj\u0119 to ca\u0142kowity absurd i zniszczy nasz\u0105 gospodark\u0119! \"\r\n \"Jedynie jeden punkt dotycz\u0105cy dofinansowa\u0144 okaza\u0142 si\u0119 umiarkowanie dobry.\"\r\n)\r\n\r\n# 6. Obliczenie warto\u015bci Shapleya (atrybucja cech)\r\nshap_values = explainer([polityczny_tweet])\r\n\r\n# 7. Wy\u015bwietlenie interaktywnej wizualizacji wp\u0142ywu s\u0142\u00f3w\r\nshap.plots.text(shap_values)<\/code><\/pre>\nWdro\u017cenie powy\u017cszej architektury nie tylko demaskuje uprzedzenia ukryte w modelach j\u0119zykowych, ale tak\u017ce wyhamowuje efekt mro\u017c\u0105cy (chilling effect) w spo\u0142ecze\u0144stwie. Obywatel, zamiast binarnej inwigilacji, otrzymuje pe\u0142noprawny, demokratyczny wgl\u0105d w regu\u0142y decyzyjne algorytmu. Tym samym technologia staje si\u0119 z powrotem s\u0142u\u017cebna wzgl\u0119dem debaty, a narz\u0119dzia Data Science zaczynaj\u0105 funkcjonowa\u0107 jak szk\u0142o powi\u0119kszaj\u0105ce dla sfery publicznej, chroni\u0105ce zarazem konstytucyjne warto\u015bci o wolno\u015bci s\u0142owa i przekazu.<\/p>\n Konkluzja<\/h2>\nAlgorytmizacja dyskursu politycznego sta\u0142a si\u0119 w trzeciej dekadzie XXI wieku nieodwracalnym faktem. Analiza wp\u0142ywu nowoczesnych narz\u0119dzi Data Science na sfer\u0119 publiczn\u0105 i etyk\u0119 u\u015bwiadamia dualn\u0105 natur\u0119 sztucznej inteligencji. Jak dowodz\u0105 koncepcje filozoficzne, infrastruktury pot\u0119\u017cnych podmiot\u00f3w technologicznych monetyzuj\u0105 uwag\u0119 spo\u0142ecze\u0144stw i eskaluj\u0105 polaryzacj\u0119, daj\u0105c u\u0142ud\u0119 wolno\u015bci podczas stosowania prewencyjnej cyfrowej cenzury. Modele oceniaj\u0105ce tre\u015bci potrafi\u0105 same wykazywa\u0107 skrzywienia ideologiczne, a ich zamkni\u0119ty w \u201eczarnej skrzynce\u201d charakter budzi zrozumia\u0142y op\u00f3r obywateli broni\u0105cych wolno\u015bci opinii.<\/p>\n Mimo to, otwarte rozwi\u0105zania technologiczne budowane m.in. przez polskie instytucje udowadniaj\u0105, \u017ce technologia mo\u017ce sprzyja\u0107 transparentno\u015bci. Monstrualny zbi\u00f3r wiedzy, jakim jest Korpus Dyskursu Parlamentarnego, uzbrojony we flagowe zdobycze dziedziny przetwarzania j\u0119zyka polskiego, takie jak struktury HerBERTa i modele zdolne przetwarza\u0107 gigantyczne dokumenty urz\u0119dowe, stanowi unikalne narz\u0119dzie badawcze do obiektywizacji faktograficznej i ochrony racjonalnego j\u0119zyka pa\u0144stwowego.<\/p>\n Z\u0142otym \u015brodkiem prowadz\u0105cym do idei \u201eMake Political Discourse Great Again\u201d jest wymuszenie legislacyjnego maria\u017cu modeli analitycznych z systemami Wyja\u015bnialnej Sztucznej Inteligencji, takimi jak biblioteki SHAP i LIME. Pozwoli to wyrwa\u0107 w\u0142adz\u0119 dyskrecjonalnej moderacji z r\u0105k niewidzialnych korporacyjnych weryfikator\u00f3w, przekazuj\u0105c narz\u0119dzia do zrozumienia \u015bwiata z powrotem w r\u0119ce samych obywateli, dla kt\u00f3rych i przez kt\u00f3rych polityka zosta\u0142a stworzona.<\/p>\n Literatura<\/h2>\n\n- Habermas, J. (2022). Ein neuer Strukturwandel der \u00d6ffentlichkeit und die deliberative Politik<\/em>. Suhrkamp Verlag.<\/li>\n
- Hall, A., Westwood, S., & Grimmer, J. (2025). Measuring Perceived Slant in Large Language Models Through User Evaluations<\/em>. Stanford Graduate School of Business Research Papers, 1-30.<\/li>\n
- Kosiorowski, Z. (2019). Piractwo internetowe a wolno\u015b\u0107 s\u0142owa i dost\u0119pu do tre\u015bci w internecie<\/em>. Media Management, 7(1), 29-44.<\/li>\n
- Ogrodniczuk, M. (2018). Polish Parliamentary Corpus<\/em>. Proceedings of the LREC 2018 Workshop ParlaCLARIN, 15\u201319.<\/li>\n
- Rybak, P., Mroczkowski, R., Tracz, J., & Gawlik, I. (2020). KLEJ: Comprehensive Benchmark for Polish Language Understanding<\/em>. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 1191\u20131201.<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"
W dobie post\u0119puj\u0105cej cyfryzacji sfery publicznej, dyskurs polityczny ulega gwa\u0142townej, nap\u0119dzanej algorytmicznie transformacji. Od zinstytucjonalizowanych debat parlamentarnych po zdecentralizowane dyskusje w mediach spo\u0142eczno\u015bciowych \u2013 ka\u017cda wypowied\u017a staje si\u0119 punktem danych, podatnym na masow\u0105 analiz\u0119, klasyfikacj\u0119 i cenzur\u0119. Niniejszy artyku\u0142 podejmuje krytyczn\u0105 ewaluacj\u0119 wp\u0142ywu narz\u0119dzi Przetwarzania J\u0119zyka Naturalnego (NLP) i sztucznej inteligencji (AI) na kszta\u0142towanie si\u0119 […]<\/p>\n","protected":false},"author":364,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[597],"tags":[610,609,563,339,15,50,43,279,256,213],"class_list":["post-9712","post","type-post","status-publish","format-standard","hentry","category-agh-2025-26","tag-bankainformacyjna","tag-polaryzacja","tag-polityka","tag-sztucznainteligencja","tag-ai","tag-cenzura","tag-data-science","tag-llm","tag-nlp","tag-xai"],"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/9712","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/users\/364"}],"replies":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/comments?post=9712"}],"version-history":[{"count":10,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/9712\/revisions"}],"predecessor-version":[{"id":9730,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/9712\/revisions\/9730"}],"wp:attachment":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/media?parent=9712"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/categories?post=9712"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/tags?post=9712"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
| ![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/06\/image.png\")
![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/06\/3785_07_01.png\")