Jak napisać pracę magisterską z informatyki prawniczej i LegalTech – poradnik

Informatyka prawnicza i LegalTech to jeden z niewielu kierunków, gdzie pisanie pracy magisterskiej przypomina balansowanie między dwoma równoległymi światami – prawem i technologią. Żaden z nich nie odpuszcza. Promotor z wydziału prawa będzie pytał o art. 22 RODO i luki w regulacji AI Act. Promotor z informatyki sprawdzi, czy twój model klasyfikacji klauzul abuzywnych ma sensowny F1-score i czy przeszedłeś przez proper cross-validation. Kiedy siedzisz między dwiema katedrami, musisz rozumieć obie strony na tyle głęboko, żeby nie wyjść na dyletanta przy żadnej z nich.

To jest jednocześnie największa trudność i największa zaleta tego kierunku. Rynek pracy nagradza osoby, które mówią językiem prawnika i językiem inżyniera w jednej rozmowie. Firmy budujące systemy compliance, kancelarie wdrażające AI do przeglądu umów, startupy rozwijające platformy ODR (Online Dispute Resolution) – wszyscy szukają kogoś, kto rozumie, że „automatyczna decyzja” to nie tylko problem algorytmiczny, ale też zobowiązanie wynikające z art. 22 RODO. Twoja praca magisterska może być pierwszym portfolio taką osoby.

Poniżej przeprowadzę cię przez cały proces: od wyboru tematu, przez metodologię, po obronę. Daję konkretne propozycje tematów z nazwami narzędzi, wskazuję realne pułapki i pokazuję, jak zbudować pracę, która nie będzie ani czysto prawniczym esejem, ani czysto technicznym raportem z eksperymentu.

Specyfika kierunku

Informatyka prawnicza jako dziedzina istnieje od lat 60. XX wieku (pierwsze systemy ekspertowe do prawa podatkowego w USA), ale LegalTech w dzisiejszym sensie to zjawisko ostatnich 10-15 lat. Żeby pisać o tym temat dobrze, musisz rozumieć, co faktycznie obejmuje ta dziedzina.

Smart contracts i blockchain prawny. Umowy samowykonujące się na sieci Ethereum to nie tylko temat technologiczny – rodzi pytania o to, czy require(msg.sender == buyer) to klauzula umowna w sensie KC, kto odpowiada za błąd w kodzie i jak egzekwować umowę, gdy kod zadziałał „poprawnie”, ale strony miały inne intencje. Tokenizacja aktywów (nieruchomości, obligacji, udziałów spółek) na blockchainie to obszar, gdzie ścierają się prawo papierów wartościowych, prawo rzeczowe i krypto-regulacja MiCA.

Legal AI i NLP. Tutaj mieści się największa część LegalTech: systemy do analizy umów (Kira Systems, Luminance, Loio), narzędzia e-discovery do przeszukiwania milionów dokumentów w postępowaniu arbitrażowym, chatboty prawne (ROSS oparty pierwotnie na Watson, dziś liczne GPT-4-based systemy) i analityka orzecznictwa. W Polsce to LEX AI od Wolters Kluwer. NLP na tekstach prawnych różni się od NLP na newsfeedzie – zdania są długie, terminologia precyzyjna, a błąd klasyfikatora może oznaczać przeoczenie klauzuli odpowiedzialności wartej miliony.

RegTech. Regulacyjna technologia to automatyzacja compliance – AML (Anti-Money Laundering), KYC (Know Your Customer), raportowanie ESG, monitoring transakcji. Po wprowadzeniu DORA (Digital Operational Resilience Act) i rosnących wymogach EBA, banki i instytucje finansowe inwestują setki milionów w systemy RegTech. To bardzo konkretny obszar do pracy magisterskiej, bo dane są dostępne (regulacje unijne są publiczne), a problemów badawczych jest mnóstwo.

Regulacja AI w prawie. EU AI Act (rozporządzenie 2024/1689, obowiązuje od sierpnia 2024, większość przepisów od 2026-2027) wprowadza klasyfikację systemów AI według ryzyka. Systemy używane do oceny wiarygodności kredytowej, ustalania ubezpieczeń, rekrutacji – „high risk”. Systemy AI wpływające na dostęp do wymiaru sprawiedliwości – also high risk. To jest materia prawna, która bezpośrednio dotyka systemów LegalTech. RODO art. 22 zakazuje podejmowania wyłącznie automatycznych decyzji, które istotnie wpływają na osobę – co to znaczy dla chatbota prawnego doradzającego w sprawie rozwodowej?

Bias w orzecznictwie. Badania w USA (COMPAS, ProPublica 2016) pokazały, że algorytmy przewidujące recydywę mają systematyczny bias rasowy. W Europie analogiczne pytania dotyczą systemów predykcji wyroku w arbitrażu lub systemów wspierających sędziów. To gorący temat z perspektywy zarówno technicznej (skąd bias, jak go mierzyć), jak i prawnej (dyskryminacja, prawo do sądu, uzasadnienie decyzji).

Wybór tematu

Temat pracy magisterskiej z LegalTech musi być wystarczająco wąski, żebyś mógł go zbadać w ciągu 12-18 miesięcy, i wystarczająco konkretny, żeby mieć mierzalne wyniki. Unikaj tematów w stylu „AI w prawie – szanse i zagrożenia” – to esej, nie praca magisterska.

Propozycje z konkretnymi narzędziami i pytaniami badawczymi:

1. Wykrywanie klauzul abuzywnych w umowach konsumenckich metodami NLP

Pytanie: czy model BERT/RoBERTa fine-tuned na polskich umowach konsumenckich wykrywa klauzule naruszające art. 3851 KC skuteczniej niż reguły oparte na słowach kluczowych?

Narzędzia: spaCy (pl_core_news_lg), HuggingFace Transformers (herbert-base-cased – polski BERT od Allegro), rejestr klauzul abuzywnych UOKiK jako dane treningowe (ponad 7000 wpisów, dostępny publicznie). Masz gotowy labeled dataset i mierzalny problem klasyfikacji binarnej.

2. Automatyzacja umów NDA – implementacja systemu template-to-contract

Pytanie: jak zbudować system, który z ustrukturyzowanych danych biznesowych generuje umowę NDA zgodną z prawem polskim i niemieckim, z oceną ryzyka prawnego poszczególnych klauzul?

Narzędzia: LangChain + GPT-4 do generowania treści, własny klasyfikator ryzyka (fine-tuning na zbiorze NDA z oznaczonymi ryzykownymi klauzulami), weryfikacja prawna przy użyciu reguł z orzecznictwa SN. Efektem jest działający prototyp – mocne demo na obronę.

3. E-discovery w arbitrażu handlowym – skuteczność modeli topic modeling

Pytanie: czy LDA i BERTopic różnią się skutecznością w wyszukiwaniu dokumentów relewantnych dla określonego żądania arbitrażowego na zbiorze anglojęzycznych dokumentów korporacyjnych?

Narzędzia: Gensim (LDA), BERTopic, ENRON email dataset (publicznie dostępny, 500K+ emaili, używany w postępowaniach sądowych). Aspekt prawny: standard „relevance” z Institutional Arbitration Rules (ICC, SCC), proportionality principle.

4. Analiza bias w predykcji wyroków sądowych

Pytanie: czy model predykcji wyniku sprawy cywilnej (wygrana/przegrana powoda) wykazuje systematyczny bias ze względu na wartość przedmiotu sporu lub rodzaj pełnomocnika (radca vs. adwokat vs. bez pełnomocnika)?

Narzędzia: orzeczenia SA dostępne przez system orzeczenia.ms.gov.pl (scraping + API), scikit-learn (gradient boosting), SHAP do wyjaśnialności. Aspekt prawny: prawo do sądu (art. 45 Konstytucji), zasada równości stron.

5. RegTech – automatyczna klasyfikacja transakcji podejrzanych zgodnie z rekomendacjami FATF

Pytanie: czy klasyfikator transakcji bankowych fine-tuned na 40 typologiach FATF osiąga akceptowalny recall przy ograniczeniu false positive poniżej 2%?

Narzędzia: syntetyczny dataset transakcji (PaySim – open source), XGBoost, isolation forest do anomaly detection. Aspekt prawny: ustawa AML z 2018 r. z nowelizacjami, wytyczne UKNF.

6. Chatbot prawny z obsługą pytań o prawa konsumenta

Pytanie: jak zbudować system RAG (Retrieval Augmented Generation) na bazie polskich ustaw konsumenckich, który nie halucynuje przepisów i wskazuje podstawę prawną każdej odpowiedzi?

Narzędzia: LangChain + GPT-4, embeddingi text-embedding-3-large, baza wektorowa Chroma lub Weaviate, dane: ustawa o prawach konsumenta + orzecznictwo TSUE. Aspekt prawny: zakaz nieautoryzowanego doradztwa prawnego (ustawa z 2015 r.), odpowiedzialność za błędne porady AI.

7. Tokenizacja aktywów – analiza prawna smart contractów ERC-3643

Jeśli wolisz mniejszy komponent techniczny, a bardziej dogłębną analizę prawną: ERC-3643 to standard tokenizacji regulowanych aktywów finansowych. Analiza porównawcza regulacji w Polsce (ustawa o obrocie instrumentami finansowymi), Niemczech (eWpG – ustawa o elektronicznych papierach wartościowych z 2021) i Luksemburgu jako hub regulacyjny.

Metodologia

Praca z LegalTech wymaga metodologii interdyscyplinarnej – i to jest coś, co musisz otwarcie opisać w rozdziale metodologicznym, bo recenzenci obu wydziałów będą to oceniać.

Analiza dogmatyczna prawa. To fundament każdej pracy na wydziale prawa. Musisz umieć wykładać przepisy (wykładnia językowa, systemowa, celowościowa), śledzić orzecznictwo TSUE i SN, cytować literaturę prawniczą zgodnie z zasadami obowiązującymi na twoim wydziale. Bez tego część prawna będzie słaba niezależnie od tego, jak dobry będzie twój model.

Badanie empiryczne z komponentem technicznym. Zależnie od tematu: implementacja prototypu (proof-of-concept), eksperymenty z modelami ML z podziałem na train/test/validation, ablation study (co usuję z pipeline i jak to wpływa na wyniki). Wyniki musisz raportować z metrykami – precision, recall, F1, AUC-ROC. To nie jest opcjonalne dla pracy z NLP.

Case study. Analiza konkretnego systemu LegalTech (np. Luminance w kancelarii Allen & Overy, ROSS w kancelarii Baker McKenzie przed zamknięciem, LEX AI w Polsce) – historia wdrożenia, wyniki, problemy prawne, lekcje. Wymaga często wywiadu lub desk research z raportów branżowych.

Analiza porównawcza regulacji. Standardowe w prawie. Dla LegalTech szczególnie ciekawe PL vs. UK (UK Financial Services and Markets Act 2023, podejście do AI w fintech po Brexicie) vs. USA (podejście sektorowe, brak kompleksowej regulacji AI do 2024) vs. EU (AI Act + RODO).

Wywiad z praktykami. Prawnik używający Luminance do due diligence w transakcji M&A to bezcenne źródło pierwotne. Zarząd startupu LegalTech to też. IRB (Institutional Review Board) na polskim wydziale prawa rzadko jest wymagany dla wywiadów biznesowych, ale sprawdź regulamin swojego wydziału.

Jak połączyć metodologie? Najlepsza struktura, którą widzę w pracach dyplomowych z LegalTech, to: dogmatyka prawa jako podstawa (część I pracy) + implementacja/eksperyment techniczny (część II) + ocena prawna wyników eksperymentu w świetle dogmatyki (część III). Część III jest tym, co odróżnia pracę interdyscyplinarną od zbioru dwóch odrębnych esejów spiętych okładką.

Ważna decyzja metodologiczna: czy twój model/prototyp działa na danych syntetycznych, publicznych czy prywatnych? Dane prywatne (dokumenty kancelarii, transakcje bankowe) dają lepszą pracę, ale wymagają umów o poufności, anonimizacji i zgód RODO. Zaplanuj to na samym początku, nie w połowie pisania.

Struktura pracy

Typowa praca magisterska z LegalTech liczy 80-120 stron (bez aneksów). Jak ją podzielić między prawo a informatykę zależy od wydziału, który jest „główny” – czyli gdzie składasz pracę i kto jest promotorem.

Wydział Prawa jako promotor główny:

• Rozdziały 1-2: dogmatyka prawa (regulacja AI, RODO, AI Act, prawo właściwe dla twojego tematu)
• Rozdział 3: analiza techniczna (opis systemu LegalTech, metodologia techniczna) – napisany językiem przystępnym dla prawnika
• Rozdział 4: wyniki i ocena prawna – tu piszesz, co wynika z eksperymentu i jak to się ma do norm prawnych
• Rozdział 5: wnioski i postulaty de lege ferenda

Wydział Informatyki jako promotor główny:

• Rozdział 1: kontekst prawny (krótki, 15-20 stron – tło, nie dogmatyka)
• Rozdziały 2-3: przegląd literatury technicznej, opis metod (architektura modelu, dane, metryki)
• Rozdział 4: implementacja i eksperymenty
• Rozdział 5: dyskusja wyników z uwzględnieniem implikacji prawnych
• Rozdział 6: wnioski

Pytanie o promotora jest najważniejsze do rozwiązania na początku. Na wydziale prawa poszukaj prawnika, który zajmuje się prawem nowych technologii, prawem prywatnym cyfrowym, prawem własności intelektualnej i IT. Na wydziale informatyki – kogoś z NLP, machine learning lub systemami informacyjnymi z zainteresowaniem zastosowaniami domenowymi. Niektóre uczelnie (np. UW, UJ, SWPS) mają oficjalnie interdyscyplinarne programy LegalTech z promotorami z obu wydziałów – to idealne rozwiązanie, bo masz dwóch promotorów i automatycznie spełniasz wymagania obu stron.

Jeden błąd, który powtarza się w takich pracach: zbyt szeroki przegląd literatury technicznej zamiast konkretnych eksperymentów. Jeśli masz 40 stron opisu stanu badań i 5 stron wyników własnych eksperymentów, praca nie przejdzie na informatyce. Odwróć proporcje.

Drugi błąd: brak hipotezy badawczej. Nawet jeśli robisz proof-of-concept (budowę prototypu), sformułuj hipotezę: „Model BERT fine-tuned na polskich umowach konsumenckich osiągnie F1 >= 0.85 w wykrywaniu klauzul abuzywnych, przewyższając podejście oparte na regułach słownikowych.” Potem ją weryfikujesz. To odróżnia pracę magisterską od projektu programistycznego.

Zrodla i bazy

Bazy akademickie dla LegalTech są bardziej rozproszone niż dla klasycznego prawa albo klasycznej informatyki. Musisz łączyć kilka źródeł.

Specjalistyczne bazy LegalTech:

• Stanford CodeX (Center for Legal Informatics) – lista stron: codex.stanford.edu. Raporty, working papers, opisy projektów. Kluczowe: „LegalTech Index”, raporty o AI w sądownictwie
• Harvard Library Innovation Lab (lil.law.harvard.edu) – Caselaw Access Project (pełne orzecznictwo USA od 1658), open source tools do analizy prawa
• JURIX Proceedings (jurix.nl) – główna konferencja z informatyki prawniczej w Europie, od 1988. Pełne proceedings dostępne przez IOS Press, część na ResearchGate
• ICAIL (International Conference on AI and Law) – US konferencja, co 2 lata

Czasopisma:

• Journal of Law and Technology (Oxford) – peer-reviewed, wysoki IF jak na LegalTech
• Law, Innovation and Technology (Taylor & Francis)
• Artificial Intelligence and Law (Springer) – najstarsza baza, od 1993
• Computer Law & Security Review – więcej praktyczny, mniej akademicki

Prawne bazy PL:

• LEX Omega (Wolters Kluwer) – orzecznictwo, komentarze, akty prawne. Twoja uczelnia pewnie ma dostęp
• SIP Legalis (C.H. Beck) – alternatywa
• EUR-Lex (eur-lex.europa.eu) – akty unijne, bezpłatny

Kluczowe pozycje literaturowe:

• Harry Surden, „Artificial Intelligence and Law: An Overview” (2019, Georgia State University Law Review) – dobry punkt startowy, 50+ cytowań
• Daniel Martin Katz, „Quantitative Legal Prediction” (2013) – ojciec podejścia empirycznego do prawa
• Dana Remus, Frank Levy, „Can Robots Be Lawyers?” (2017, Georgetown Journal of Legal Ethics) – klasyk o automatyzacji zawodów prawniczych
• David Engstrom et al., „Government by Algorithm” (2020, NYU Law Review) – o algorytmach w administracji publicznej, b. relevantne dla AI Act
• Felicity Bell, „Artificial Intelligence and the Legal Profession” (2020)
• Po polsku: Marek Świerczyński (red.), „Sztuczna inteligencja w prawie” (2023) – pierwsza kompleksowa polska monografia w tym zakresie, zawiera rozdziały o RODO i AI Act

Dane i zbiory:

• ECHR-OD (orzecznictwa ETPC z annotacjami – 11K spraw) do analizy NLP na tekstach prawnych
• EUR-Lex bulk download (XML, wszystkie akty UE)
• Rejestr klauzul abuzywnych UOKiK (pobierz CSV ze strony uokik.gov.pl)
• EDGAR SEC filings (po angielsku, do analizy umów korporacyjnych)
• SSRN – preprints z prawa, w tym LegalTech – szukaj po autorach (Katz, McGinnis, Grabowski)

SSRN (ssrn.com) warto traktować jako Google Scholar dla prawników – dla LegalTech znajdziesz tam prace jeszcze przed formalną publikacją.

Obrona pracy

Obrona pracy z LegalTech to podwójne przesłuchanie – dostaniesz pytania z obu stron, a komisja rzadko jest jednolita. Oto czego możesz się spodziewać i jak się przygotować.

Pytania od strony prawnej:

• „Jak klasyfikujesz prawnie system, który opisujesz, pod kątem AI Act? Które kategorie ryzyka i dlaczego?”
• „Czy twój prototyp chatbota prawnego mieści się w zakresie zakazu nieautoryzowanego doradztwa prawnego z art. 4 ustawy o doradztwie prawnym?”
• „Jakie byłyby implikacje dla prawa do sądu (art. 6 EKPC), gdyby system, który opisujesz, był używany jako narzędzie wspierające sędziego?”

Musisz znać przepisy, które cytujesz, na pamięć z numerami artykułów. „Gdzieś w RODO” to nie wystarczy – „art. 22 ust. 1 i ust. 3 RODO” już tak.

Pytania od strony technicznej:

• „Dlaczego wybrałeś BERT zamiast GPT-4 do klasyfikacji? Jakie są kompromisy?”
• „F1-score 0.79 – czy to wystarczy do zastosowania produkcyjnego w środowisku prawnym? Jakie byłyby konsekwencje false negative?”
• „Jak zapewniłeś, że twoje dane treningowe nie są zbias-owane?”
• „Czy model jest explicable? Jak prawnik miałby zrozumieć, dlaczego model sklasyfikował daną klauzulę jako abuzywną?”

Na to ostatnie pytanie odpowiedź „bo model tak zdecydował” jest nieakceptowalna. Musisz mieć LIME lub SHAP wyjaśnienia i potrafić je zinterpretować.

Pokazanie działającego prototypu. Jeśli budujesz cokolwiek technicznego, miej go gotowego do demo na obronie. Nawet prosty notebook Jupyter z przykładem działania modelu na 5 przykładowych klauzulach jest lepszy niż same tabele z metrykami. Komisja informatyczna to doceni, komisja prawna – przynajmniej zobaczy, że to działa, a nie tylko teoria.

Przygotuj się na pytanie „co byś zrobił inaczej?” – to pytanie na każdej obronie i zawsze warto mieć 2-3 konkretne odpowiedzi (więcej danych treningowych, inna architektura, badanie w warunkach produkcyjnych).

FAQ – Najczestsze pytania

Natalia Witek-Dąbrowska

Redaktorka i korektorka z 20-letnim doświadczeniem

Specjalizuję się w korekcie prac naukowych i dyplomowych. Jeśli potrzebujesz pomocy z tekstem, napisz do mnie.