Jak napisać pracę magisterską z nowych mediów i social media marketingu – poradnik

Praca magisterska z nowych mediów to jeden z tych tematów, gdzie na studiach piszesz o czymś, co zmienia się szybciej niż recenzenci zdążą przeczytać Twój tekst. Twitter zdążył zmienić nazwę, API zamknąć, i otworzyć się na nowo – w trakcie jednego semestru. TikTok uruchomił Research API, CrowdTangle zniknął, Meta zastąpiła go Content Library. Jeśli Twój promotor zna te nazwy, masz szczęście.

Dobra wiadomość: media studies w Polsce trafiają coraz częściej na promotorów, którzy rozumieją, że platform studies to nie jest „pisanie o fejsbuku”. To pełnoprawna dyscyplina z solidnym aparatem teoretycznym – platformizacja mediów według van Dijcka, ekonomia uwagi według Napoli, nadzór korporacyjny według Zuboff. Zła wiadomość: musisz tę wiedzę połączyć z umiejętnościami analityki danych, bo bez liczb praca będzie tylko esejem.

Poniższy przewodnik jest napisany dla studentów medioznawstwa, komunikacji społecznej i zarządzania mediami – na kierunkach z profilem nowych mediów lub social media. Zakładam, że masz już temat albo jesteś na etapie jego wyboru i zastanawiasz się, jak to zrobić sensownie.

Specyfika kierunku – co robisz inaczej niż inni

Praca z nowych mediów to nie jest praca z marketingu ani praca z informatyki. Operujesz na styku trzech rzeczy: teorii mediów, empirii platform cyfrowych i metod ilościowych lub jakościowych. Ta kombinacja jest zarówno szansą, jak i pułapką.

Szansa polega na tym, że masz dostęp do danych, których nie mają badacze starszych mediów. API platform, zbiory publicznie dostępnych postów, archiwa organizacji takich jak Internet Archive – to materiał empiryczny, którego dostarczenie kiedyś kosztowało budżet grantu naukowego.

Pułapka polega na tym, że platformy są środowiskiem badań i jednocześnie aktorem, który to środowisko kontroluje. Twitter/X zamknął darmowy dostęp do API v2 w marcu 2023 – dosłownie z dnia na dzień. Facebook/Meta wycofał CrowdTangle w sierpniu 2024. TikTok Research API jest dostępny, ale tylko dla badaczy z instytucji akademickich po weryfikacji, a dostęp zajmuje tygodnie. YouTube Data API Quota wynosi domyślnie 10 000 jednostek dziennie – brzmi dużo, ale jedno wyszukiwanie kosztuje 100 jednostek, więc do poważnych analiz i tak potrzebujesz requestu o zwiększenie limitu.

To nie są techniczne szczegóły – to są fundamentalne problemy epistemologiczne Twojej pracy. Masz pisać o czymś, do czego dostęp jest decyzją korporacyjną, nie naukową. Każda poważna praca z nowych mediów powinna to omówić w rozdziale metodologicznym.

Kilka zjawisk, które w 2024-2025 dają silny materiał badawczy:

• Platformizacja mediów – kiedy YouTube staje się telewizją, a Spotify radiem, co zostaje ze starych podziałów gatunkowych
• TikTokizacja innych serwisów (Instagram Reels, YouTube Shorts, Snapchat Spotlight) – efekt mimikry algorytmicznej
• Creator economy – twórcy jako mikroprzedsiębiorstwa, siatka zależności od platform, kwestie moderacji treści i demonetyzacji
• Dezinformacja i bańki filtrów – algorytmiczne środowisko rekomendacji a polaryzacja
• Twitter/X exodus – migracja użytkowników do Mastodon, Bluesky i Threads jako case study w sociologii platform
• Twitch i live streaming jako osobny ekosystem mediów dla Gen Z

Pojęcia, które musisz rozumieć, zanim przystąpisz do pisania: platforma jako infrastruktura vs platforma jako moderator treści (Gillespie), viral mechanics i memetyczna dyfuzja treści, sentiment analysis jako metoda obliczeniowa, netnografia jako etnografia środowisk cyfrowych.

Wybór tematu – konkretnie, nie ogólnie

Jeśli Twój temat to „Media społecznościowe a komunikacja marek”, to za szeroko. Nikt tego nie obroni sensownie na 80 stronach – albo będzie to encyklopedia bez wniosków, albo esej bez danych.

Praca z nowych mediów działa najlepiej, kiedy ma ostre ramy: jedna platforma lub dwie platformy porównawczo, jeden sektor lub jeden typ treści, określony przedział czasowy.

Tematy, które dają się przeprowadzić metodologicznie:

• Strategie komunikacji marek na TikToku i Instagram Reels – analiza porównawcza treści sponsorowanych 2023-2024 (n=200 postów, content analysis, kodowanie manualne + sentiment)
• Dezinformacja na polskim Facebooku podczas kampanii wyborczej 2023 – analiza przepływu treści i mechanizmy amplifikacji
• Micro vs macro influencer marketing w branży beauty na Instagramie – analiza wskaźników zaangażowania i konwersji (dane Brand24 / Sotrender)
• Silosy informacyjne na YouTube – czy rekomendacje algorytmu ograniczają ekspozycję na różnorodne treści polityczne (metodologia audit study z sock puppet accounts)
• LinkedIn jako medium employer branding w sektorze IT w Polsce – analiza strategii komunikacji 50 firm technologicznych 2023-2024
• Exodus z Twittera do Bluesky i Mastodon – motywacje migracji i wzorce adopcji nowych platform (badanie ankietowe + analiza sieciowa)
• Twitch jako alternatywna przestrzeń publiczna dla graczy – netnografia wybranej społeczności streamingowej

Przy każdym z tych tematów masz konkretne pytanie badawcze, masz ograniczony materiał do analizy i masz metodę. To trzy rzeczy, które muszą być jasne przed rozmową z promotorem.

Jeden błąd, który widzę często: studenci wybierają temat pod interesującą teorię, nie pod dostępność danych. Jeśli chcesz badać dezinformację na Facebooku, musisz mieć dostęp do Meta Content Library (wymaga weryfikacji jako badacz akademicki) albo do zestawów danych z repozytoriów takich jak Harvard Dataverse lub ICWSM Dataverse. Sprawdź to zanim wpiszesz temat do systemu.

Metodologia – narzędzia, które faktycznie istnieją

Metodologia pracy z nowych mediów to jedno z trudniejszych wyzwań, bo promotorzy z tradycyjnego medioznawstwa często nie znają narzędzi computational social science, a od strony technicznej musisz wiedzieć, co robisz z danymi.

Zbieranie danych

YouTube Data API v3 – bezpłatny, wymaga konta Google i projektu w Google Cloud Console. Pozwala pobierać metadane filmów (views, likes, komentarze, opis), listy odtworzeń, dane kanałów. Limity: 10 000 jednostek/dzień, ale wystarczy do analizy 500-1000 filmów przy rozsądnym planowaniu.

TikTok Research API – dostępny dla badaczy z instytucji akademickich, wymaga aplikacji i weryfikacji (czas oczekiwania: 2-6 tygodni). Daje dostęp do publicznych metadanych filmów i kont. Nie daje dostępu do danych prywatnych ani do algorytmu rekomendacji.

Twitter/X API v2 – od marca 2023 darmowy tier „Free” pozwala tylko na 1500 tweetów/miesiąc. Tier „Basic” (100 USD/miesiąc) to 10 000 postów. Dla poważnej analizy akademickiej możesz wnioskować o Academic Research Access – ale X ograniczył te wnioski znacząco po przejęciu przez Muska. Alternatywa: repozytoria historycznych zbiorów danych z Twitter Elections Integrity lub datasets opublikowane przez inne ośrodki badawcze.

Biblioteki Python do zbierania danych: snscrape (Twitter, ale częściowo zepsuty po zmianach API), pytok (TikTok, scraping bez API, ryzyko naruszenia TOS), googleapiclient (YouTube Data API). Wszystkie warto zestawić z oficjalnym API tam, gdzie jest dostępne.

Social listening komercyjny: Brand24, Sotrender, Semrush Social, Pulsar Platform. Brand24 i Sotrender mają oferty akademickie – warto napisać do działu sprzedaży z e-mailem uczelnianym i opisem projektu badawczego. Dostęp próbny to często 14-30 dni, co może wystarczyć do zebrania danych.

Analiza danych

Content analysis – klasyczna metoda, działa zarówno manualnie (schemat kodowania, dwóch koderów, kappa Cohena jako wskaźnik zgodności) jak i z wsparciem NLP. Dla 200-500 postów spokojnie robisz manualnie z jedną osobą jako second coder. Dla tysięcy postów potrzebujesz automatyzacji.

Analiza sentymentu – VADER (Valence Aware Dictionary and sEntiment Reasoner) działa dobrze dla angielskiego tekstu nieformalnego. Dla polskiego: biblioteka stanza z modelem pl lub HerBERT (BERT wytrenowany na polskich tekstach, Allegro Research). Żaden model nie jest idealny dla ironii i memów – musisz to przyznać w rozdziale o ograniczeniach.

Analiza sieci (network analysis) – jeśli badasz przepływy treści, cytowania między kontami lub strukturę follower/following. Narzędzia: Gephi (darmowy, wizualny), NetworkX (Python, bardziej elastyczny), NodeXL (Excel plugin, prostszy). Do wizualizacji sieci twórców lub retweet networks sprawdzą się świetnie.

Netnografia – metoda Roberta Kozinets, adaptacja etnografii dla środowisk online. Polega na długotrwałej obserwacji uczestniczącej lub nieuczestniczącej w konkretnej społeczności (subreddit, kanał Twitch, grupę Facebookową). Wymaga procedury etycznej: anonimizacji uczestników, przemyślenia kwestii świadomej zgody. Przy analizie publicznych kanałów Twitch zasady są nieco inne niż przy grupach zamkniętych.

Wywiady z twórcami lub marketerami – metoda jakościowa, daje perspektywę od środka, uzupełnia dane ilościowe o motywacje i kontekst decyzji. Rekrutacja rozmówców przez LinkedIn lub bezpośredni kontakt przez platformy. Minimalna liczba: 8-12 wywiadów przy analizie tematycznej, więcej przy teorii ugruntowanej.

Analiza dyskursu – jeśli Twoje pytanie dotyczy tego, jak platformy lub media opisują pewne zjawisko (np. influencer marketing w prasie branżowej, dezinformacja w komentarzach). Metody van Dijcka do analizy dokumentów platform (regulaminy, komunikaty, blogi dla twórców).

Etyka i TOS

Scraping danych z platform narusza Terms of Service większości z nich. To nie jest kwestia moralna do pomijania – to powinien być explicite omówiony dylemat w Twojej metodologii. Scraping danych publicznych jest technicznie możliwy, prawnie kontrowersyjny (sprawa hiQ vs LinkedIn w USA), a etycznie zależy od kontekstu: dane publiczne vs prywatne, skala, cel.

Komisja etyczna uczelni – w Polsce badania z danymi online rzadko wymagają formalnego przejścia przez komisję bioetyczną, ale jeśli przeprowadzasz wywiady lub ankiety z osobami fizycznymi, musisz mieć zgodę i procedurę RODO. Sprawdź, czy Twoja uczelnia ma wytyczne dla badań cyfrowych.

Struktura pracy

Struktura pracy z nowych mediów różni się nieco od standardowych prac humanistycznych, bo musisz połączyć teorię z metodologią techniczną.

Rozdział 1 – Ramy teoretyczne: tu wchodzi teoria platform (van Dijck „The Culture of Connectivity”, Gillespie „Custodians of the Internet”, Srnicek „Platform Capitalism”), koncepcja algorytmicznych środowisk (Napoli), ekonomia uwagi, creator economy. Ten rozdział pokazuje, że rozumiesz dyscyplinę.

Rozdział 2 – Metodologia: opis metody zbierania danych (API, narzędzia, daty zbierania, próba), procedura analizy, uzasadnienie wyboru metody, ograniczenia (dostępność API, selekcja próby, problem pomiaru zaangażowania jako proxy). Przy danych API wpisz dokładne daty zbierania – za rok nikt nie odtworzy tego samego zestawu, bo platformy zmieniają dane wstecz.

Rozdział 3 – Wyniki: to jest serce pracy. Tabele, wykresy, sieci, przykłady z cytowanymi postami (zanonimizowanymi jeśli wymagane). Nie interpretuj – tylko opisuj, co widzisz w danych.

Rozdział 4 – Dyskusja: tu interpretacja wyników w świetle teorii z rozdziału 1. Tu porównujesz z innymi badaniami. Tu przyznasz, że Twoje wyniki są ograniczone przez to, że API zmieniło się w trakcie zbierania danych, że próba nie jest reprezentatywna, że narzędzie sentymentu nie radzi sobie z polskim sarkzmem.

Wnioski – krótkie, konkretne, bez powtarzania wszystkiego od początku.

Jedna uwaga praktyczna: wizualizacje danych to nie ozdoba – to argument. Sieć retweet zasięgu dezinformacji mówi więcej niż trzy strony opisu. Naucz się podstaw Gephi albo seaborn w Pythonie. Wstaw wykresy jako rysunki z opisem metodologii generowania.

Gdzie szukac literatury

Czasopisma recenzowane, gdzie możesz szukać wzorcowych artykułów metodologicznych i teoretycznych:

• Social Media + Society (SAGE, open access) – wiodące pismo w tej subdyscyplinie
• New Media & Society (SAGE) – szerszy zakres, ale regularnie publikuje platform studies
• Journal of Computer-Mediated Communication (Oxford) – bardziej psychologiczne podejście do komunikacji online
• Digital Journalism (Taylor & Francis) – dla wątków dziennikarskich i informacyjnych
• Information, Communication & Society – metodologia, badania cyfrowe
• Convergence: The International Journal of Research into New Media Technologies

Raporty branżowe jako dane wtórne: We Are Social + Hootsuite „Digital Report” (roczny, bezpłatny), DataReportal (dane globalne), Sotrender „Social Media w Polsce” (roczny raport, po polsku), IAB Polska raporty reklamowe, GUS dla danych o dostępie do internetu w Polsce.

Książki, bez których trudno pisać z nowych mediów:

• José van Dijck, „The Culture of Connectivity” (Oxford UP, 2013) – fundamenty platformizacji
• Tarleton Gillespie, „Custodians of the Internet” (Yale UP, 2018) – moderacja treści i polityka platform
• Shoshana Zuboff, „The Age of Surveillance Capitalism” (PublicAffairs, 2019) – ekonomia danych
• Manuel Castells, „Networks of Outrage and Hope” (Polity Press, 2012) – mobilizacja w mediach społecznościowych
• danah boyd, „It’s Complicated: The Social Lives of Networked Teens” (Yale UP, 2014)
• Philip Napoli, „Social Media and the Public Interest” (Columbia UP, 2019)
• Robert Kozinets, „Netnography” (SAGE, 3. wydanie 2020)

Dla metod obliczeniowych: Matthew Salganik „Bit by Bit: Social Research in the Digital Age” (Princeton UP, 2018, dostępny bezpłatnie online na bitbybitbook.com) – prawdopodobnie najlepsza książka do computational social science dla humanistów bez technicznego backgroundu.

W Polsce: szukaj w bazach BazHum, CEJSH, DBC. Prace polskich badaczy z zakresu nowych mediów: Janusz Mucha, Tomasz Goban-Klas (starszy), ale przede wszystkim sięgaj po anglojęzyczną literaturę – polska nauka o nowych mediach jest dobrze rozwinięta, ale kanoniczna literatura jest po angielsku.

Obrona – czego się spodziewać

Komisja na obronach z nowych mediów ma zwykle trzy obszary trudnych pytań. Warto się do nich przygotować, zamiast mieć nadzieję, że nie zapytają.

Pierwsze: etyka i legalność scraping. „Czy miał/miała Pan/Pani zgodę użytkowników na analizę ich danych?” – musisz znać odpowiedź na temat danych publicznych vs prywatnych, znać europejskie przepisy RODO w kontekście badań naukowych i mieć gotową argumentację, że Twoje dane to informacje publiczne, anonimizowane na poziomie cytowania.

Drugie: aktualność danych. „Czy Pana/Pani wyniki są jeszcze aktualne, skoro zebrał/a Pan/Pani dane rok temu?” – tu odpowiadasz, że badania społeczne zawsze mają datę zbierania, że Twoje wnioski dotyczą określonego okresu, i że to ograniczenie jest explicite opisane w pracy.

Trzecie: problemy z API. „Jak radził/a sobie Pan/Pani z ograniczeniami dostępu do danych platformy?” – tu pokazujesz, że rozumiesz platformy jako aktorów, nie tylko narzędzia. Że API policy to dane naukowe, nie tylko techniczny problem. Że wybór metodologii uwzględnił dostępność danych.

Pytania dodatkowe, które padają rzadziej, ale warto wiedzieć:

• Czy próba jest reprezentatywna? (Odpowiedź: prawie nigdy nie jest w badaniach platform – i to trzeba przyznać wprost)
• Jak dobierałeś/aś posty do analizy? (Musisz mieć czysty protokół doboru próby)
• Jak mierzysz zaangażowanie? (Liczba polubień to metryka, nie wynik – musisz to rozumieć)

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.