Prace dyplomowe · Streszczenie

Streszczenie po angielsku – terminy statystyczne, zapis liczb i zdania wyników

Angielski abstrakt do pracy dyplomowej psują najczęściej dosłownie przetłumaczone terminy i polski zapis liczb. Dostajesz tabelę 57 terminów PL–EN, listę fałszywych przyjaciół, zasady zapisu liczb według APA, szablon streszczenia strukturalnego i kod R, który te same wyniki zapisuje po polsku i po angielsku.

Strona główna / Blog / Streszczenie po angielsku
W skrócie: W angielskim streszczeniu tłumacz terminy według ustalonych odpowiedników, a nie słowo po słowie: próba to sample, badani to participants, badanie przekrojowe to cross-sectional study, dobór celowy to purposive sampling. Pisz statistically significant zamiast samego significant, w badaniu przekrojowym association zamiast influence, a „tendencję statystyczną” zastąp dokładnym p i przedziałem ufności. Liczby: kropka dziesiętna, p i r bez zera wiodącego, p < .001 zamiast „.000”, przedział 95% CI [a, b] z przecinkiem zamiast polskiego średnika.

Abstract do pracy: tłumaczysz terminy, a nie zdania

Streszczenie po polsku jest gotowe, a regulamin wymaga jeszcze wersji angielskiej. Większość problemów z tą wersją nie wynika ze słabej gramatyki, tylko z terminów statystycznych przetłumaczonych dosłownie: „probe” zamiast sample, „examined persons” zamiast participants, „significant influence” w badaniu ankietowym z jednym pomiarem.

Ten wpis jest węższy niż poradnik o abstrakcie strukturalnym i strukturze IMRAD. Tam znajdziesz układ abstraktu, proporcje części i kontrolę zgodności z wynikami. Tutaj dostajesz narzędzia do samego przekładu: tabelę 57 terminów polsko-angielskich, listę „fałszywych przyjaciół”, zasady zapisu liczb w wersji angielskiej, szablon streszczenia strukturalnego z gotowymi zdaniami i krótki kod R, który te same wyniki wypisuje w zapisie polskim i angielskim.

Przykład przewodni (wymyślony, dane symulowane). Studentka pielęgniarstwa przeprowadziła przekrojowe badanie online wśród 236 studentów I i III roku dobranych celowo. Sprawdzała, czy praca zarobkowa w trakcie studiów wiąże się z poziomem stresu (skala 1–5) i z jakością snu. Wszystkie liczby w zdaniach i w przykładowym abstrakcie pochodzą z kodu R na końcu wpisu.

Tabela terminów polsko-angielskich

Tabele obejmują terminy, które najczęściej trafiają do streszczeń prac z psychologii, pielęgniarstwa, zdrowia publicznego i pedagogiki. Kolumna „Uwaga” podpowiada, gdzie łatwo o błąd. Nazwy angielskie są w formie, w jakiej występują w tekście (małe litery, bez przedimka). Pełną listę możesz pobrać jako plik CSV: slownik-terminow-statystycznych-pl-en.csv (57 terminów w czterech grupach).

Schemat badania i próba

Terminy statystyczne po polsku i po angielsku: schemat badania i próba
Po polskuPo angielskuUwaga
badanie przekrojowecross-sectional studynazwij schemat już w Methods
badanie podłużnelongitudinal studykilka pomiarów tych samych osób
badanie kohortowecohort study
eksperyment, badanie eksperymentalneexperiment, experimental studytylko przy losowym przydziale
badanie quasi-eksperymentalnequasi-experimental studygrupy bez losowania
badanie ankietowe (sondaż)surveysurvey = całe badanie
kwestionariusz, ankieta (narzędzie)questionnairequestionnaire = arkusz pytań
próbasamplenie „probe” ani „trial”
dobór celowypurposive samplingdobór według ustalonych cech
dobór wygodny (dostępnościowy)convenience samplingnp. ankieta w mediach społecznościowych
dobór losowyrandom samplingnie myl z „random assignment”
losowy przydział do gruprandom assignment, randomization
osoby badane, badaniparticipants; respondents (ankieta)nie „examined persons”
kryteria włączenia i wyłączeniainclusion and exclusion criteria
grupa kontrolnacontrol group
pomiar wyjściowy i końcowybaseline and follow-up (posttest)

Zmienne, pomiar i statystyki opisowe

Terminy statystyczne po polsku i po angielsku: zmienne, pomiar i statystyki opisowe
Po polskuPo angielskuUwaga
zmienna zależnadependent variable; outcomeoutcome – częściej w medycynie
zmienna niezależnaindependent variable; predictor; exposurepredictor – w regresji
zmienna pośredniczącamediator
zmienna moderującamoderator
zmienna kontrolnacovariate; control variable
pozycja skali (pytanie)item
wynik ogólny skalitotal score; scale score
rzetelność; spójność wewnętrznareliability; internal consistency
trafnośćvalidity
średniamean (M)nie „average” w wynikach
odchylenie standardowestandard deviation (SD)
medianamedian (Mdn)
rozstęp międzykwartylowyinterquartile range (IQR)
liczebność; odsetekfrequency (n); percentage„percent” tylko z liczbą
rozkład normalnynormal distribution

Testy i modele

Terminy statystyczne po polsku i po angielsku: testy i modele
Po polskuPo angielskuUwaga
test t dla prób niezależnychindependent-samples t testWelch’s t test – wersja Welcha
test t dla prób zależnychpaired-samples t test
jednoczynnikowa analiza wariancjione-way analysis of variance (ANOVA)
analiza wariancji z powtarzanymi pomiaramirepeated-measures ANOVA
porównania post hocpost hoc comparisons
test U Manna–WhitneyaMann–Whitney U test
test Kruskala–WallisaKruskal–Wallis test
test chi-kwadrat niezależnościchi-square test of independenceχ²(df, N = …) = …
dokładny test FisheraFisher’s exact test
korelacja Pearsona; SpearmanaPearson correlation; Spearman’s rank correlation
regresja liniowa wielorakamultiple linear regression
regresja logistycznalogistic regression

Wnioskowanie i wielkość efektu

Terminy statystyczne po polsku i po angielsku: wnioskowanie i wielkość efektu
Po polskuPo angielskuUwaga
istotny statystyczniestatistically significantzawsze ze słowem „statistically”
nieistotny statystycznienot statistically significant; nonsignificantnie „insignificant”
„tendencja statystyczna”brak odpowiednika – podaj p, efekt i CInie „trend towards significance”
poziom istotnościsignificance level (α)„at the .05 level”
hipoteza zerowanull hypothesis
hipoteza potwierdziła sięthe hypothesis was supportednie „was proved”
przedział ufnościconfidence interval (CI)95% CI [a, b]
wielkość efektueffect size
iloraz szansodds ratio (OR)„higher odds”, nie „higher risk”
stopnie swobodydegrees of freedom (df)
błąd standardowystandard error (SE)
moc testustatistical power
model wyjaśniał [x]% wariancjithe model explained [x]% of the variance
istotność klinicznaclinical significance; clinically important differenceosobno od istotności statystycznej

Dwie zasady pomagają w przypadkach, których nie ma w tabeli. Po pierwsze, nazwę testu lub schematu sprawdź w angielskim podręczniku albo artykule, a nie w słowniku ogólnym. Po drugie, raz wybranego terminu używaj konsekwentnie: jeśli w Methods piszesz participants, nie zmieniaj go w Results na subjects i respondents na zmianę. Słowa kluczowe (Keywords) wybieraj według tych samych terminów – jak je dobrać, opisuje hasło słowa kluczowe.

Fałszywi przyjaciele i typowe błędy

Najgroźniejsze są słowa, które wyglądają znajomo i są poprawnym angielskim, ale znaczą co innego niż w polskim zdaniu. Tabela zbiera te, które najczęściej pojawiają się w streszczeniach prac dyplomowych.

Fałszywi przyjaciele i typowe błędy w angielskim streszczeniu pracy: polskie sformułowanie, częsty błąd i poprawna wersja
Po polskuCzęsty błądLepiej
istotny (różnica, wynik)a significant improvement (bez dopowiedzenia)a statistically significant improvement; o znaczeniu praktycznym: clinically important, meaningful
„tendencja statystyczna”, „na granicy istotności”a trend towards significance, a tendencythe difference was not statistically significant, p = [dokładna wartość] + różnica i 95% CI
korelacja była dodatniathe correlation was positive (bez kierunku zmiennych)higher stress was associated with shorter sleep, r = −.48
wpływ X na Y (badanie przekrojowe)the influence / impact / effect of X on Ythe association between X and Y; X was associated with Y
zależność między zmiennymidependence (też: uzależnienie)relationship, association
próbaprobe, trialsample (trial tylko o badaniu klinicznym)
badania (wiele badań)researchesstudies; research jest niepoliczalne
osoby badaneexamined persons, the examinedparticipants; w ankiecie także respondents
stwierdzono, że…it was stated that…we found that…; X was higher in…
hipoteza potwierdziła sięthe hypothesis was proved / confirmedthe hypothesis was supported
średniaaverage (w wynikach)mean, M
dane pokazująthe data showsthe data show (w stylu APA data to liczba mnoga)
aktualny; ewentualnieactual; eventuallycurrent; possibly, alternatively
na poziomie istotności 0.05on the significance level 0.05at the .05 level; with α = .05
w niniejszej pracyin the present workin this study; in this thesis

„Significant” bez „statistically”

Po angielsku significant znaczy też „ważny, znaczący”. Zdanie the training led to a significant reduction in anxiety czytelnik z medycyny lub pielęgniarstwa zrozumie jako „redukcję istotną dla pacjentów”, choć autor miał na myśli tylko p < .05. Oświadczenie Amerykańskiego Towarzystwa Statystycznego przypomina, że wartość p nie mierzy wielkości efektu ani ważności wyniku (Wasserstein i Lazar, 2016). Dlatego pisz statistically significant, a o znaczeniu praktycznym mów osobno – przez wielkość efektu albo minimalną różnicę ważną dla pacjenta (MCID). Wynik nieistotny to not statistically significant lub nonsignificant, nigdy insignificant (to słowo znaczy „błahy”).

„Tendencja statystyczna” nie ma dobrego przekładu

W polskich pracach często pojawia się „tendencja statystyczna” przy p między .05 a .10. Angielskie a trend towards significance jest równie mylące: Wood i in. (2014) pokazali, że takie opisy dają złudne wrażenie, jakby wynik „prawie” był istotny i wystarczyło dołożyć danych. Zamiast tego podaj dokładne p, kierunek i wielkość różnicy z przedziałem ufności. Szerzej o tym problemie piszemy w haśle o marginalnej istotności i we wpisie jak opisać wynik nieistotny.

„Influence” i „effect” w badaniu przekrojowym

„Wpływ” to w polskich pracach często skrót myślowy. Po angielsku influence, impact, effect of X on Y i X increases Y brzmią jednoznacznie przyczynowo. W badaniu przekrojowym z jednym pomiarem pisz association, was associated with, correlated with, predicted (w regresji, bez sugestii przyczynowości). W przeglądzie 50 najczęściej udostępnianych artykułów naukowych o zdrowiu recenzenci uznali język 34% z nich za zbyt mocny w stosunku do siły wnioskowania przyczynowego (Haber i in., 2018). To samo dotyczy streszczenia pracy dyplomowej. Granice wnioskowania z różnych schematów opisuje hasło korelacja a przyczynowość, a polskie zdania do dyskusji – wpis jak napisać dyskusję wyników.

Zapis liczb w wersji angielskiej

W języku polskim separatorem dziesiętnym jest przecinek, a w angielskim – kropka. Na metodolog.pl stosujemy kropkę także w polskim tekście, zgodnie z konwencją APA; wiele uczelni wymaga jednak w polskiej części pracy przecinka. Niezależnie od tego, co stosujesz po polsku, w angielskim streszczeniu używaj kropki, a reszty zapisu – według stylu APA (American Psychological Association, 2020). Przewodnik APA po liczbach i statystykach zaleca m.in. dokładne wartości p z dwoma lub trzema miejscami po przecinku, zapis p < .001 dla mniejszych wartości, pomijanie zera przed kropką dla statystyk, które nie mogą przekroczyć 1, i kursywę dla symboli statystycznych (American Psychological Association, 2024).

Zapis tych samych liczb w polskim tekście z przecinkiem dziesiętnym i w angielskim streszczeniu według APA
Co zapisujeszPolski tekst (przecinek)Angielski (APA)
separator dziesiętny3,463.46
tysiące1 250 (spacja)1,250 (przecinek)
miary do 1: p, r, α, R²zwykle z zerem: 0,38bez zera: .38
miary bez ograniczenia: M, SD, t, d, OR0,410.41 (z zerem)
bardzo małe p„p < 0,001”p < .001 (nigdy „.000”)
granice przedziału ufności[−0,12; 0,45] – średnik[−0.12, 0.45] – przecinek
odsetek45,2%45.2%
liczba ujemna−2,46−2.46 (znak minus, nie łącznik)

Najwięcej kłopotu sprawia przedział ufności. Przy przecinku dziesiętnym zapis „[0,12, 0,45]” jest nieczytelny, dlatego w polskim tekście granice rozdziela się średnikiem. Po przełożeniu na angielski średnik musi zniknąć: 95% CI [0.12, 0.45]. Jak raportować przedziały dla różnych miar, pokazuje wpis przedziały ufności w pracy, a wszystkie zasady zapisu wyników – poradnik jak opisać wyniki w stylu APA.

W kodzie R (przepis 1) obie wersje powstają z tych samych liczb funkcją formatC() z argumentami decimal.mark i big.mark. Funkcja format() też je ma, ale sama dobiera liczbę cyfr i wyrównuje szerokość, więc do zdań lepsza jest formatC(x, format = "f", digits = 2). Uwaga na „piątki”: formatC() zaokrągla dokładną wartość binarną liczby, więc 0.125 daje 0.12, a 0.135 – 0.14. Jeśli liczba leży na granicy zaokrąglenia, przepisuj ją z wydruku programu, a nie zaokrąglaj w pamięci.

Szablon streszczenia strukturalnego po angielsku

Abstrakt strukturalny ma nagłówki, zwykle Background, Objective (lub Aim), Methods, Results i Conclusions. W porównaniu z tradycyjnym jest dłuższy, ale zawiera więcej informacji i łatwiej go czytać i przeszukiwać (Hartley, 2014). Nawet jeśli uczelnia wymaga jednego akapitu bez nagłówków, napisz najpierw wersję z nagłówkami i usuń je na końcu – kolejność treści zostaje ta sama. Definicję i warianty znajdziesz w haśle abstrakt strukturalny.

Schemat pięciu części angielskiego streszczenia strukturalnego. Background: problem i luka w wiedzy, 1–2 zdania, czas teraźniejszy. Objective: cel, 1 zdanie, czas przeszły. Methods: schemat, próba, narzędzia i analiza, 2–3 zdania, czas przeszły. Results: n, M (SD), efekt, 95% CI i p, 3–4 zdania, czas przeszły, np. r(234) = −.48, 95% CI [−.57, −.37], p < .001. Conclusions: odpowiedź na cel bez przesady, 1–2 zdania, czas teraźniejszy
Rysunek 1. Pięć części angielskiego streszczenia strukturalnego: co wpisać, w jakim czasie gramatycznym i przykładowe zdanie. Liczby w części Results pochodzą z przykładu w R (dane symulowane). Schemat poglądowy.

Czasy gramatyczne. To, co zrobiłeś(-aś) i co wyszło w Twoim badaniu (Methods, Results), opisuj w czasie przeszłym: participants completed, stress was higher. To, co jest ogólną wiedzą lub wnioskiem (Background, Conclusions), w czasie teraźniejszym: little is known, these findings suggest. Strona bierna (data were collected) i pierwsza osoba (we collected) są dopuszczalne – w pracy jednego autora wybierz jedno i trzymaj się go.

Methods: schemat i dobór próby nazwij wprost. Pierwszy punkt listy STROBE dla badań obserwacyjnych dotyczy tytułu i streszczenia (von Elm i in., 2007) – czytelnik ma od razu wiedzieć, czy było to badanie przekrojowe, kohortowe czy eksperyment. Nie zastępuj nazwy schematu ogólnikiem a study was conducted.

Zdania do każdej części

Gotowe początki zdań do kolejnych części angielskiego streszczenia strukturalnego
CzęśćPoczątki zdań
BackgroundLittle is known about…; Previous studies have focused on…, but…; [Problem] is common among… (tylko ze źródłem w tekście pracy)
ObjectiveThis study aimed to examine whether…; The aim of this study was to assess…; We hypothesized that…
MethodsIn this cross-sectional online survey, [N] [participants] recruited by purposive / convenience sampling completed…; [Variable] was measured with…; Data were analysed using…
Results[Group A] reported higher [Y] than [Group B]…; [X] was associated with [Y], r = …; [Y] did not differ significantly between…; After adjustment for…, [X] was associated with higher odds of…
ConclusionsIn this sample, [X] was associated with…; These findings suggest that…; Because the design was cross-sectional, the direction of… cannot be established.

Przykładowy abstrakt z liczbami z R

Wzór na podstawie przykładu przewodniego. Wszystkie liczby pochodzą z przepisu 2. Zamień nawiasy kwadratowe i zdania na własne, zachowując układ.

Background: Little is known about how paid employment during university studies relates to stress and sleep in nursing students. Objective: This study aimed to examine whether paid employment was associated with perceived stress and poor sleep quality in nursing students. Methods: In this cross-sectional online survey, 236 first- and third-year nursing students recruited by purposive sampling completed a stress scale (range 1–5) and reported their usual sleep duration and sleep quality. Group differences were tested with Welch's t test, associations with Pearson correlation, and poor sleep quality was modelled with logistic regression adjusted for stress. Results: Half of the participants (50.0%) were in paid employment. Employed students reported higher stress than those not employed (M = 3.14, SD = 0.59 vs. M = 2.86, SD = 0.62; mean difference = 0.29, 95% CI [0.13, 0.44], d = 0.47). Higher stress was associated with shorter sleep, r(234) = −.48, 95% CI [−.57, −.37], p < .001. After adjustment for stress, paid employment was associated with higher odds of poor sleep quality, OR = 2.72, 95% CI [1.54, 4.87], p < .001. Conclusions: In this sample, paid employment was associated with higher stress and poorer sleep quality. Because the design was cross-sectional and the sample was not random, the direction of these associations cannot be established; longitudinal studies are needed. Keywords: nursing students; paid employment; stress; sleep quality; cross-sectional study

Zwróć uwagę na trzy rzeczy. Wynik nieistotny (stres na I i III roku) nie trafił do abstraktu, bo nie dotyczył celu – gdyby dotyczył, musiałby się znaleźć niezależnie od p. Conclusions nie mówią employment causes stress. Liczby są identyczne jak w rozdziale wyników; jak to sprawdzić przed oddaniem, pokazuje wpis o kontroli spójności liczb w pracy.

Zdania wyników po polsku i po angielsku

Poniższe pary zdań wypisał przepis 2 z tej samej analizy. Wersja polska ma przecinek dziesiętny – tak, jak wymaga tego wiele uczelni – a angielska zapis APA. Porównaj je, zanim przetłumaczysz własne wyniki: zmienia się nie tylko separator, ale też zero wiodące przy r i p oraz separator granic przedziału.

Te same wyniki opisane po polsku z przecinkiem dziesiętnym i po angielsku w zapisie APA
AnalizaPo polskuPo angielsku
Test t WelchaStudenci pracujący zarobkowo deklarowali wyższy poziom stresu (M = 3,14, SD = 0,59) niż niepracujący (M = 2,86, SD = 0,62), t(233,66) = 3,64, p < 0,001, d = 0,47.Students in paid employment reported higher stress (M = 3.14, SD = 0.59) than those not employed (M = 2.86, SD = 0.62), t(233.66) = 3.64, p < .001, d = 0.47.
Korelacja PearsonaWyższy poziom stresu wiązał się z krótszym snem, r(234) = −0,48, 95% CI [−0,57; −0,37], p < 0,001.Higher stress was associated with shorter sleep, r(234) = −.48, 95% CI [−.57, −.37], p < .001.
Wynik nieistotnyPoziom stresu nie różnił się istotnie między studentami I i III roku, t(230,73) = −1,51, p = 0,132; różnica średnich = −0,12, 95% CI [−0,28; 0,04].Stress did not differ significantly between first- and third-year students, t(230.73) = −1.51, p = .132; mean difference = −0.12, 95% CI [−0.28, 0.04].
Regresja logistycznaPo uwzględnieniu poziomu stresu praca zarobkowa wiązała się z większymi szansami złej jakości snu, OR = 2,72, 95% CI [1,54; 4,87], p < 0,001.After adjustment for stress, paid employment was associated with higher odds of poor sleep quality, OR = 2.72, 95% CI [1.54, 4.87], p < .001.

Trzy szczegóły językowe z tych zdań. Wynik nieistotny opisuj jako did not differ significantly i dodaj przedział – nie there was no difference, bo brak istotności nie dowodzi braku różnicy (przedział [−0.28, 0.04] obejmuje zarówno zero, jak i różnice rzędu jednej czwartej punktu). Przy ilorazie szans pisz higher odds, a nie higher risk – to inne miary. Gotowe polskie zdania dla innych testów zebraliśmy w poradniku o zdaniach APA i w generatorze opisu wyników APA; wzory angielskich odpowiedzi na uwagi do statystyki – we wpisie odpowiedź recenzentom.

Najczęstsze błędy

  • Przecinek dziesiętny w angielskim tekście. „M = 3,14” po angielsku czyta się jak dwie liczby. Zmień separator w całym abstrakcie, także w tabelach i podpisach rysunków, jeśli są po angielsku.
  • Średnik w przedziale ufności po przekładzie. „[0.13; 0.44]” to ślad polskiej wersji; po angielsku – przecinek.
  • „p = .000”. Program wypisał zaokrąglenie, a nie zero; pisz p < .001. Sens wartości p przypomina wpis wartość p – interpretacja.
  • „Significant” bez „statistically”. W tekście o zdrowiu czytelnik zrozumie to jako ważność kliniczną.
  • Język przyczynowy w badaniu przekrojowym. Influence, impact, effect – zamień na association.
  • Nazwa schematu i doboru próby pominięta. Napisz cross-sectional i purposive albo convenience sampling; nie „random”, jeśli nikt nie losował.
  • Różne liczby w streszczeniu polskim, angielskim i w wynikach. Poprawiłeś(-aś) analizę po uwagach promotora, a abstrakt został stary.
  • Przekład zdanie po zdaniu bez sprawdzenia terminów. Tłumaczenie ręczne lub automatyczne bez tabeli terminów daje „probe”, „researches” i „examined persons”.

Jeśli chcesz, żeby ktoś sprawdził z Tobą wyniki i ich zapis w obu wersjach streszczenia, zobacz pomoc w analizie dla studentów.

Przykład reprodukowalny

Liczby po polsku i po angielsku w R

Dwa krótkie przepisy w bazowym R. Pierwszy definiuje funkcje zapisu liczb w wersji polskiej (przecinek dziesiętny, spacja w tysiącach) i angielskiej (APA) i pokazuje je na tabeli wyników. Drugi tworzy symulowane dane przykładu przewodniego, liczy cztery analizy i wypisuje każde zdanie wyników w dwóch językach – z tych liczb powstał przykładowy abstrakt. Rysunek 1 przygotowano w osobnym skrypcie (ggplot2).

Funkcje zapisu liczb: przecinek i kropka, zero wiodące, przedział ufności

Dane wejściowe: kilka przykładowych wartości wpisanych w kodzie; tylko bazowy R.

Co odczytać: różnicę między format() a formatC(), tabelę tych samych wyników w zapisie polskim i angielskim (zero wiodące tylko tam, gdzie wartość może przekroczyć 1), zapis przedziału ufności ze średnikiem i z przecinkiem oraz pułapkę zaokrąglania „piątek”.

R
# B441 – te same liczby w zapisie polskim i angielskim (APA)
# Tylko bazowy R: format(), formatC(), sprintf().

# Liczba z ustaloną liczbą miejsc po przecinku: wersja PL (przecinek) i EN (kropka)
num_pl <- function(x, d = 2) formatC(x, format = "f", digits = d, big.mark = " ", decimal.mark = ",")
num_en <- function(x, d = 2) formatC(x, format = "f", digits = d, big.mark = ",", decimal.mark = ".")

# Minus typograficzny zamiast łącznika
minus <- function(s) sub("^-", "−", s)

# Bez zera wiodącego (EN, APA): tylko dla miar, które nie mogą przekroczyć 1 (p, r, alfa, R2)
bez_zera_en <- function(x, d = 2) minus(sub("^(-?)0\\.", "\\1.", num_en(x, d)))

# Wartość p: trzy miejsca, poniżej .001 zapis „< .001”
p_en <- function(p) if (p < .001) "p < .001" else paste("p =", bez_zera_en(p, 3))
p_pl <- function(p) if (p < .001) "p < 0,001" else paste("p =", num_pl(p, 3))

# Przedział ufności: EN rozdziela granice przecinkiem, PL (przecinek dziesiętny) – średnikiem
ci_en <- function(lo, hi, d = 2) sprintf("95%% CI [%s, %s]", minus(num_en(lo, d)), minus(num_en(hi, d)))
ci_pl <- function(lo, hi, d = 2) sprintf("95%% CI [%s; %s]", minus(num_pl(lo, d)), minus(num_pl(hi, d)))

# 1. format() a formatC(): format() dobiera liczbę cyfr sam, formatC(format = "f") – tyle, ile każesz
x <- c(1234.5, 0.5, -0.25)
cat("format(), PL:  ", format(x, decimal.mark = ",", big.mark = " ", nsmall = 2), "\n")
cat("formatC(), PL: ", num_pl(x), "\n")
cat("formatC(), EN: ", num_en(x), "\n\n")

# 2. Tabela tych samych wyników w obu zapisach
wyniki <- data.frame(
  wielkosc = c("liczebność próby", "średnia (M)", "odchylenie (SD)", "t", "d Cohena",
               "r Pearsona", "R kwadrat", "odsetek", "p (małe)", "p (bardzo małe)"),
  wartosc = c(1250, 3.4567, 0.8123, -2.4561, 0.4129, 0.3812, 0.1453, 45.238, 0.0312, 0.00004),
  cyfry = c(0, 2, 2, 2, 2, 2, 2, 1, 3, 3),
  do_jedynki = c(FALSE, FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, FALSE, TRUE, TRUE)
)
wyniki$PL <- mapply(function(w, d) minus(num_pl(w, d)), wyniki$wartosc, wyniki$cyfry)
wyniki$EN <- mapply(function(w, d, j) if (j) bez_zera_en(w, d) else minus(num_en(w, d)),
                    wyniki$wartosc, wyniki$cyfry, wyniki$do_jedynki)
wyniki$PL[9:10] <- sapply(wyniki$wartosc[9:10], p_pl)
wyniki$EN[9:10] <- sapply(wyniki$wartosc[9:10], p_en)
wyniki$PL[8] <- paste0(wyniki$PL[8], "%")
wyniki$EN[8] <- paste0(wyniki$EN[8], "%")
print(wyniki[, c("wielkosc", "PL", "EN")], row.names = FALSE)

# 3. Przedział ufności – separator granic zależy od separatora dziesiętnego
cat("\nPL:", ci_pl(-0.12, 0.45), "\n")
cat("EN:", ci_en(-0.12, 0.45), "\n")

# 4. Pułapka zaokrąglania: formatC() zaokrągla dokładną wartość binarną liczby,
#    więc „piątka na końcu” nie zawsze idzie w górę – sprawdzaj wartości na granicy
cat("\nformatC(0.125, digits = 2):", num_en(0.125), " | formatC(0.135, digits = 2):", num_en(0.135), "\n")
Wynik w R
format(), PL:   1 234,50     0,50    -0,25 
formatC(), PL:  1 234,50 0,50 -0,25 
formatC(), EN:  1,234.50 0.50 -0.25 

         wielkosc        PL       EN
 liczebność próby     1 250    1,250
      średnia (M)      3,46     3.46
  odchylenie (SD)      0,81     0.81
                t     −2,46    −2.46
         d Cohena      0,41     0.41
       r Pearsona      0,38      .38
        R kwadrat      0,15      .15
          odsetek     45,2%    45.2%
         p (małe) p = 0,031 p = .031
  p (bardzo małe) p < 0,001 p < .001

PL: 95% CI [−0,12; 0,45] 
EN: 95% CI [−0.12, 0.45] 

formatC(0.125, digits = 2): 0.12  | formatC(0.135, digits = 2): 0.14 

Zdania wyników w dwóch językach z jednej analizy

Dane wejściowe: symulowane badanie przekrojowe 236 studentów pielęgniarstwa: praca zarobkowa (tak/nie), rok studiów, stres (skala 1–5), godziny snu, zła jakość snu (tak/nie); set.seed(4411); tylko bazowy R.

Co odczytać: te same wyniki testu t Welcha, korelacji Pearsona, testu dla wyniku nieistotnego i regresji logistycznej (OR z przedziałem z profilu wiarygodności) zapisane po polsku i po angielsku.

R
# B441 – zdania wyników po polsku i po angielsku z jednej analizy
# Dane symulowane: przekrojowe badanie online studentów pielęgniarstwa (dobór celowy).
# Funkcje zapisu liczb jak w przepisie 1 (bazowy R).
num_pl <- function(x, d = 2) formatC(x, format = "f", digits = d, big.mark = " ", decimal.mark = ",")
num_en <- function(x, d = 2) formatC(x, format = "f", digits = d, big.mark = ",", decimal.mark = ".")
minus <- function(s) sub("^-", "\u2212", s)
bz_en <- function(x, d = 2) minus(sub("^(-?)0\\.", "\\1.", num_en(x, d)))
p_en <- function(p) if (p < .001) "p < .001" else paste("p =", bz_en(p, 3))
p_pl <- function(p) if (p < .001) "p < 0,001" else paste("p =", num_pl(p, 3))
ci_en <- function(lo, hi, d = 2) sprintf("95%% CI [%s, %s]", minus(num_en(lo, d)), minus(num_en(hi, d)))
ci_pl <- function(lo, hi, d = 2) sprintf("95%% CI [%s; %s]", minus(num_pl(lo, d)), minus(num_pl(hi, d)))
ci_r_en <- function(lo, hi, d = 2) sprintf("95%% CI [%s, %s]", bz_en(lo, d), bz_en(hi, d))  # granice r bez zera

set.seed(4411)
n <- 236
praca <- rbinom(n, 1, 0.45)                       # praca zarobkowa w trakcie studiów (1 = tak)
rok <- sample(c("I", "III"), n, replace = TRUE)   # rok studiów
stres <- pmin(pmax(round(2.9 + 0.35 * praca + rnorm(n, 0, 0.62), 1), 1), 5)  # skala 1–5
sen <- round(7.6 - 0.55 * stres + rnorm(n, 0, 0.75), 1)                     # godziny snu
zly_sen <- rbinom(n, 1, plogis(-3.6 + 0.55 * praca + 0.95 * stres))        # zła jakość snu (1 = tak)
d <- data.frame(praca, rok, stres, sen, zly_sen)

cat(sprintf("N = %d; pracuje: %d (%.1f%%)\n\n", n, sum(praca), 100 * mean(praca)))

# 1. Stres: pracujący a niepracujący (test t Welcha, różnica średnich, d Cohena)
tt <- t.test(stres ~ factor(praca, levels = c(1, 0)), data = d)
m1 <- mean(d$stres[d$praca == 1]); s1 <- sd(d$stres[d$praca == 1])
m0 <- mean(d$stres[d$praca == 0]); s0 <- sd(d$stres[d$praca == 0])
n1 <- sum(d$praca == 1); n0 <- sum(d$praca == 0)
sp <- sqrt(((n1 - 1) * s1^2 + (n0 - 1) * s0^2) / (n1 + n0 - 2))
dc <- (m1 - m0) / sp
cat("PL: Studenci pracujący zarobkowo deklarowali wyższy poziom stresu (M = ", num_pl(m1), ", SD = ", num_pl(s1),
    ") niż niepracujący (M = ", num_pl(m0), ", SD = ", num_pl(s0), "), t(", num_pl(tt$parameter, 2), ") = ",
    num_pl(tt$statistic), ", ", p_pl(tt$p.value), ", d = ", num_pl(dc), ".\n", sep = "")
cat("EN: Students in paid employment reported higher stress (M = ", num_en(m1), ", SD = ", num_en(s1),
    ") than those not employed (M = ", num_en(m0), ", SD = ", num_en(s0), "), t(", num_en(tt$parameter, 2), ") = ",
    num_en(tt$statistic), ", ", p_en(tt$p.value), ", d = ", num_en(dc), "; mean difference = ",
    num_en(m1 - m0), ", ", ci_en(tt$conf.int[1], tt$conf.int[2]), ".\n\n", sep = "")

# 2. Stres a długość snu (korelacja Pearsona)
ct <- cor.test(d$stres, d$sen)
cat("PL: Wyższy poziom stresu wiązał się z krótszym snem, r(", ct$parameter, ") = ", minus(num_pl(ct$estimate)),
    ", ", ci_pl(ct$conf.int[1], ct$conf.int[2]), ", ", p_pl(ct$p.value), ".\n", sep = "")
cat("EN: Higher stress was associated with shorter sleep, r(", ct$parameter, ") = ", bz_en(ct$estimate),
    ", ", ci_r_en(ct$conf.int[1], ct$conf.int[2]),
    ", ", p_en(ct$p.value), ".\n\n", sep = "")

# 3. Wynik nieistotny: stres na I i III roku
tr <- t.test(stres ~ rok, data = d)
cat("PL: Poziom stresu nie różnił się istotnie między studentami I i III roku, t(", num_pl(tr$parameter, 2), ") = ",
    minus(num_pl(tr$statistic)), ", ", p_pl(tr$p.value), "; różnica średnich = ", minus(num_pl(-diff(tr$estimate))),
    ", ", ci_pl(tr$conf.int[1], tr$conf.int[2]), ".\n", sep = "")
cat("EN: Stress did not differ significantly between first- and third-year students, t(", num_en(tr$parameter, 2),
    ") = ", minus(num_en(tr$statistic)), ", ", p_en(tr$p.value), "; mean difference = ", minus(num_en(-diff(tr$estimate))),
    ", ", ci_en(tr$conf.int[1], tr$conf.int[2]), ".\n\n", sep = "")

# 4. Zła jakość snu: regresja logistyczna (OR z przedziałem z profilu wiarygodności)
cat(sprintf("Zła jakość snu: %d osób (%.1f%%)\n", sum(d$zly_sen), 100 * mean(d$zly_sen)))
mod <- glm(zly_sen ~ praca + stres, family = binomial, data = d)
or <- exp(coef(mod)); ci <- exp(suppressMessages(confint(mod)))
pv <- summary(mod)$coefficients[, 4]
cat("PL: Po uwzględnieniu poziomu stresu praca zarobkowa wiązała się z większymi szansami złej jakości snu, OR = ",
    num_pl(or["praca"]), ", ", ci_pl(ci["praca", 1], ci["praca", 2]), ", ", p_pl(pv["praca"]), ".\n", sep = "")
cat("EN: After adjustment for stress, paid employment was associated with higher odds of poor sleep quality, OR = ",
    num_en(or["praca"]), ", ", ci_en(ci["praca", 1], ci["praca", 2]), ", ", p_en(pv["praca"]), ".\n", sep = "")
cat("EN (stress, per 1 point): OR = ", num_en(or["stres"]), ", ", ci_en(ci["stres", 1], ci["stres", 2]), ", ",
    p_en(pv["stres"]), ".\n", sep = "")
Wynik w R
N = 236; pracuje: 118 (50.0%)

PL: Studenci pracujący zarobkowo deklarowali wyższy poziom stresu (M = 3,14, SD = 0,59) niż niepracujący (M = 2,86, SD = 0,62), t(233,66) = 3,64, p < 0,001, d = 0,47.
EN: Students in paid employment reported higher stress (M = 3.14, SD = 0.59) than those not employed (M = 2.86, SD = 0.62), t(233.66) = 3.64, p < .001, d = 0.47; mean difference = 0.29, 95% CI [0.13, 0.44].

PL: Wyższy poziom stresu wiązał się z krótszym snem, r(234) = −0,48, 95% CI [−0,57; −0,37], p < 0,001.
EN: Higher stress was associated with shorter sleep, r(234) = −.48, 95% CI [−.57, −.37], p < .001.

PL: Poziom stresu nie różnił się istotnie między studentami I i III roku, t(230,73) = −1,51, p = 0,132; różnica średnich = −0,12, 95% CI [−0,28; 0,04].
EN: Stress did not differ significantly between first- and third-year students, t(230.73) = −1.51, p = .132; mean difference = −0.12, 95% CI [−0.28, 0.04].

Zła jakość snu: 90 osób (38.1%)
PL: Po uwzględnieniu poziomu stresu praca zarobkowa wiązała się z większymi szansami złej jakości snu, OR = 2,72, 95% CI [1,54; 4,87], p < 0,001.
EN: After adjustment for stress, paid employment was associated with higher odds of poor sleep quality, OR = 2.72, 95% CI [1.54, 4.87], p < .001.
EN (stress, per 1 point): OR = 2.67, 95% CI [1.64, 4.50], p < .001.

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko pakiety bazowe); rysunek przygotowano w pakietach ggplot2 i svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An ‘SVG’ graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Przed oddaniem angielskiego streszczenia sprawdź…

  • Czy schemat badania i sposób doboru próby są nazwane terminem z tabeli (cross-sectional, purposive sampling)?
  • Czy każde significant ma przy sobie statistically, a znaczenie praktyczne opisujesz wielkością efektu?
  • Czy w badaniu bez manipulacji nie ma słów influence, impact, effect of?
  • Czy wszędzie jest kropka dziesiętna, p i r bez zera wiodącego, a przedziały mają format 95% CI [a, b]?
  • Czy nie ma „p = .000” ani „trend towards significance”?
  • Czy Methods i Results są w czasie przeszłym, a Background i Conclusions w teraźniejszym?
  • Czy liczby w streszczeniu polskim, angielskim i w rozdziale wyników są identyczne?
  • Czy słowa kluczowe po angielsku odpowiadają terminom użytym w abstrakcie i mieszczą się w limicie uczelni?

Najczęstsze pytania

Jak przetłumaczyć „istotny statystycznie” na angielski – czy wystarczy „significant”?

Pisz statistically significant. Samo significant znaczy po angielsku także „ważny”, więc w pracy z nauk o zdrowiu czytelnik może je odczytać jako ważność kliniczną. Wynik nieistotny to not statistically significant albo nonsignificant – nie insignificant, które znaczy „błahy”.

Czy w angielskim streszczeniu pracy pisać kropkę dziesiętną, jeśli w polskim tekście jest przecinek?

Tak. Po angielsku separatorem dziesiętnym jest kropka, niezależnie od wymagań dla polskiej części pracy. Zmień też separator granic przedziału ufności: polskie [0,13; 0,44] po angielsku to 95% CI [0.13, 0.44], a p i r zapisuj bez zera wiodącego (p = .132, r = −.48).

Jak po angielsku opisać wynik „na granicy istotności”?

Nie używaj trend towards significance ani tendency. Napisz, że różnica nie była istotna statystycznie, podaj dokładne p, kierunek różnicy i przedział ufności, np. Stress did not differ significantly between groups, p = .132; mean difference = −0.12, 95% CI [−0.28, 0.04]. Przedział pokazuje, jakie różnice są zgodne z danymi.

Czy w abstrakcie po angielsku można napisać „influence”, jeśli badanie było przekrojowe?

Lepiej nie. Influence, impact i effect of X on Y sugerują związek przyczynowy, którego jeden pomiar nie pozwala ustalić. Pisz X was associated with Y albo the association between X and Y, a w regresji – X predicted Y, bez wniosków o przyczynie.

Jak po angielsku nazwać dobór celowy i dobór wygodny w streszczeniu pracy?

Dobór celowy to purposive sampling, dobór wygodny (dostępnościowy) – convenience sampling. W Methods napisz np. 236 nursing students recruited by purposive sampling completed…. Nie używaj słowa random, jeśli nikt nie losował osób do próby.

Powiązane hasła

Przeczytaj też

Piszesz angielskie streszczenie do pracy?

Sprawdzimy analizy i to, czy wyniki w streszczeniu polskim, angielskim i w rozdziale wyników mówią to samo – w R lub SPSS, z wyjaśnieniem, które pozwoli Ci samodzielnie obronić każdą liczbę.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000
  2. American Psychological Association. (2024). APA Style numbers and statistics guide. APA Style. https://apastyle.apa.org/instructional-aids/numbers-statistics-guide.pdf ● Otwarty dostęp
  3. Haber, N., Smith, E. R., Moscoe, E., Andrews, K., Audy, R., Bell, W., Brennan, A. T., Breskin, A., Kane, J. C., Karra, M., McClure, E. S., Suarez, E. A., & CLAIMS Research Team. (2018). Causal language and strength of inference in academic and media articles shared in social media (CLAIMS): A systematic review. PLOS ONE, 13(5), Article e0196346. https://doi.org/10.1371/journal.pone.0196346 ● Otwarty dostęp
  4. Hartley, J. (2014). Current findings from research on structured abstracts: An update. Journal of the Medical Library Association, 102(3), 146–148. https://doi.org/10.3163/1536-5050.102.3.002 ● Otwarty dostęp
  5. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., Vandenbroucke, J. P., & STROBE Initiative. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies. PLOS Medicine, 4(10), Article e296. https://doi.org/10.1371/journal.pmed.0040296 ● Otwarty dostęp
  6. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108 ● Otwarty dostęp
  7. Wood, J., Freemantle, N., King, M., & Nazareth, I. (2014). Trap of trends to statistical significance: Likelihood of near significant P value becoming more significant with extra data. BMJ, 348, Article g2215. https://doi.org/10.1136/bmj.g2215 ● Otwarty dostęp

Cytowania BibTeX

@book{apa2020publication, author={{American Psychological Association}}, title={{Publication manual of the American Psychological Association}}, year={2020}, edition={7th ed.}, publisher={American Psychological Association}, doi={10.1037/0000165-000}}
@misc{apa2024numbers, author={{American Psychological Association}}, title={{APA Style numbers and statistics guide}}, howpublished={APA Style}, year={2024}, publisher={American Psychological Association}, url={https://apastyle.apa.org/instructional-aids/numbers-statistics-guide.pdf}}
@article{haber2018causal, author={Haber, Noah and Smith, Emily R. and Moscoe, Ellen and Andrews, Kathryn and Audy, Robin and Bell, Winnie and Brennan, Alana T. and Breskin, Alexander and Kane, Jeremy C. and Karra, Mahesh and McClure, Elizabeth S. and Suarez, Elizabeth A. and {CLAIMS Research Team}}, title={{Causal language and strength of inference in academic and media articles shared in social media (CLAIMS): A systematic review}}, journal={PLOS ONE}, year={2018}, volume={13}, number={5}, eid={e0196346}, doi={10.1371/journal.pone.0196346}}
@article{hartley2014current, author={Hartley, James}, title={{Current findings from research on structured abstracts: An update}}, journal={Journal of the Medical Library Association}, year={2014}, volume={102}, number={3}, pages={146--148}, doi={10.3163/1536-5050.102.3.002}}
@article{vonelm2007strengthening, author={von Elm, Erik and Altman, Douglas G. and Egger, Matthias and Pocock, Stuart J. and Gøtzsche, Peter C. and Vandenbroucke, Jan P. and {STROBE Initiative}}, title={{The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: Guidelines for reporting observational studies}}, journal={PLOS Medicine}, year={2007}, volume={4}, number={10}, eid={e296}, doi={10.1371/journal.pmed.0040296}}
@article{wasserstein2016asa, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={{The ASA statement on p-values: Context, process, and purpose}}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}
@article{wood2014trap, author={Wood, John and Freemantle, Nick and King, Michael and Nazareth, Irwin}, title={{Trap of trends to statistical significance: Likelihood of near significant P value becoming more significant with extra data}}, journal={BMJ}, year={2014}, volume={348}, eid={g2215}, doi={10.1136/bmj.g2215}}
R