Metodologia

Strona dokumentuje wszystkie zewnętrzne źródła danych wykorzystywane w serwisie surname.pl, ich licencje oraz sposób, w jaki oznaczamy treści zweryfikowane wobec generowanych algorytmicznie. Pełniejszy rejestr datasetów wraz z bezpośrednimi linkami do plików źródłowych znajdziesz na stronie Źródła danych.

Źródła danych i licencje

Daty w kolumnie «Data pobrania» odnoszą się do momentu pobrania źródłowych plików; rejestr PESEL prowadzony przez GUS zawiera dane o stanie na styczeń 2026.

System jakości danych

Każdej stronie nazwiska przypisujemy jeden z trzech poziomów jakości. Klasyfikacja jest egzekwowana na poziomie szablonu strony oraz generatora sitemap.xml — strony niespełniające minimalnych wymagań są wyłączone z indeksowania w wyszukiwarkach.

• rich — etymologia zweryfikowana lub wygenerowana przez LLM z weryfikacją oraz dane o rozkładzie wojewódzkim oraz lista znanych osób noszących nazwisko. Strona indeksowana, obecna w sitemap.xml.
• acceptable — jakakolwiek etymologia (algorytmiczna, LLM lub Wiktionary) wraz z danymi o rozkładzie wojewódzkim. Strona indeksowana, obecna w sitemap.xml.
• thin — minimalne dane: brak etymologii lub brak rozkładu. Strona oznaczona <meta name="robots" content="noindex,follow"> oraz wykluczona z sitemap.xml. Pozostaje dostępna pod bezpośrednim adresem URL, ale nie pojawia się w wynikach wyszukiwania.

Etymologia zweryfikowana vs. algorytmiczna

Pod każdą sekcją etymologii na stronie nazwiska znajduje się etykieta z kropką i krótkim opisem źródła. Trzy warianty są jednoznacznie rozróżnialne wizualnie:

• Zweryfikowana etymologia (zielona kropka) — pochodzi bezpośrednio z polskojęzycznego Wiktionary, opracowana przez społeczność edytorów na licencji CC BY-SA 3.0. Pole etymology.source = "wiktionary".
• Etymologia wygenerowana · AI (szara kropka) — wygenerowana przez model językowy Claude na podstawie korpusu lingwistycznego oraz analizy rdzenia i przyrostka, następnie poddana automatycznej walidacji. Pole etymology.source = "llm"; każdy wpis ma dodatkowo poziom pewności confidence: high | medium | low. Etymologie z poziomem low są celowo nieprezentowane lub wykluczone z indeksowania w ramach klasy thin.
• Etymologia algorytmiczna (szara kropka) — wygenerowana czysto deterministycznie z analizy przyrostka i rdzenia, bez udziału modelu językowego. Pole etymology.source = "algorithmic". Stosowana dla nazwisk, dla których brak jest źródeł zweryfikowanych ani LLM-owych.

Każda etykieta jest renderowana w bezpośrednim sąsiedztwie tekstu etymologii, dzięki czemu czytelnik na pierwszy rzut oka wie, czy ma do czynienia z opracowaniem ludzkiego edytora, treścią wygenerowaną przez AI, czy wynikiem analizy strukturalnej. Spis pełnych pól zwracanych dla każdego nazwiska — wraz z danymi statystycznymi GUS — znajduje się na stronie Źródła danych.