Portrait of a Secret Collaborator of the "Security Service" (SB) of the Polish People's Republic: Research on Archival Sources of the SB (Department VI in Szczecin) Using Machine Learning Algorithms and Prosopographic Analysis

Zbigniew WILCZYŃSKI Instytut Pamięci Narodowej, Szczecin, Polska Wiktor WERNER Uniwersytet im. Adama Mickiewicza, Wydział Historii, Poznań, Polska Portret tajnego współpracownika „bezpieki” . Badania źródeł archiwalnych SB (Wydziału VI w Szczecinie) z wykorzystaniem algorytmów uczenia maszynowego oraz analizy prozopograficznej Portrait of a Secret Collaborator of the “Security Service” (SB) of the Polish People’s Republic: Research on Archival Sources of the SB (Department VI in Szczecin) Using Machine Learning Algorithms and Prosopographic Analysis • Abstrakt • Celem artykułu jest charakterystyka tajnych współpracowników służby bezpieczeństwa PRL dokonana metodami tradycyjnymi (analiza prozopograficzna) i cyfrowymi (zastosowanie algorytmu uczenia maszynowego w formie drzewa decyzyjnego) oraz porównanie skuteczności obu metod dla wskazania, co charakteryzowało współpracowników składających donosy personalne. Słowa kluczowe: Służba Bezpieczeństwa (SB); prozopografia; tajni współpracownicy; drzewo decyzyjne • Abstract • The purpose of the article is to characterize the secret collaborators of the Security Service of the Polish People’s Republic by traditional (prosopographic analysis) and digital (application of the decision tree machine learning algorithm) methods, and to compare the effectiveness of the two methods for indicating what characterized the collaborators making personal denunciations. Keywords: Security Service (SB); prosopography; secret collaborators; decision tree Historia i Polityka Nr 49(56)/2024, ss. 9–25 www.hip.umk.pl ISSN 1899-5160, e-ISSN 2391-7652 DOI: http://dx.doi.org/10.12775/HiP.2024.019 10 Historia i Polityka • nr 49(56)/2024 Artykuły Wstęp – cele badawcze, dyskusja Niezwykle istotną częścią pracy operacyjnej Służby Bezpieczeństwa było wykorzystywanie tajnych współpracowników (TW) do zbierania informacji oraz wykonywania zleconych zadań. Ten temat doczekał się wielu opracowań oraz był przedmiotem głośnych i emocjonalnych dyskusji obecnych w mediach, w których znacznie częściej zadawano pytania dotyczące konkretnych osób, których nazwiska pojawiały się w archiwach SB (Dudek, 1998; Skibiński, 2003; Wiścicki, 2005; Buryła, 2009; Łaszczyński, 2010; Zarzycki, 2004), niż próbowano zobiektywizować obraz „konfidenta” z wykorzystaniem metod ilościowych i wspomaganych komputerowo. Taka perspektywa nie budzi zdziwienia w kontekście gorących emocji, jakie wywoływały (i nadal wywołują) odkrywane fakty dotyczące współpracy z SB osób znanych z życia publicznego. Jednak wraz z upływem czasu pojawia się również miejsce na „odpersonalizowanie” dyskusji o tajnych współpracownikach SB. Widać taką, paralelną, tendencję na przykładzie badań lingwistycznych Małgorzaty Hołdy (Hołda, 2009) czy psychologicznych Agnieszki Gałkowskiej (Gałkowska, 2007), jednak złożoność i ważkość zagadnienia zostawiają nadal pole dla wyszukiwania nowych metod i perspektyw badawczych, na co zwraca uwagę w swoim artykule z 2022 r. Daniel Wicenty. Autor twierdzi, że badacze zwykle poprzestają na wykorzystaniu akt tajnych współpracowników do opisu samej współpracy, ewentualnie do opisu danego środowiska, nie poszukując nowych sposobów ich zgłębiania (Wicenty, 2022). Warto zatem zastanowić się nad nowymi kierunkami i perspektywami badawczymi możliwymi do zastosowania w tej specyficznej dziedzinie. Nasza propozycja dotyczy aplikacji metod statystycznych, prozopograficznych oraz metod algorytmicznych uczenia maszynowego do zbadania źródeł archiwalnych SB powiązanych z działalnością Wydziału VI WUSW w Szczecinie. Zastosowanie metod ilościowych daje możliwość agregacji danych i wyjścia poza problem wiarygodności pojedynczych teczek oraz informacji, na które zwracana jest uwaga podczas metodycznych dyskusji na temat pracy z tego rodzaju źródłami (Michalski, 2006; Brzechczyn, 2012), wprowadzenie metod algorytmicznych stwarza natomiast (nadal rzadko wykorzystywaną) możliwość znajdowania wśród badanych zjawisk powiązań nieoczywistych z poziomu pracy nad pojedynczymi teczkami, a zauważalnych dopiero z perspektywy zagregowanego zbioru danych. Na możliwości kryjące się w nowych, wspomaganych komputerowo metodach zwracają coraz częściej uwagę badacze z głównych ośrodków naukowych na świecie, takich jak Stanford University czy Princeton University (Grimmer, Roberts, Stewart, 2021; Cranmer, 2019), a wyniki uzyskiwane z zastosowania tych metod, jak spektakularne badania nad nieoczywistymi przyczynami wybuchu amerykańskiej wojny domowej 11Zbigniew Wilczyński, Wiktor Werner • Portret tajnego współpracownika „bezpieki” przeprowadzone przez zespół wykorzystujący algorytmy uczenia maszynowego dla historii polityczno-militarnej (Basuchoudhary i in., 2021), zachęcają do implementacji tych metod do analiz rodzimych źródeł i zagadnień. Cele przyświecające powstaniu tego artykułu mają zatem zarówno charakter metodologiczny (porównanie metod statystycznych, prozopograficznych i metody uczenia maszynowego zastosowanych do zbadania danych z archiwaliów SB), jak i poznawczy: znalezienie odpowiedzi na pytanie, jacy ludzie współpracowali z niesławną Służbą Bezpieczeństwa i składali donosy na swoich rodaków, często kolegów czy koleżanki. W naszych badaniach nie chodzi nam jednak o personalia konfidentów, lecz określenie typu osoby skłonnej nie tylko do ogólnie rozumianej współpracy, ale także do składania bardziej zaangażowanych, personalnych donosów. Przygotowanie bazy empirycznej Wydział VI WUSW w Szczecinie został przez nas wybrany jako empiryczna baza do badań z powodu relatywnie wysokiego odsetka zachowanej dokumentacji tajnych współpracowników. Na dzień 1 stycznia 1989 r. liczba akt TW VI oddziału liczyła 171 (AIPN, Sz 0012/375 t. 175, s. 113). Na potrzeby niniejszego artykułu udało się pozyskać i zeskanować ponad 130 jednostek archiwalnych (j.a.) łącznie liczących ponad sześć tysięcy stron. Niektóre wytypowane j.a. trzeba było odrzucić (np. okazały się aktami kandydatów na TW, a nie czynnych TW), więc ostatecznie baza danych objęła 123 teczki1 stanowiące 73% spośród akt TW tworzących sieć agenturalną VI Wydziału. Dane zawarte w zgromadzonych aktach posłużyły do wykonania bazy danych, w której wszystkie poszczególne przypadki były opisane za pomocą zbioru kategorii, dla badań prezentowanych w prezentowanym artykule wykorzystywaliśmy poniższe kategorie: • kategorie identyfikacyjne: sygnatura akt i pseudonim TW, • rok rozpoczęcia współpracy oraz rok zakończenia współpracy, a także długość współpracy w latach, • wcześniejsze rozpracowanie, • karalność, 1 Przez (używane również w publikacjach naukowych) potoczne wyrażenie „teczki” należy rozumieć akta personalne i akta pracy tajnego współpracownika. Często mamy jednak do czynienia tylko z jedną, połączoną teczką (akta personalne i pracy TW) zawierającą zarówno kwestionariusz o współpracowniku i opis przebiegu samego pozyskania, jak i sporządzone w toku współpracy informacje (przyp. aut.). 12 Historia i Polityka • nr 49(56)/2024 Artykuły • wiek w momencie pozyskania, • płeć, • wykształcenie, • charakter pracy, • czy TW był nagradzany, • łączna wysokość wynagrodzenia (ta kategoria nie mogła być jednak wykorzystana do analizy ilościowej ze względu na dużą ilość brakujących danych), • przynależność do PZPR, • czy udzielane informacje odnosiły się personalnie do innych osób (miały charakter personalnych donosów), • informacja o zniszczeniu teczki pracy, • liczba zachowanych informacji. Analiza statystyczna danych ilościowych Pierwszym etapem naszych badań po opracowaniu bazy danych (opisanej we wcześniejszej sekcji) było wykonanie analizy statystycznej mającej ukazać portret typowego (przeciętnego) tajnego współpracownika Wydziału VI. Zebrane i zagregowane dane zostały zilustrowane poniższymi grafikami 1–3. Grafika 1. Wiek TW w momencie rozpoczęcia współpracy, odrębnie dla kobiet i mężczyzn. Oś Y – wiek TW mierzony w latach [13] Grafika 2. Charakterystyka TW w kontekście kategorii: płeć (legenda), fakt składania personalnych donosów, karalność, wcześniejsze rozpracowywanie i przynależność do PZPR Grafika 3. Długość współpracy w latach dla TW obu płci 14 Historia i Polityka • nr 49(56)/2024 Artykuły Z akt wynika, że tajny współpracownik to zdecydowanie częściej mężczyzna niż kobieta. Mężczyźni rozpoczynali współpracę w wieku powyżej czterdziestego roku życia, kobiety po trzydziestce. Dla mężczyzn możliwy jest fakt karalności (dla mniejszości TW), dla kobiet ten fakt nie występuje. Dla obu płci zdecydowana mniejszość była wcześniej rozpracowywana, w obu przypadkach osoby współpracujące znacznie częściej składały personalne donosy (obciążające konkretnych ludzi), niż się od tego skutecznie uchylały. Kwestia składania donosów będzie przez nas jeszcze analizowana odrębnie, gdyż wstępna analiza nie wykazała jednoznacznego powiązania tej kategorii z innymi. Skomplikowana jest również kwestia przynależności do PZPR, zasadniczo SB miała zakaz werbowania członków partii (Pastuszewski, 2019). Mniejsza liczba członków PZPR wśród TW świadczy o tym, że zakaz był do pewnego stopnia respektowany. Sam fakt, że niektórzy TW do partii należeli, wskazuje, że w praktyce bywał omijany. Grafika 4. Rozkład przynależności TW do następujących kategorii: płeć (kolor), przynależność do PZPR (oś X), wykształcenie (oś Y) 15Zbigniew Wilczyński, Wiktor Werner • Portret tajnego współpracownika „bezpieki” Pytanie, kim byli członkowie PZPR, którzy decydowali się na współpracę z naszym wydziałem SB, wprowadza nas do zagadnienia pozycji zawodowej i wykształcenia TW, które są bardziej złożonymi (podzielonymi na wiele zmiennych) kategoriami i wymagają bardziej skomplikowanych wizualizacji w postaci wykresów typu „stripplot” ukazujących rozkład danych na poszczególne kategorie, gdzie punkty oznaczają poszczególnych TW rozdzielonych na trzy kategorie (osie X i Y na wykresie oraz wyróżnienie kolorystyczne). Jak można zobaczyć na wykresach 4 i 5, TW należący do PZPR mieli zazwyczaj wyższe wykształcenie i odpowiednią do niego pozycję zawodową kierowników, pracowników umysłowych i specjalistów. Grafika 5. Rozkład przynależności TW do następujących kategorii: płeć (kolor), przynależność do PZPR (oś X), pozycja zawodowa (oś Y) 16 Historia i Polityka • nr 49(56)/2024 Artykuły Wśród TW nie wszyscy składali donosy obciążające konkretne osoby (personalne donosy), jednak fakt składania takich donosów nie koreluje jednoznacznie (przynajmniej na pierwszy rzut oka) z żadną z kategorii przypisanych do osób współpracujących z SB. W celu znalezienia korelacji, które są mniej oczywiste, postanowiliśmy zastosować wspieraną komputerowo metodę „drzewa decyzyjnego” (decision tree). Zastosowanie algorytmu drzewa decyzyjnego Algorytm drzewa decyzyjnego jest stosowany w naukach społecznych od lat 60. ubiegłego stulecia w celu grupowania badanych zjawisk w zbiory jednorodne (klasyfikacja) i wyszukiwania nieoczywistych powiązań między zjawiskami (Loh, 2011). Jego podstawową zaletą z perspektywy nauk społecznych (oprócz relatywnej prostoty) jest fakt, że może on analizować każdy typ danych – zarówno ilościowy, jak i jakościowy. Algorytm działa na zasadzie dokonywania podziałów binarnych tak długo, aż doprowadzą one do powstania zbiorów jednorodnych (w przypadku klasyfikacji). Badana jest również korelacja między zmienną zdefiniowaną jako „zależna” a zbiorem zmiennych zdefiniowanych jako „niezależne”, w naszym przypadku oznacza to badanie korelacji między faktem składania donosów personalnych a cechami TW jako osoby (płcią, przynależnością do PZPR, wiekiem, długością współpracy i pozycją zawodową). Algorytm działa na zasadzie zadawania pytań zbiorowi danych, które powodują podział zbioru na dwie części (przykładowe pytanie: „Czy TW należał do PZPR?”), a następnie sprawdzania, jak wpływa odpowiedź na dane pytanie na wiedzę o tym, czy dany TW składał donosy personalne. Szczególną zaletą algorytmu jest zdolność testowania zależności zachodzących między pojedynczą zmienną, którą możemy określić jako skutek, a całym zbiorem zmiennych, z których chcemy wyodrębnić najbardziej prawdopodobne przyczyny zaistnienia konkretnego skutku (Younas i in., 2022). W celu „uruchomienia” algorytmu musimy zatem podzielić nasze dane na zmienne określone jako „zależne” i „niezależne”, a następnie na część treningową (w której algorytm będzie doszukiwał się zależności między zmiennymi niezależnymi a zależnymi) oraz testową, w której będzie testował, na ile określone zależności dają możliwość „zgadnięcia”, kiedy występuje określona wartość zmiennej zależnej. Na potrzeby naszych badań dokonaliśmy implementacji algorytmu drzewa decyzyjnego, wykorzystując moduł do badań naukowych języka programowania python: scikit-learn 1.3.2. W wyniku przeprowadzonych działań uzyskaliśmy następujące efekty zwizualizowane w postaci wykresu drzewiastego: 17Zbigniew Wilczyński, Wiktor Werner • Portret tajnego współpracownika „bezpieki” Grafika 6. Wykres drzewa decyzyjnego obrazujący, w jaki sposób dzielenie zbioru danych pytaniami o odpowiedzi binarnej (tak lub nie) wpływa na wiedzę o fakcie składania donosów. Strzałki odchodzące w lewo (true) wskazują nam kierunek pozytywnej korelacji z faktem składania donosów. Efektem zadawania pytań jest zmiana w poziomie informacji mierzona entropią. Wartość entropii (entropy) ukazana jest dla całej alternatywy (liścia) i dla poszczególnych składowych pytania (value). Pytania dzielą zbiór na podzbiory zawierające określoną część (ujętą procentowo) elementów (samples) Miarą zdobywania wiedzy na temat zmiennej zależnej, który to proces jest zobrazowany na powyższym wykresie drzewiastym, jest entropia stanowiąca pomiar zmiany w informacji obecnej w zbiorze danych – konkretnie entropia jest logarytmem naturalnym odwrotności prawdopodobieństwa zaistnienia danego faktu (Maszczyk, Duch, 2008). Parametr entropii pokazuje nam, jak wraz z zadanym pytaniem wzrasta lub spada nasza pewność na dany temat, przy czym ważna jest dynamika jej spadku. Wartość entropii równa 1 oznacza pełną niepewność co do faktu, wartość równa 0 to całkowita pewność co do faktu. Zmiana w wartości (value) entropii dla zbioru danych dokonuje się w wyniku zadawanych pytań i obliczana jest odrębnie dla każdej odpowiedzi oraz łącznie dla całej alternatywy. Jeżeli w wyniku zadania pytania nie uzyskujemy pewności na temat faktu, sumaryczna wartość entropii (entropy) obecnej na danym poziomie przekracza jeden i konieczne jest zadanie kolejnego pytania i zejście poziom niżej. 24 Historia i Polityka • nr 49(56)/2024 Artykuły Skibiński, P. (2003). Infiltracja komunistycznych służb specjalnych w polskim Kościele – co już wiemy? Informacja na temat stanu badań. Teologia Polityczna, 1, 57–70. Wicenty, D. (2022). O znaczeniu fałszywego świadectwa. Przypadek TW „Jakuba” a fikcje operacyjne SB dotyczące tajnych współpracowników. Dzieje Najnowsze, 54(3), 151–174. Wiścicki, T. (2005). Nie każdy musiał. Więź, 47(561), 5–8. Younas, N., Ali, A., Hina, H., Hamraz, M., Khan, Z., Aldahmani, S. (2022). Optimal Causal Decision Trees Ensemble for Improved Prediction and Causal Inference. IEEE Access, 10, 13000–13011. Zarzycki, M. (2004). Przypadek Henryka Karkoszy. Karta, 41, 143–145. Źródła archiwalne IPN Szczecin (Pseudonim TW, sygnatura teczki): Pseudonim Sygnatura Adam IPN Sz 0010/1197 Adam IPN Sz 0010/1355 Adamowicz IPN Sz 0010/3000 Agata IPN Sz 0010/3041 Alek IPN Sz 0010/1942 Anatol IPN Sz 0010/3038 Andrzej IPN Sz 0010/1999 Andrzej IPN Sz 0010/3117 Andrzej 1 IPN Sz 0010/944 t. 1–2 Ania IPN Sz 0010/1517 Anna IPN Sz 0010/1501 Bandera IPN Sz 0010/1742 Barbara IPN Sz 0010/1747 Bartek IPN Sz 0010/3429 Bogdan IPN Sz 0010/2334 Bolek IPN Sz 0010/3177 Buk IPN Sz 0010/2013 Bukowski IPN Sz 0010/3076 Byk IPN Sz 0010/3067 Cepelia IPN Sz 0010/3078 Chłodziarz IPN Sz 0010/1743 Czarny IPN Sz 0010/2228 Dag IPN Sz 0010/3077 Danuta IPN Sz 0010/1720 Dorota IPN Sz 0010/2208 DS/SD IPN Sz 0010/2995 Edward/Leszek IPN Sz 0010/2705 Ekspert IPN Sz 0010/3040 Pseudonim Sygnatura Ely IPN Sz 0010/1998 Energetyk IPN Sz 0010/2994 Fachowiec IPN Sz 0010/1571 Feliks IPN Sz 0010/3072 Franek IPN Sz 0010/1661 Franek IPN Sz 0010/2826 Grażyna IPN Sz 0010/2374 Grażyna IPN Sz 0010/3113 Grzejnik IPN Sz 0010/2001 Handlowiec IPN Sz 0010/3033 Hanka IPN Sz 0010/1210 Harry Coss IPN Sz 0010/2222 Henia IPN Sz 0010/1424 Hodowca IPN Sz 0010/3104 Jacek IPN Sz 0010/1932 Jadwiga IPN Sz 0010/3039 Jakub IPN Sz 0010/2775 Jan IPN Sz 0010/3071 Jaz IPN Sz 0010/2384 Jodłowski IPN Sz 0010/1744 Józef IPN Sz 0010/1663 Justyna IPN Sz 0010/1423 Kaktus IPN Sz 0010/3568 Kazimierz IPN Sz 0010/2016 Klemens IPN Sz 0010/2213 Kola IPN Sz 0010/2425 Konrad IPN Sz 0010/2372 Konrad IPN Sz 0010/3105 25Zbigniew Wilczyński, Wiktor Werner • Portret tajnego współpracownika „bezpieki” Pseudonim Sygnatura Konsultant IPN Sz 0010/3058 Korek/Żuraw IPN Sz 0010/2807 Kostrzewa IPN Sz 0010/983 Kot IPN Sz 0010/3179 Kowalewski IPN Sz 0010/4055 Lustrator IPN Sz 0010/2999 Marek IPN Sz 0010/1118 Marek IPN Sz 0010/1422 Marek IPN Sz 0010/2373 Marek IPN Sz 0010/3176 Marian IPN Sz 0010/3101 Markiewicz IPN Sz 0010/1569 Marta IPN Sz 0010/1662 Mateusz IPN Sz 0010/2017 Maurycy IPN Sz 0010/3035 Mek IPN Sz 0010/2452 Mirka IPN Sz 0010/1056 Monika IPN Sz 0010/2229 Motor IPN Sz 0010/2209 Nauczyciel IPN Sz 0010/1596 Nr 13 IPN Sz 0010/1664 Odra IPN Sz 0010/1973 Ogrodnik IPN Sz 0010/3081 Ola IPN Sz 0010/1987 Oleg IPN Sz 0010/1354 Olek IPN Sz 0010/2377 Oneks IPN Sz 0010/1594 Orzeł IPN Sz 0010/2000 Paweł IPN Sz 0010/3124 Piotr IPN Sz 0010/1737 Prezes IPN Sz 0010/2015 Proat IPN Sz 0010/3102 Rak IPN Sz 0010/2727 Rak IPN Sz 0010/3036 Pseudonim Sygnatura Robert IPN Sz 0010/1564 Roman IPN Sz 0010/1660 Ropa IPN Sz 0010/1119 Róża IPN Sz 0010/3070 Rubin IPN Sz 0010/1673 Rysio IPN Sz 0010/2014 Siwek IPN Sz 0010/1738 Sławek IPN Sz 0010/2072 Słowik IPN Sz 0010/3116 Specjalista IPN Sz 0010/2728 Stary IPN Sz 0010/1988 Stefan IPN Sz 0010/3075 Stefania IPN Sz 0010/2106 Strop IPN Sz 0010/2806 Sylwester IPN Sz 0010/1933 TA/AT IPN Sz 0010/2206 Tara IPN Sz 0010/3069 Teodor IPN Sz 0010/2007 Tomasz IPN Sz 0010/2776 Tor IPN Sz 0010/1659 Tulipan IPN Sz 0010/2811 Wera IPN Sz 0010/2205 Wiktor IPN Sz 0010/1997 WJ IPN Sz 0010/3118 Wolski IPN Sz 0010/4172 Zefir IPN Sz 0010/3068 Zenek IPN Sz 0010/2051 Zetor IPN Sz 0010/2207 Zygmunt IPN Sz 0010/3048 Zygmunt IPN Sz 0010/3073 Zygmunt IPN Sz 0010/3165 Żak IPN Sz 0010/2375 Żuk IPN Sz 0010/3074 Protokół z kontroli kompleksowej pracy Wydziału VI WUSW w Szczecinie, 8. Stan pracy z osobowymi źródłami informacji. AIPN, Sz 0012/375 t. 175