Ahogyan azt az elmúlt években láthattuk, a generatív mesterséges intelligencia (MI) rohamosan terjed az egyetemi és kutatói környezetben, valójában ezáltal a kutatás és tanulás módszertana egy új szakaszba lépett, ahol a számítógépes rendszerek által nyújtott segítség egyre hangsúlyosabbá válik.
A generatív mesterséges intelligencia
A generatív MI lényege, hogy mintázatokat tanul az adatokból, és ezek alapján képes új tartalmat előállítani: legyen szó szövegről, képről vagy akár hangról. A felhasználó kérdései alapján a modell prediktálja a legvalószínűbb választ, de nem értelmezi a kérdést, nem érti a kontextust, és nem tudja ellenőrizni a választ. Ez a működés alapvetően különbözik az emberi gondolkodástól, ahol a kontextus, a kritikai elemzés és az értelmezés elengedhetetlen.
Mi a jó prompt, és miért fontos?
A prompt az az utasítás vagy kérdés, amit a mesterséges intelligenciának adunk – gyakorlatilag a kiindulópontja minden válasznak. Olyan, mint egy jól megfogalmazott kutatási kérdés: minél világosabban mondjuk el, mit szeretnénk, annál pontosabban kapjuk meg a választ. Egy jó promptra tekinthetünk úgy is, mint egy iránytűre: megmutatja a mesterséges intelligenciának, merre induljon el a gondolataink között.
A prompt lehet egyetlen szó („összefoglalás”), egy kérdés („magyarázd el, mi a generatív mesterséges intelligencia”), vagy akár egy összetett feladatleírás („írj egy 10 pontból álló vázlatot arról, hogyan befolyásolja a mesterséges intelligencia a tudományos publikálást”).A lényeg, hogy a mesterséges intelligencia nem „gondolkodik” emberként, kizárólag a promptból következteti ki a szándékunkat. Ezért a jó prompt nemcsak azt mondja meg, mit szeretnénk, hanem azt is, hogy hogyan és milyen kontextusban.
A jó prompt tehát:
- Konkrét: egyértelműen leírja, mit szeretnénk.
- Kontextust ad: kinek, miért, milyen célból készüljön a válasz.
- Kijelöli a korlátokat, elvárásokat: hogyan, milyen stílusban, terjedelemben, formában kérjük a választ.
- Lépéseket adhat, például: „először sorold fel a témákat, majd hasonlítsd össze őket”.
Ha túl kevés információt adunk, a modell találgatásra kényszerül; ha túl sok a zavaró adat, a válasz elveszítheti fókuszát. A promptolás technikája valójában annyit jelent, hogy nem csupán „megkérdezem, amit akarok”, hanem egy átgondolt stratégia mentén felépítem a kérdéseim rendszerét.
Milyen egyéb MI-eszközöket használhat egy kutató?
Míg a generatív MI (mint a ChatGPT) a kreatív gondolkodásban vagy a szövegalkotásban tud segíteni, számos specializált eszköz is létezik, amelyek a kutatói munkafolyamat egy-egy konkrét szakaszát támogathatják az ötleteléstől a szakirodalom megtalálásán és elemzésen át egészen a publikációk elkészítéséig.
Érdemes egyetlen modell vagy alkalmazás helyett ezek ökoszisztémáját megismerni és alkalmazni, amelyben az eszközök egymást kiegészítve támogatják a tudományos munkát.
Az olyan eszközök, mint a Consensus vagy az Elicit segítenek releváns tudományos források megtalálásában, a ResearchRabbit vagy a LitMaps pedig mindemellett hivatkozási hálók feltérképezésére és a cikkek közötti kapcsolatok megjelenítésére is képesek.
A Zotero vagy az EndNote referencia-menedzsment szoftverek, amelyek MI integrációikkal együtt segítenek az olvasott szakirodalom rendszerezésében, automatikus összegzések készítésében, és persze a hivatkozások kezelésében.
A Grammarly, a JenniAI, vagy a Paperpal eszközök segítenek a tudományos szövegek nyelvi finomításában, stilisztikai és nyelvhelyességi ellenőrzésében.
Forradalmi változások, vagy csak a kezdet?
Mindezekkel együtt még mindig sok a kérdőjel. Hogyan lehet megtalálni az egyensúlyt a prediktív MI és az emberi kritikai gondolkodás között? Hogyan biztosítható, hogy a válaszok megbízhatóak és a kutatási céloknak megfelelőek legyenek? Hogyan integráljuk a kiegészítő kutatási eszközöket a mindennapi munkába?
Érdemes kitartóan és tudatosan kísérletezni, tanulni, és a legjobb gyakorlatokat megosztani a közösséggel. Az MI nem helyettesít, hanem támogat – és aki megtanul jól „beszélni” a modellekkel, sokkal többet hozhat ki belőlük.
Ha az MI eszközöket tervezett stratégia mentén használjuk, vagyis világos, konkrét promptokat adunk, kontextust biztosítunk, és tudatosan kombináljuk a különböző eszközöket, rendkívül hatékonyan támogathatjuk tudományos munkánkat. Ugyanakkor fontos szem előtt tartani, hogy ezek az eszközök ugyan inspirációt adhatnak, segíthetnek az adatok rendszerezésében és a publikációk szövegének finomításában, de nem képesek döntéseket hozni vagy vállalni a felelősséget a tartalomért. Ezért a kapott válaszokat mindig a saját kritikai gondolkodásunk tükrében értelmezzük.
Te milyen stratégiát követsz a világos és célzott promptok kialakításához?
Források:
Bhattacharya, S., & Bhattacharya, K. (2025). Critical thinking and artificial intelligence—Vital for researchers, reviewers, and editors. Indian Journal of Surgery. https://doi.org/10.1007/s12262-025-04440-7
Giray, L. (2023). Prompt engineering with ChatGPT: A guide for academic writers. Annals of Biomedical Engineering, 51, 2629–2633. https://doi.org/10.1007/s10439-023-03272-4
Larson, E. J. (2021). The myth of artificial intelligence: Why computers can’t think the way we do. The Belknap Press of Harvard University Press. Cambridge, Massachusetts. ISBN 9780674983519.
Oyelude, A. A. (2024). Artificial intelligence (AI) tools for academic research. Library Hi Tech News, 41(8), 18–20. https://doi.org/10.1108/LHTN-08-2024-0131
Yazdani, S., Singh, A., Saxena, N., & et al. (2025). Generative AI in depth: A survey of recent advances, model variants, and real-world applications. Journal of Big Data, 12, 230. https://doi.org/10.1186/s40537-025-01247-x