Aktualności
Sprawy nauki
18 Listopada
Źródło: Grok Imagine (model generowania obrazów wbudowany w Grok)
Opublikowano: 2026-11-18

Detektor kontra próg

Deklarowana pełna odpowiedzialność autora jest fundamentem, ale staje się pustą formułą, gdy oznacza wyłącznie akceptację wyniku, którego autor nie potrafi wyjaśnić, sprawdzić ani obronić – pisze dr Błażej Sajduk, adiunkt w Katedrze Bezpieczeństwa Narodowego Uniwersytetu Jagiellońskiego, zastępca kierownika Centrum Badań Ilościowych nad Polityką.

Od lutego 2024 roku polski system antyplagiatowy szacuje prawdopodobieństwo użycia AI, opierając się między innymi na regularności i przewidywalności tekstu. W tym samym czasie najwięksi wydawcy naukowi nie przestali pytać o udział sztucznej inteligencji, lecz przesunęli punkt ciężkości z samego faktu jej użycia na funkcję narzędzia, poziom ryzyka, weryfikację i odpowiedzialność autora.

Argumenty za drugą drogą znajdują się pod tekstami na portalu www.forumakademickie.pl, a przedstawiona poniżej próba jej operacjonalizacji łączy próg funkcjonalny z formularzem ujawnienia, trzema typami zadań dydaktycznych oraz zasadą „podłogi” i „sufitu”, zgodnie z którą odpowiedź osiągalna dla powszechnie dostępnego modelu powinna wyznaczać dolną, a nie górną granicę akademickich oczekiwań.

Dwa przeciwne kierunki

Od 20 lutego 2024 roku Jednolity System Antyplagiatowy, prowadzony przez Ośrodek Przetwarzania Informacji, oferuje promotorom w całym kraju opcjonalną „analizę SI”, czyli osobną sekcję raportu, w której podejrzane fragmenty są oznaczane wprost w tekście pracy. Kierunek jest zrozumiały, bo promotor chce narzędzia, które powie mu, czy student napisał pracę sam.

Warto jednak wiedzieć, co ta sekcja mierzy. Metoda opiera się, jak podaje OPI w bazie wiedzy JSA, „na hipotezie, że im większa regularność w tekście, tym jest większe prawdopodobieństwo, że został on wytworzony przez model językowy”. Narzędzie nie wykrywa więc autorstwa, lecz regularność i przewidywalność tekstu, co Małgorzata Wartacz, kierowniczka projektu JSA w OPI, mówi wprost, wyjaśniając, że system „nie daje stuprocentowej pewności” i „określa wyłącznie prawdopodobieństwo” (Promotor sprawdzi, czy student korzystał z technologii ChatGPT).

W tym samym czasie Nature Portfolio (Artificial Intelligence (AI). A risk-assessment framework for responsible AI use in research publishing, polityka redakcyjna, odczyt 21 sierpnia 2026) przesunęło punkt ciężkości z samego faktu użycia modelu na ocenę ryzyka i wpływu narzędzia na osąd naukowy, nie rezygnując przy tym z zasady przejrzystego deklarowania zastosowań AI. Elsevier (Generative AI policies for journals, zasady dla autorów, odczyt 21 sierpnia 2026) nie wymaga deklarowania podstawowego sprawdzania gramatyki, pisowni i interpunkcji, lecz nakazuje ujawnić użycie narzędzia, gdy dokonuje ono istotnych zmian w strukturze zdań lub organizacji tekstu. International Science Council wraz z WCRIF, COPE, STM i Global Young Academy konsultuje wspólny standard raportowania (Towards a Global Reporting Standard for AI Disclosure. Consultation Round 2. Preparatory reading, wersja 4.5, 8 lipca 2026), w którym kluczową sprawą pozostaje próg ujawnienia, a konsultowana propozycja obejmuje użycia istotnie kształtujące lub zastępujące ludzki osąd oraz w inny istotny sposób wpływające na badanie lub jego opis.

Małgorzata Kochanowicz i Dota Szymborska opisały niedawno na tych łamach cztery modele adaptacji polskich uczelni i umieściły wśród nich model decentralizacyjny („Mistrz-Uczeń”), model technokratyczny („Inżynier-Detektyw”) oraz dwa modele adaptacyjne, określone jako AI Literacy oraz Partnerstwo i transparentność (Polityka AI na uczelniach – między presją a regulacją). Te modele nie są jednak równorzędne, ponieważ model technokratyczny czyni z detekcji główny instrument kontroli, podczas gdy pozostałe przenoszą punkt ciężkości na relację z promotorem, edukację lub jawność użycia.

Nożyce się rozwierają, ponieważ Polska inwestuje w szacowanie prawdopodobieństwa użycia AI, choć samo OPI zastrzega, że jego narzędzie niczego nie rozstrzyga (dyrektor OPI zapewniał na tych łamach, że „cały czas rozwijamy narzędzia do detekcji tekstu napisanego przez AI”) dokładnie wtedy, gdy część wiodących wydawców przestała uznawać sam fakt użycia za wystarczające kryterium i przesunęła punkt ciężkości na funkcję narzędzia, poziom ryzyka, weryfikację i odpowiedzialność autora. Anna Małgorzata Kamińska i Aneta Drabek nazwały rutynowe przesiewanie manuskryptów przez detektory „detector-washingiem”, czyli pozornym bezpieczeństwem kupionym zamiast polityki (Zagranica reguluje, Polska milczy). Podobny kierunek wskazał Marcin M. Mirończuk, proponując ocenę funkcji narzędzia, metody, odpowiedzialności i samodzielności autora (AI, autorstwo i odpowiedzialność). Zgadzam się z tymi diagnozami, ale rozwijam je w stronę rozwiązania operacyjnego, które ma odpowiedzieć na pytanie, co powinno stanąć w miejscu detekcji, skoro samo jej porzucenie niczego nie rozstrzyga, i łączy próg funkcjonalny z formularzem ujawnienia, trzema typami zadań dydaktycznych oraz zasadą podłogi i sufitu.

Co właściwie wykrywa znak wodny

Można sądzić, że pomiar regularności to prowizorka, którą zastąpi wkrótce twarde znakowanie treści u źródła. W sierpniu tego roku Anthropic ogłosił, że modele Claude wprowadzane na rynek Unii Europejskiej od drugiego sierpnia, a stopniowo także modele wcześniejsze, mają obsługiwać w wytwarzanym tekście znak czytelny maszynowo (How Claude marks AI-generated content, baza pomocy Anthropic, odczyt 21 sierpnia 2026, oraz How Claude’s text watermark works, Anthropic, 14 sierpnia 2026). Rozwiązanie wiąże się z sekcją pierwszą dobrowolnego unijnego „Code of Practice on Transparency of AI-generated Content”, wspierającą wykonanie artykułu 50 ustęp 2 aktu o sztucznej inteligencji, ale dla obsługiwanych modeli ma działać globalnie. Sam artykuł 50 ustęp 2 wyłącza obowiązek znakowania, gdy system AI pełni funkcję wspomagającą standardową edycję lub gdy nie zmienia istotnie danych wejściowych przekazanych przez podmiot stosujący ani ich semantyki.

Zastrzeżenia producenta rozwiewają jednak tę nadzieję, tym bardziej, że 21 sierpnia publiczne API do wykrywania tekstowego znaku nie było jeszcze dostępne. Wykryty znak zwiększa prawdopodobieństwo, że Claude uczestniczył w powstaniu lub przetworzeniu treści, lecz nie przesądza autorstwa ani nie odróżnia samodzielnego wygenerowania od daleko idącej redakcji lub tłumaczenia. Brak sygnału też niczego nie dowodzi, bo prosta korekta może pozostawić zbyt mało sygnału, a wykrywalność słabnie również po redakcji, parafrazie lub wtedy, gdy fragment jest za krótki. Najlepsza dostępna odpowiedź na pytanie „czy użyto AI” brzmi więc: „coś tu przeszło przez model” albo „ten akapit jest podejrzanie równy”. Pytanie jest więc źle postawione, a kłopot nie leży w trudności odpowiedzi, tylko w tym, że odpowiedź niczego nie rozstrzyga.

Dowód z własnych łamów

To, że brak progu jest realnym problemem, widać najlepiej w miejscu, którego nikt dotąd nie przeczytał jako materiału badawczego, czyli w komentarzach pod tekstami o AI na portalu „Forum Akademickiego”. Przejrzałem pięć dyskusji pod tekstami o AI opublikowanymi w tym serwisie od lutego 2024 do kwietnia 2026, obejmujących łącznie 113 komentarzy według stanu z 21 sierpnia 2026 roku. Rysuje się w nich obraz środowiska, które chce rozmawiać o tym samym, ale nie ma jak. Najczystszy przykład znajduje się pod tekstem Artura Strzeleckiego o śladach chatbota w czasopismach z górnych kwartyli (Jak treści generowane przez AI przedostają się do renomowanych czasopism?). Komentatorka „Dorota” pisze 21 stycznia 2025 roku, że „naukowiec, który musi protezować swoją inteligencję sztuczną inteligencją, żeby napisać publikację, nie powinien być naukowcem”. Odpowiedź „Alessandro” z 17 marca 2025 roku jest jednym pytaniem, „czy widzi Pani różnicę w tych dwóch promptach wysłanych do AI? »napisz mi artykuł o wpływie opadów monsunowych w Indiach na rozwój dorożkarstwa w Polsce« a »popraw styl podanego tekstu tak aby miał formę akademicką«?”. Odpowiedzi nie ma, a cały spór polega na tym, że jedna strona nie widzi, iż to dwie różne czynności.

Pod tym samym tekstem toczy się wielowątkowa wymiana między „Fidelio” a Marcinem Przewłoką. Pierwszy uważa użycie AI za niedopuszczalne, drugi za rutynowe. Dopiero w komentarzu z 21 stycznia 2025 roku Przewłoka przytacza politykę wydawniczą, według której wspomagana przez model korekta redakcyjna nie wymaga deklaracji, i dodaje, że „artykuly napisane w calosci przez AI, nie powinny byc publikowane” (pisownia oryginalna). W tej sprawie obaj zgadzali się od początku, więc spór wynikł wyłącznie z zakresu wyrażenia „przy pomocy AI”.

Rok później, pod tekstem Kamińskiej i Drabek, ta sama figura wraca w ostrzejszej wersji. Komentator „#liberal” pisze, że „autor odpowiada za tekst i nikogo nie powinno obchodzić, jak on powstaje […] Może sobie dowolnie korzystać z genai, nic nikomu do tego”. Odpowiada mu komentator „X” przytaczający przykład z praktyki wydawniczej: „Masz idealistyczne podejście, a nie wiesz, co robią autorzy”, i opisuje konkret – przeredagowanie cudzego fragmentu przez podmianę kilku synonimów. „Zastosowanie paru synonimów przy zachowaniu oryginalnej reszty fragmentu, to dalej plagiat. To nie jest parafraza”. Drugi komentator dorzuca liczby: „do wydawnictwa przychodzą książki z bibliografią na 400 pozycji, z czego 80 jest fikcyjnych […] to nie są jednostkowe przypadki”.

Tych dwóch nie da się pogodzić bez progu, bo mówią o różnych funkcjach tego samego narzędzia. Jeden ma na myśli wygenerowanie całego artykułu, którego recenzja nie przepuści, drugi operację na poziomie zdania i bibliografię, które przepuszcza. Z tego korpusu wynika kilka rzeczy, które uważam za ważne. Po pierwsze, język faktu jest językiem administracji, a język funkcji językiem praktyki. Pytanie „co się dzieje z recenzentem, który użyje AI i redakcja ten precedens wykryje?” pada od kogoś, kto myśli zakazem i sankcją. Próg formułują natomiast praktycy, „poprawiać język, styl albo weryfikować jasność przekazu […] ale nie pozwalać sobie na generowanie »sztucznych« danych”. Wszędzie tam, gdzie rubryka wymusza odpowiedź, wraca język faktu, nawet u ludzi, którzy akapit wcześniej mówili funkcjami.

Po drugie, detektora nie broni nikt, natomiast broni się intuicji, ponieważ ten sam komentator „X” twierdzi zarazem, że „na kilometr można poznać, że ktoś wspomógł się czatem”. Cena tej intuicji jest widoczna w komentarzu studentki pod tekstem Promotor sprawdzi, czy student korzystał z technologii ChatGPT : „Zbadałam swoją pracę dyplomową gdzie nie przystałam z czatu i tego typu pomocy i też wskazuje na teksty generowane prze ai. Jestem przerażona, bo promotor może odniesie się do tego negatywnie i nie uwierzy w moja wersję” (pisownia oryginalna). Inny komentator dopowiada rzecz techniczną, czyli że modele potrafią na życzenie przepisać tekst tak, by detektory wskazywały zero.

Po trzecie i najbardziej kłopotliwe, podejrzenie o użycie AI stało się rutynowym ruchem w dyskusji, stawianym wyłącznie na podstawie wrażenia stylistycznego. Pod tekstem Kochanowicz i Szymborskiej dwoje czytelników uznaje artykuł za wygenerowany i domaga się reakcji. „Czekam na wyjaśnienie Redakcji. Na kiedy zaplanowali ujawnienie prowokacji?”. Pod tekstem Przemysława Tomczyka AI napisze za nas tekst naukowy? komentator „S.” nazwał artykuł „bardzo »generatywnym«” i zapytał, czy napisała go sztuczna inteligencja, na co autor odpowiedział, że tekst powstał ręcznie. Bez uzgodnionego progu każdy tekst o AI jest podejrzany o to, że sam nią jest, a jedynym dowodem niewinności pozostaje styl.

Postplagiaryzm w pół kroku

Najdalej idącą próbę wyciągnięcia z tego wniosków podjęła Sarah Elaine Eaton z University of Calgary, autorka koncepcji postplagiaryzmu (Postplagiarism. Transdisciplinary ethics and integrity in the age of artificial intelligence and neurotechnology). W polskiej debacie jest ona praktycznie nieobecna, mimo że artykuł stał się ważnym punktem odniesienia w międzynarodowej literaturze. Dwie z sześciu tez Eaton uważam za trafne i niedocenione.

Pierwsza dotyczy natury tekstu maszynowego: „Text generated by artificial intelligence tools is not static. It can be edited, revised, reworked, and remixed”. W tekstach hybrydowych granica między wkładem człowieka i maszyny staje się praktycznie niestabilna, a trafność detekcji maleje wraz z rozwojem narzędzi. Drugą Eaton formułuje w osobnej publikacji z 2025 roku (Global Trends in Education: Artificial Intelligence, Postplagiarism, and Future-focused Learning for 2025 and Beyond – 2024–2025 Werklund Distinguished Research Lecture): „We can outsource or offload our work to AI, but we do not outsource responsibility”. Tu jednak koncepcja się zatrzymuje. Eaton przewiduje, że wraz z rozwojem coraz mniej widocznych technologii wykrywanie może stać się „an exercise in futility”, lecz w jego miejsce nie proponuje procedury. Artykuł założycielski nie formułuje jednak operacyjnego obowiązku ujawnienia użycia AI ani wzoru oświadczenia, a zamiast tego pojawia się atrybucja rozumiana miękko, jako forma intelektualnego uznania, którą można wyrazić pisemnie, ustnie albo jeszcze inaczej. To jest postawa etyczna, a nie standard, bo redakcja nie wpisze jej do wymogów, a promotor do sylabusa.

Nie wszystkie elementy koncepcji Eaton uzyskały jednakowe poparcie. W celowo dobranej próbie 581 studentów z pięciu krajów anglojęzycznych, rekrutowanych za pośrednictwem platformy Prolific („International Journal for Educational Integrity”), 65,92 procent nie zgodziło się z tezą, że rozróżnianie treści ludzkiej i maszynowej jest daremne. Zarazem dwanaście z dziewiętnastu twierdzeń uzyskało ponad siedemdziesiąt procent akceptacji, więc wynik nie oznacza odrzucenia całej koncepcji. W opublikowanej wersji artykułu Eaton zastrzega zarazem, że definicje stosowane w politykach mogą i muszą się dostosowywać.

Próg zamiast procentów

Pozostaje pytanie o funkcję, czyli o to, co narzędzie właściwie zrobiło. Nature Portfolio dzieli zastosowania na trzy poziomy. Zielony to użycie wspierające ekspresję, organizację i sprawność, które nie wpływa na osąd naukowy ani ewaluacyjny, jest odwracalne, weryfikowalne i nie wnosi nowego wkładu intelektualnego. Bursztynowy to użycie mogące wpłynąć na interpretację, ramowanie, rozłożenie akcentów lub ocenę, ale pozostające pod kontrolą człowieka; dozwolone pod warunkiem nadzoru, weryfikacji i deklaracji. Czerwony to użycie nieprzejrzyste albo zastępujące rozliczalny wkład człowieka, wytwarzające wyniki niemożliwe do zweryfikowania lub naruszające poufność; niedopuszczalne. Nad wszystkim stoi zasada, że odpowiedzialności za treść, ocenę i decyzje redakcyjne nie da się przekazać systemowi.

Kryterium nie jest zatem ilość tekstu ani sama obecność narzędzia, lecz poziom ryzyka oceniany przez wpływ na osąd, przejrzystość, weryfikowalność, poufność i możliwość przypisania odpowiedzialności. To unieważnia regułę słyszaną na uczelniach najczęściej, według której wolno poprawić zdanie, ale nie wolno przekazać modelowi całego dokumentu. Jedno zdanie może zawierać główną tezę, a cały dokument może przejść wyłącznie mechaniczne sprawdzenie przecinków. Pomysł nie jest nowy i nie na nowość się tu powołuję. Własnym wkładem autora tego tekstu jest operacjonalizacja tego podejścia, która łączy próg funkcjonalny z formularzem ujawnienia i regułami dydaktycznymi.

Sam model progowy został już wdrożony w polityce wydawniczej Nature Portfolio, choć jego skuteczność nie została tu empirycznie oceniona, i nadal nie przeniesiono go ani do polskiej dydaktyki, ani do polskich regulaminów. Bliska mu skala AI Assessment Scale Mike’a Perkinsa, Leona Furze’a, Jaspera Roe i Jasona MacVaugha (The Artificial Intelligence Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment) stopniuje zakres dozwolony w zadaniu z góry, jako decyzję prowadzącego; poziomy funkcji ocenia się po fakcie i obie skale dają się połączyć. Sunaina Sharma w artykule Educational integrity in GenAI-augmented assessment. Making judgement visible nie proponuje stopniowanej taksonomii zastosowań, lecz koncentruje się na ujawnianiu i uzasadnianiu decyzji przez ścieżki decyzyjne, weryfikację źródeł, obronę ustną i historię wersji. Sharma zaznacza jednak, że ścieżki decyzyjne nie mają rejestrować każdego użycia, a szczególnej weryfikacji wymagają twierdzenia, przykłady i źródła wnoszone przez AI. Otwarte pozostaje pytanie, jak tę różnicę przełożyć na prosty próg regulaminowy.

Granica, która już istnieje

Można odnieść wrażenie, że polskie środowisko nie ma w tej sprawie zdania, tymczasem wyniki sondażu NCN wskazują na kierunkową zbieżność z ramami Nature. W październiku ubiegłego roku Narodowe Centrum Nauki zapytało kierowników projektów z konkursów OPUS, SONATA i PRELUDIUM o dopuszczalne zastosowania AI. Odpowiedziało 2708 osób z 8863 zaproszonych (Sondaż NCN. Naukowcy chcą korzystać z GenAI przy pisaniu wniosków, ale nie chcą, żeby oceniała je AI oraz Opracowanie. Wyniki sondażu dotyczącego wykorzystania GenAI). W raporcie NCN ponad sześćdziesiąt procent respondentów aprobowało techniczne wsparcie obejmujące korektę językową, tłumaczenie oraz przygotowanie abstraktu lub streszczenia popularnonaukowego. Po pięćdziesiąt cztery procent sprzeciwiało się użyciu modelu do stworzenia koncepcji wniosku i do przeglądu literatury, a sześćdziesiąt siedem procent odrzucało udział AI w ocenie wniosków. Czterdzieści dwa procent już z takich narzędzi korzystało.

Rozkład nie reprezentuje całego środowiska, bo odpowiedziała niespełna trzecia część zaproszonych. Pokazuje jednak kierunkową zbieżność z ramami Nature, ponieważ badacze wyraźnie łagodniej oceniają techniczną pomoc w wyrażeniu myśli niż udział narzędzia w jej powstaniu lub ocenie. Nie jest to pełna zgodność progów, ponieważ Nature poza wpływem na osąd uwzględnia także przejrzystość, weryfikowalność, poufność i możliwość przypisania odpowiedzialności. Podstawa obowiązku jawności nie jest zresztą wyłącznie etyczna. Kochanowicz i Szymborska przypomniały, że zgodnie z doktryną antropocentryczną twórcą może być tylko człowiek, a treści wygenerowane autonomicznie nie są chronione prawem autorskim, o ile nie można w nich wykazać wystarczającego twórczego wkładu człowieka. Wyprowadzają stąd trafny postulat przesunięcia akcentu z napisania tekstu na przeprowadzenie procesu badawczego. Proces badawczy opisuje się jednak w sekcji metod, a sekcja metod wymaga progu, bo trzeba wiedzieć, co w niej odnotować, a czego nie. Zgody więc nie brakuje, brakuje języka i formularza, a to jest problem do rozwiązania przy biurku, nie w laboratorium.

Formularz do sekcji metod

Formularz można napisać dzisiaj, a poniższe sformułowania są szkicem do adaptacji. Do pracy naukowej proponuję takie zdania: „Do przygotowania tekstu wykorzystano wskazane narzędzie w podanej wersji i w podanym okresie. Zakres użycia obejmował korektę językową i formatowanie, redakcję wpływającą na strukturę wywodu, selekcję lub kodowanie materiału źródłowego albo analizę danych. Wszystkie propozycje narzędzia zostały samodzielnie zweryfikowane przez autora względem źródeł pierwotnych. Narzędzie nie uczestniczyło w sformułowaniu tezy, doborze próby ani interpretacji wyników”. Do tego zdanie o środowisku przetwarzania, bo przekazanie nieopublikowanych danych albo cudzego manuskryptu do usługi zachowującej treść zapytań jest ryzykiem niezależnym od jakości pomocy, a respondenci sondażu NCN stawiali ten warunek wprost.

Do sylabusa trafiają trzy kategorie zadań zamiast jednego regulaminu. Bez wsparcia, gdy zadanie weryfikuje kompetencję, której opanowanie student deklaruje. Ze wsparciem udokumentowanym, pod warunkiem krótkiego opisu, co narzędzie zrobiło i jak student to sprawdził. Wreszcie takie, w których współdziałanie z modelem samo jest efektem uczenia się. Kategoria środkowa jest najtrudniejsza i najbardziej potrzebna, bo mieści się w niej większość realnej pracy.

Czego nie powinniśmy nagradzać

Dla dydaktyki wynika stąd zasada mocniejsza niż jakikolwiek zakaz. Narzędzie staje się niedopuszczalne w momencie, w którym zastępuje kompetencję, której opanowanie student właśnie deklaruje. Samo ułatwienie pracy tej granicy nie przekracza, bo korekta językowa jest naturalnym elementem warsztatu badacza, a niedopuszczalna staje się dopiero na sprawdzianie samodzielnego pisania w języku obcym. W naukach humanistycznych i społecznych prowadzi to do standardu, który uważam za najważniejszą praktyczną konsekwencję całego rozumowania. Odpowiedź osiągalna dla powszechnie dostępnego modelu powinna być dolną, a nie górną granicą oczekiwań. Jeżeli model potrafi przygotować poprawne streszczenie i uporządkować typowe argumenty, dostarczenie równie gładkiego tekstu nie powinno wystarczać do wysokiej oceny. Tu wraca miara regularności z pierwszego akapitu, ponieważ JSA traktuje niską wartość perplexity, czyli wysoką przewidywalność, jako sygnał podejrzenia, lecz sam nie rozstrzyga autorstwa ani nie wymierza sankcji, a jego wynik może przenieść na studenta ciężar wyjaśnienia właśnie wtedy, gdy gładkość tekstu powinna po prostu przestać wystarczać do wysokiej oceny. Prowadzący może wręcz udostępnić odpowiedź modelu jako materiał wyjściowy i wymagać wskazania jej uproszczeń oraz uzasadnienia, dlaczego własna interpretacja jest lepiej ugruntowana. Ocena przestaje wtedy zależeć od dochodzenia, czy student użył narzędzia.

Ostrożność jest potrzebna po obu stronach. W badaniu Hamsy Bastani i współpracowników na blisko tysiącu licealistów z jednej tureckiej szkoły (Generative AI without guardrails can harm learning. Evidence from high school mathematics) dostęp do interfejsu przypominającego ChatGPT poprawiał wyniki ćwiczeń, ale w następującym bezpośrednio teście bez narzędzia korzystający z niego uzyskali względny wynik o siedemnaście procent niższy niż grupa kontrolna; wersja dająca wskazówki zamiast rozwiązań tego pogorszenia nie wywołała, choć nie dała też przewagi.

Idea regulatywna potrzebuje procedury

Jacek Moroz przypomniał niedawno na tych łamach, że prawda pełni w nauce funkcję idei regulatywnej i że „jeśli słabnie zaufanie do prawdy jako wartości poznawczej, słabnie także autorytet nauki” (Dlaczego nauka potrzebuje prawdy). Pyta przy tym: „Po co testować teorię, jeśli nie zakładamy, że wynik testu może powiedzieć coś o jej trafności?”. To samo pytanie należy postawić odpowiedzialności. Deklarowana pełna odpowiedzialność autora jest fundamentem, ale staje się pustą formułą, gdy oznacza wyłącznie akceptację wyniku, którego autor nie potrafi wyjaśnić, sprawdzić ani obronić. Pilot korzystający z autopilota odpowiada za samolot tylko wtedy, gdy rozumie wskazania systemu, rozpoznaje moment wymagający interwencji i potrafi przejąć stery. Idea regulatywna bez procedury weryfikacji jest podpisem pod cudzą decyzją, a osiemdziesiąt fikcyjnych pozycji w czterystuelementowej bibliografii to właśnie ten podpis.

Świeży przykład pokazuje, jak ta różnica działa także poza uczelnią. W sierpniu tego roku wokół raportu Polaków portret własny wybuchła publiczna kontrowersja, w wyniku której jego autorka, dr hab. Barbara Mróz-Gorgoń, podała się 21 sierpnia do dymisji z funkcji pełnomocniczki rządu do spraw promocji marki Polski, pełnionej od końca lipca. W debacie podnoszona jest kwestia finansowania raportu ze środków publicznych, ale dla przedstawionego tu wywodu kluczowy jest wątek wykorzystania genAI. Autorka przyznała publicznie, że korzystała ze sztucznej inteligencji i wyjaśniła, że dokument miał charakter wewnętrzny i nie powinien trafić do sieci. Sprawa domyka więc pytanie o fakt użycia, tylko że jego rozstrzygnięcie niczego nie rozstrzyga, bo samo przyznanie ani nie tłumaczy wad dokumentu, ani ich nie usuwa. Dla przedstawionego tu argumentu ważniejsze jest jednak to, że wady dokumentu można sprawdzić bez detektora, ponieważ w samym raporcie numeracja przypisów przeskakuje od pozycji 3 do 41 i 517, część odsyłaczy pozostaje pusta, a liczba miast objętych warsztatami Design Thinking wynosi w różnych miejscach siedem, pięć albo trzy (Polaków portret własny. Raport z badań DNA marki Polska, s. 1, 3, 5, 6 i 23). Odsetek maszynowości podawany bez nazwy, wersji i ustawień detektora pozostaje nieweryfikowalną poszlaką, podczas gdy pusty przypis lub sprzeczność metodologiczna są faktami dostępnymi bezpośredniej kontroli. Dymisja nastąpiła zresztą nie po ekspertyzie detektora, lecz po lekturze samego dokumentu i właśnie tam leży ciężar odpowiedzialności.

Dlatego pytanie o fakt użycia trzeba porzucić wraz z inwestycjami w jego rozstrzyganie nie dlatego, że sztuczna inteligencja jest niegroźna, lecz dlatego, że odpowiedź wkrótce będzie brzmiała „tak” w większości akademickich dokumentów i przestanie cokolwiek znaczyć. Znaczą natomiast pytania o to, jaką funkcję narzędzie wykonało, czy wpłynęła ona na osąd i czy człowiek nadal potrafi obronić myślenie, którego autorstwo właśnie deklaruje.

Druga runda konsultacji globalnego standardu ujawniania użycia AI, uruchomiona 9 lipca, przyjmowała odpowiedzi do 16 października. Badano w niej propozycję jakościowego progu, zgodnie z którym AI należałoby wykazać wtedy, gdy istotnie kształtuje lub zastępuje ludzki osąd albo w inny istotny sposób wpływa na badanie lub jego opis. Konsultacja obejmowała także osiemnastoelementową taksonomię zadań, miejsce zamieszczenia informacji, ewentualny obowiązek deklaracji w każdym artykule, również deklaracji o braku istotnego użycia AI, oraz sposób wykazania ludzkiego nadzoru i weryfikacji (Towards a Global Reporting Standard for AI Disclosure. Consultation Round 2. Preparatory reading, wersja 4.5, 8 lipca 2026). Trzecia runda, poświęcona dopracowaniu projektu roboczo nazywanego Vancouver Standard, jest planowana na koniec 2026 i początek 2027 roku. Polskie środowisko może ten standard za rok przyjąć albo wziąć udział w jego pisaniu, a różnica jest dokładnie taka sama jak między detektorem a progiem.

Błażej Sajduk

Dyskusja (2 komentarze)
  • ~Przemo 18.11.2026 15:13

    Nie jest ważne w jaki sposób Pani Mróz-Gorgoń przygotowała raport. Istotne jest to, że sprzedała za duże pieniądze podatnika, w imieniu środowiska naukowego raport z rażącymi błędami. Problem w braku staranności i odpowiedzialności za powierzoną pracę, a nie w samej metodzie przygotowania danych.

    Odnośnie uczniów i studentów - nie cofniemy czasu i jeśli można zebrać informacje szybciej to każdy powinien z tego korzystać, a sposób oceny kompetencji należy dostosować do nowej sytuacji. Może warto wrócić do wypracowań pisanych ręcznie w szkole i do egzaminów ustnych. W ten prosty sposób można sprawdzić co uczniowi czy studentowi zostało w głowie z tego co mu maszyna wyszukała, czy pamięta i rozumie zebrane informacje i czy potrafi na nie krytycznie spojrzeć, zastanowić się nad tym, jaką może mieć pewność, że dowiedział się prawdy.

    • ~Marek 18.11.2026 15:30

      Panie Przemo, Pański komentarz to absolutny majstersztyk samozaorania w celu samozadowolenia, a przy okazji wzorcowy przykład tego, jak można skomentować artykuł, nie doczytawszy go nawet do połowy.
      Skoro u studentów chce Pan sprawdzać, „co zostało w głowie” za pomocą kartki i długopisu, to może dla dobrego przykładu Pana sprawdzimy?