AI potrafi skrócić godziny wyszukiwania informacji do kilkunastu minut. Nie gwarantuje jednak, że znajdziemy właściwe materiały. Model może wskazać wartościową publikację, ale może też pominąć ważne badanie, błędnie zinterpretować jego wyniki albo podać źródło, które nie istnieje. Dlatego dobry research z wykorzystaniem AI nie polega na skopiowaniu odpowiedzi chatbota i dodaniu przypisów. Sztuczna inteligencja może pomóc sformułować pytanie, znaleźć materiały, uporządkować dokumenty i porównać wyniki. Researcher nadal musi jednak ocenić jakość źródeł i sprawdzić, czy formułowane wnioski rzeczywiście wynikają z przedstawionych dowodów.
Zacznij od pytania, nie od promptu
Jednym z najczęstszych błędów jest rozpoczynanie researchu od bardzo szerokiego pytania. Zapytanie „Co wiadomo o AI w edukacji?” może wygenerować wiele informacji, ale nie określa, jakiego dowodu właściwie szukamy. Znacznie lepiej postawić konkretne pytanie, np.: „Czy generatywna AI poprawia wyniki uczniów podczas pracy z tekstem, czy przede wszystkim skraca czas wykonywania zadań?”
Od razu wiadomo wtedy, czego szukać: badań mierzących wyniki, czas pracy lub jakość wykonanych zadań. Pytanie można dodatkowo rozbić na kwestie dotyczące badanej grupy, rodzaju wykorzystywanego narzędzia, sposobu pomiaru oraz warunków eksperymentu. Na tym etapie AI może być szczególnie pomocna. Model może wygenerować synonimy i pojęcia pokrewne, zaproponować dodatkowe pytania badawcze oraz przygotować różne warianty zapytań do wyszukiwarki czy bazy naukowej. Nie należy jednak zakładać, że lista publikacji przygotowana przez model jest kompletna. Systematyczny przegląd opublikowany w 2025 roku objął 19 badań dotyczących wykorzystania generatywnej AI w syntezie dowodów. W zadaniach wyszukiwawczych analizowane systemy pomijały od 68 do 96 proc. istotnych publikacji, a mediana wynosiła 91 proc. Autorzy uznali więc, że GenAI nie powinna być obecnie wykorzystywana do wyszukiwania literatury bez udziału człowieka.
Dobierz narzędzie do konkretnego zadania
Nie ma jednego narzędzia, które najlepiej sprawdzi się na każdym etapie researchu. Modele konwersacyjne, takie jak ChatGPT czy Gemini, mogą być przydatne przy doprecyzowywaniu pytań, tworzeniu planu wyszukiwania, analizowaniu dokumentów i porządkowaniu zebranego materiału. Funkcje typu Deep Research mogą dodatkowo automatyzować część procesu wyszukiwania i przygotowywania raportu. Narzędzia wyszukiwawcze wykorzystujące AI mogą pomóc szybko zorientować się w nowym temacie i znaleźć materiały warte dalszego sprawdzenia. Klasyczna wyszukiwarka daje natomiast większą kontrolę nad zapytaniem. Pozwala ograniczyć wyniki np. do konkretnej domeny, organizacji, autora czy rodzaju dokumentu.
W przypadku researchu naukowego warto sięgać również do wyspecjalizowanych baz i wyszukiwarek, takich jak Google Scholar, a w zależności od dziedziny także do odpowiednich baz branżowych. Pozwalają one precyzyjniej kontrolować zakres wyszukiwania, filtry czy przedział czasowy. Jeśli research ma być odtwarzalny, warto zachować także wykorzystane zapytania i zastosowane kryteria. Nie chodzi więc o wybór jednego „najlepszego” narzędzia. Skuteczniejszym podejściem jest łączenie różnych metod wyszukiwania i traktowanie odpowiedzi AI jako etapu pracy, a nie zamiennika właściwego źródła.
Sprawdź, co naprawdę wynika ze źródła
Załóżmy, że chatbot odpowiada: „Badania pokazują, że uczniowie korzystający z ChatGPT osiągają wyniki o 20 proc. wyższe niż uczniowie pracujący bez AI”. Takiego zdania nie można jeszcze wykorzystać w publikacji. Najpierw trzeba znaleźć badanie, z którego pochodzi liczba 20 proc., a następnie sprawdzić, kogo obejmowało, jakie zadanie wykonywali uczestnicy, jak mierzono wynik i z czym porównywano grupę korzystającą z AI. Równie ważny jest zakres wniosku. Badanie może dotyczyć konkretnego zadania, niewielkiej grupy uczestników i krótkiego eksperymentu, podczas gdy odpowiedź AI może przedstawić jego rezultat jako ogólną zasadę dotyczącą wykorzystania sztucznej inteligencji w edukacji.
Dlatego przy istotnych twierdzeniach warto zapisywać nie tylko adres lub tytuł źródła, lecz także konkretny fragment, który potwierdza daną informację, oraz najważniejsze ograniczenie badania. Dzięki temu można później szybko odpowiedzieć na trzy pytania: co dokładnie pokazuje źródło, w jakich warunkach uzyskano wynik i czego na jego podstawie nie można stwierdzić. Samo potwierdzenie, że publikacja istnieje, nie wystarcza. Źródło może być prawdziwe, a jego wyniki mimo to mogą zostać przez model nadmiernie uogólnione lub połączone z rezultatami innych badań.
Jak przeprowadzić research z AI krok po kroku?
Wyobraźmy sobie, że przygotowujemy materiał na temat wpływu generatywnej AI na produktywność pracowników. Pytanie „Czy AI zwiększa produktywność?” jest zbyt szerokie, dlatego najpierw warto je doprecyzować. Możemy zapytać np., czy korzystanie z generatywnej AI skraca czas wykonywania konkretnych zadań zawodowych i czy wpływa na jakość rezultatów. Następnie AI może pomóc przygotować zestaw słów kluczowych i ich angielskich odpowiedników. Na tym etapie można również poprosić model o wskazanie pojęć, które warto uwzględnić podczas wyszukiwania. Tak przygotowane zapytania wykorzystujemy następnie w wyszukiwarce i bazach naukowych. Kiedy znajdziemy interesujące badanie, nie zatrzymujemy się na streszczeniu przygotowanym przez wyszukiwarkę lub chatbot. Przechodzimy do oryginalnej publikacji i sprawdzamy przede wszystkim metodę, badaną grupę, sposób pomiaru produktywności, wyniki oraz ograniczenia.
Załóżmy, że badanie wykazało krótszy czas wykonania konkretnego zadania przy użyciu AI, ale nie stwierdziło istotnej różnicy w jakości rezultatów. W notatkach nie zapisujemy więc ogólnego wniosku „AI zwiększa produktywność”, lecz dokładną informację o tym, co zostało zmierzone i jaki rezultat uzyskano. Dopiero na tej podstawie można przygotować zdanie do publikacji. Zamiast pisać „Badania dowodzą, że AI zwiększa produktywność pracowników”, bezpieczniej będzie wskazać, że w konkretnym badaniu osoby korzystające z AI szybciej wykonały określone zadanie, a następnie opisać, czy i jak zmieniła się jakość ich pracy. Taki sposób działania pozwala wykorzystać szybkość AI bez oddawania modelowi kontroli nad interpretacją dowodów.
Oddziel informacje znalezione od informacji potwierdzonych
Przy większym researchu szybko pojawia się problem z ustaleniem, które informacje zostały już sprawdzone, a które pochodzą jedynie z odpowiedzi AI, wyników wyszukiwania lub materiałów wtórnych. Pomocny jest prosty podział notatek na informacje „do sprawdzenia” i „potwierdzone”. Do pierwszej kategorii trafiają ciekawe dane, cytaty, nazwiska, publikacje i statystyki znalezione podczas wstępnego researchu. Do drugiej można przenieść je dopiero po dotarciu do odpowiedniego źródła i sprawdzeniu kontekstu. Jeśli chatbot podaje interesującą informację, której pochodzenia nie można od razu ustalić, nie trzeba jej automatycznie odrzucać. Lepiej potraktować ją jako hipotezę lub trop do dalszego wyszukiwania. Model może więc pomagać odkrywać kierunki researchu, ale nie powinien sam potwierdzać własnych odpowiedzi.
Podobny problem pokazuje przegląd Adel i Alaniego dotyczący wykorzystania ChatGPT w syntezie literatury. Autorzy przeanalizowali 124 publikacje, a 40 z nich poddali szczegółowej ocenie. Wskazali na dużą zmienność wyników w zależności od rodzaju zadania oraz przypadki halucynacji, podkreślając potrzebę nadzoru człowieka. Przed publikacją przeprowadź audyt twierdzeń Ostatnim etapem powinno być ponowne sprawdzenie gotowego materiału. Szczególnej uwagi wymagają zdania zawierające liczby, daty, cytaty, wyniki badań oraz sformułowania takie jak „badania pokazują”, „naukowcy wykazali” czy „według raportu”. Przy każdym z nich warto odpowiedzieć na kilka pytań: czy mam źródło pierwotne, czy podana liczba rzeczywiście się w nim znajduje, jakiej grupy i okresu dotyczy oraz czy sformułowany przeze mnie wniosek nie jest szerszy niż wynik przedstawiony przez autorów. Takie sprawdzenie jest szczególnie istotne przy korzystaniu z AI. Model może bowiem przygotować bardzo przekonująco brzmiące podsumowanie, nawet jeśli połączył informacje z kilku źródeł, zgubił ważne zastrzeżenie albo niepoprawnie zinterpretował zależność.
AI ma przyspieszać research, a nie zastępować ocenę dowodów
Największa wartość AI w researchu nie polega na tym, że może szybciej od człowieka wygenerować gotową odpowiedź. Znacznie ważniejsza jest możliwość skrócenia czasu potrzebnego na sformułowanie pytań, przygotowanie strategii wyszukiwania, znalezienie potencjalnie wartościowych materiałów oraz uporządkowanie dużej liczby informacji. Badania dotyczące wykorzystania GenAI w syntezie dowodów pokazują jednak, że ograniczenia tych systemów nie dotyczą wyłącznie wyszukiwania. W przeglądzie Clarka i współautorów odnotowano także problemy związane ze screeningiem publikacji, ekstrakcją danych oraz oceną ryzyka błędu. Dlatego skuteczny research nie polega na przekazaniu całego procesu sztucznej inteligencji. AI może przejąć część najbardziej czasochłonnych czynności, ale researcher powinien zachować kontrolę nad doborem źródeł, interpretacją wyników i ostatecznymi wnioskami. AI może znaleźć materiał. Researcher musi zdecydować, co ten materiał naprawdę pokazuje.
Maseterclass, Skuteczny research informacji w dobie AI, Infobrokerska.pl
