Regularne korzystanie z generatywnej sztucznej inteligencji nie musi sprawiać, że łatwiej rozpoznajemy materiały stworzone przez modele. Najnowsze badanie naukowców z Temple University wskazuje wręcz na odwrotną zależność: większe i bardziej zróżnicowane zaangażowanie w korzystanie z AI wiązało się z niższą skutecznością odróżniania treści syntetycznych od tworzonych przez ludzi. Jednocześnie eksperyment pokazał, że tę umiejętność można poprawić poprzez odpowiednio zaprojektowany trening.
Badanie „Human discernment of artificial intelligence in online markets can be shaped by experience and training” zostało opublikowane 12 września 2026 roku w czasopiśmie „AI & Society”. Jego autorzy sprawdzili zarówno związek między wcześniejszym korzystaniem z AI a zdolnością rozpoznawania syntetycznych materiałów, jak i możliwość poprawienia tej umiejętności poprzez trening. Wyniki są interesujące z perspektywy edukacji informacyjnej. Podważają bowiem intuicyjne założenie, że częsty kontakt z generatywną AI automatycznie oznacza lepsze rozumienie jej działania i większą zdolność rozpoznawania tworzonych przez nią treści.
Uczestnicy tylko nieznacznie radzili sobie lepiej niż przypadek
W eksperymencie uczestniczyło 117 osób w wieku od 18 do 34 lat, mieszkających w USA i biegle posługujących się językiem angielskim. Badanych rekrutowano za pośrednictwem platformy Prolific. Uczestnicy oceniali materiały przypominające oferty wynajmu wakacyjnego. W całym eksperymencie wykorzystano 176 ofert – połowa była oparta na prawdziwych materiałach, a połowa została przygotowana przy użyciu generatywnej AI. Syntetyczne opisy powstały z wykorzystaniem ChatGPT 4.0 i Claude 3.5 Sonnet, natomiast obrazy generowano m.in. za pomocą Gemini, Mage.space i StyleGAN2. Na początku badani mieli zdecydować, czy oglądane przez nich materiały zostały stworzone przez człowieka, czy przez AI. Średnia trafność wyniosła 57,4% Był to wynik statystycznie wyższy od losowego zgadywania, ale nadal stosunkowo niski. Różnice między poszczególnymi osobami były przy tym bardzo duże – skuteczność wynosiła od 34 do 90%. Pokazuje to, jak trudne może być ocenianie pochodzenia materiału wyłącznie na podstawie jego wyglądu czy stylu.
Więcej kontaktu z AI nie oznacza lepszego jej rozpoznawania
Jednym z najciekawszych elementów badania było sprawdzenie, czy doświadczenie w korzystaniu ze AI pomaga identyfikować jej rezultaty. Można byłoby oczekiwać, że osoba regularnie korzystająca z ChatGPT, Claude czy innych narzędzi zacznie zauważać charakterystyczne cechy generowanych przez nie treści. Autorzy wskazują zresztą na wcześniejsze badania sugerujące, że częste używanie ChatGPT jako narzędzia do pisania może zwiększać skuteczność rozpoznawania tekstów wygenerowanych właśnie przez ten system. W nowym eksperymencie zaobserwowano jednak odwrotną zależność. Osoby, które częściej i w bardziej zróżnicowany sposób korzystały z platform AI, gorzej rozpoznawały treści syntetyczne. Korelacja między ogólnym zaangażowaniem w AI a skutecznością detekcji wyniosła –0,29. Co istotne, sama liczba zarejestrowanych sesji ChatGPT z poprzednich 30 dni nie pozwalała przewidzieć skuteczności rozpoznawania treści. Wyniki nie uzasadniają więc prostego wniosku, że „im więcej razy otwieramy ChatGPT, tym gorzej rozpoznajemy AI”. Znaczenie mogło mieć raczej to, jak szeroko i w jakich celach AI została włączona w codzienne aktywności użytkownika.
Czy syntetyczne treści stają się dla nas normalne?
Autorzy rozważają możliwość występowania efektu normalizacji. Im częściej użytkownik spotyka się z materiałami generowanymi przez modele, tym mniej obcy może stawać się ich styl. Granica pomiędzy treścią ludzką i syntetyczną może w konsekwencji stać się mniej intuicyjna. Jest to jednak interpretacja wyników, a nie udowodniony mechanizm przyczynowy. Badanie wykazało związek między większym zaangażowaniem w AI a niższą skutecznością rozpoznawania materiałów, ale nie dowodzi, że to właśnie częste korzystanie z AI bezpośrednio spowodowało pogorszenie tej zdolności. Możliwe są również inne czynniki różniące intensywnych użytkowników AI od pozostałych badanych. Wyniki stawiają jednak interesujące pytanie przed edukacją cyfrową. Samo doświadczenie z narzędziami nie musi być równoznaczne z kompetencją pozwalającą krytycznie oceniać ich rezultaty.
Krótki trening poprawił skuteczność o niemal 10 punktów procentowych
Druga część eksperymentu przyniosła bardziej optymistyczny rezultat. Naukowcy podzielili uczestników na grupę eksperymentalną liczącą 60 osób oraz kontrolną złożoną z 57 osób. Grupa eksperymentalna najpierw otrzymała 40 prawidłowo oznaczonych przykładów materiałów stworzonych przez człowieka i AI. Następnie uczestnicy oceniali kolejne treści, otrzymując natychmiastową informację, czy odpowiedzieli poprawnie. Za trafne odpowiedzi przyznawano także niewielką nagrodę finansową. Grupa kontrolna wykonywała podobne zadania, ale w pierwszym etapie oglądała przykłady bez oznaczenia ich pochodzenia, a później nie otrzymywała natychmiastowej informacji zwrotnej. Po całej interwencji skuteczność grupy eksperymentalnej wzrosła o 9,4% względem wyniku początkowego. W grupie kontrolnej zmiana wyniosła –0,6%. Co ciekawe, większość poprawy (6,7%) nastąpiła już po zaprezentowaniu prawidłowo oznaczonych przykładów. Dodatkowa poprawa po etapie z natychmiastową informacją zwrotną wyniosła 2,7% ale ta dodatkowa zmiana nie osiągnęła istotności statystycznej.
Sam kontakt z treściami AI nie wystarczy. Potrzebna jest informacja zwrotna
To rozróżnienie może mieć duże znaczenie dla sposobu, w jaki myślimy o AI literacy. Grupa kontrolna również oglądała materiały przygotowane przez człowieka i sztuczną inteligencję. Sam kontakt z przykładami nie spowodował jednak istotnej poprawy wyników. Dopiero pokazanie uczestnikom, które materiały rzeczywiście były syntetyczne, a które ludzkie, pozwoliło wyraźnie zwiększyć trafność ocen. Może to oznaczać, że rozwijanie kompetencji związanych z AI wymaga czegoś więcej niż codziennego używania ChatGPT czy innych modeli. Potrzebna jest świadoma nauka oceny rezultatów, porównywanie przykładów oraz informacja zwrotna pozwalająca sprawdzić, czy przyjęte kryteria rzeczywiście działają. W badaniu szczególnie skorzystały osoby, które na początku osiągały najsłabsze rezultaty. Wcześniejsze zaangażowanie w AI, choć było związane z niższymi wynikami początkowymi, nie oznaczało jednocześnie mniejszej podatności na trening.
AI może zostawiać ślady, ale nie warto uczyć się listy „pewnych oznak”
Analiza materiałów wykorzystanych w eksperymencie pokazała jeszcze jeden interesujący efekt. AI generowała teksty bardziej podobne do siebie semantycznie niż teksty tworzone przez ludzi. Podobną tendencję zaobserwowano w przypadku obrazów. Nie oznacza to jednak, że istnieje uniwersalny zestaw cech pozwalających bezbłędnie stwierdzić, że dany tekst czy zdjęcie zostały stworzone przez model. Autorzy sami zwracają uwagę, że wraz z rozwojem i różnicowaniem modeli obecne sygnały mogą stawać się mniej widoczne. To ważne ograniczenie z punktu widzenia edukacji. Nauka rozpoznawania kilku charakterystycznych konstrukcji językowych czy błędów graficznych może działać w przypadku konkretnej generacji modeli, ale szybko się zdezaktualizować. Problem jest szerszy. Inne badanie dotyczące rozpoznawania tekstów AI w publikacjach naukowych wykazało, że ludzcy oceniający osiągali zaledwie 19% trafność w rozróżnianiu różnych form wykorzystania AI. Autorzy przestrzegali również przed bezkrytycznym poleganiem na automatycznych detektorach, których wyniki znacząco się między sobą różniły.
Rozpoznanie AI to nie to samo co weryfikacja informacji
Wnioski z eksperymentu warto również umieścić w szerszym kontekście. Ustalenie, czy materiał został wygenerowany przez człowieka czy maszynę, nie odpowiada jeszcze na pytanie, czy zawarte w nim informacje są prawdziwe. Tekst napisany przez człowieka może zawierać dezinformację. Materiał wygenerowany przez AI może natomiast prawidłowo przedstawiać fakty. Dlatego umiejętność rozpoznawania syntetycznych treści powinna być tylko jednym z elementów szerszej edukacji informacyjnej. Potwierdza to przegląd 24 badań empirycznych opublikowany w „AI & Society”. Autorzy wskazują na podwójną rolę generatywnej AI: modele mogą tworzyć przekonujące fałszywe informacje, ale mogą również wspierać ich wykrywanie i zwiększać odporność użytkowników na dezinformację. Dla researchera ważniejsze od pytania „czy napisała to AI?” często będzie więc ustalenie: skąd pochodzi informacja, jakie są dowody, czy można dotrzeć do materiału pierwotnego i czy przedstawiony wniosek rzeczywiście z niego wynika.
AI literacy to więcej niż umiejętność korzystania z narzędzia
Nowe badanie nie dowodzi, że korzystanie z generatywnej AI prowadzi do trwałej utraty zdolności krytycznego myślenia. Nie pozwala też przenosić wyników automatycznie na wszystkie rodzaje treści. Eksperyment objął stosunkowo niewielką grupę 117 młodych dorosłych ze USA a uczestnicy oceniali specyficzny rodzaj materiału – oferty wynajmu wakacyjnego. Nie wiadomo również, jak długo utrzymywała się poprawa osiągnięta po treningu. Sami autorzy wskazują te kwestie jako ograniczenia badania. Rezultaty dostarczają jednak argumentu za rozróżnieniem dwóch kompetencji: umiejętności obsługi AI oraz umiejętności krytycznej oceny rezultatów jej działania. Można bardzo sprawnie tworzyć prompty, korzystać z kilku modeli i automatyzować część swojej pracy, a jednocześnie nie posiadać równie dobrze rozwiniętego warsztatu weryfikacji informacji. Nie należy więc traktować częstotliwości korzystania z technologii jako prostego miernika AI literacy.
W erze AI ważniejsza staje się metoda pracy z informacją
Dla osób zajmujących się researchem, analizą, dziennikarstwem czy przygotowywaniem raportów najważniejszym wnioskiem nie jest konieczność ciągłego zgadywania, czy oglądany materiał został wygenerowany przez AI. Znacznie bezpieczniejsze podejście opiera się na metodzie: ustaleniu pochodzenia informacji, dotarciu do źródła pierwotnego, sprawdzeniu dat, liczb i cytatów, porównaniu niezależnych materiałów oraz ocenie, czy dostępne dowody rzeczywiście uzasadniają przedstawiony wniosek.
Takiemu podejściu poświęcony jest kurs online „Skuteczny research informacji w dobie AI”. Pokazuje on, jak łączyć narzędzia takie jak GPT, Perplexity, Gemini, Deep Research czy NotebookLM z tradycyjnym wyszukiwaniem, bazami i rejestrami oraz jak weryfikować źródła, linki, liczby, daty i cytaty generowane przez AI.
Sprawdź kurs „Skuteczny research informacji w dobie AI”
Nowe badanie z Temple University dobrze pokazuje, dlaczego taka umiejętność może zyskiwać na znaczeniu. Samo korzystanie z AI nie musi uczyć krytycznego korzystania z AI. Tę kompetencję trzeba rozwijać świadomie.
