Dobre prompty to techniczny warsztat; refleksja metodologiczna i ocena źródeł pozostają po stronie człowieka
W ostatnich latach sztuczna inteligencja, a szczególnie generatywne modele językowe (LLM), zmieniły sposób, w jaki przygotowujemy badania naukowe. ChatGPT, Bard, Claude i im podobne systemy dają w zasięgu kilku sekund to, co dawniej wymagało godzin przeszukiwania baz danych i mozolnego skanowania publikacji. Młodzi naukowcy uczą się sztuki prompt engineering – techniki formułowania zapytań do modeli językowych – by uzyskać jak najlepsze wyniki od AI. Niektórzy zaczynają postrzegać promptowanie jako nową umiejętność równoważną czy wręcz zastępującą tradycyjne zdolności bibliograficzne.
Tymczasem podstawową naukową kompetencją nie jest samo „odpalanie” ChatGPT, lecz krytyczne myślenie: selekcja źródeł, ocena jakości literatury, wnioskowanie metodologiczne. Prompt engineering może stanowić potężne wsparcie techniczne – ale nigdy nie zastąpi refleksji nad doborem literatury ani analizy, czy uzyskane odpowiedzi są rzetelne i trafne. W poniższym tekście przyjrzymy się, dlaczego tworzenie dobrych promptów to jedynie element warsztatu, a autonomia intelektualna, samodzielna weryfikacja i głęboka refleksja są kluczowe dla wartości każdego projektu badawczego.
1. Czym jest prompt engineering i jak odnosi się do prac naukowych?
1.1. Definicja i cel prompt engineeringu
Prompt engineering to sztuka i technika formułowania zapytań (promptów) do modelu językowego w taki sposób, aby uzyskać od AI najbardziej wartościowe, precyzyjne i użyteczne odpowiedzi. Obejmuje dobór słów kluczowych, określenie kontekstu, ustawienie tonu odpowiedzi oraz dodanie parametrów wskazujących modelowi, jakiego rodzaju informacji oczekujemy. Przykładowo, doktorant zainteresowany analizą literatury dotyczącej zmian klimatu może sformułować prompt tak:
„Podaj pięć najbardziej wpływowych artykułów naukowych o roli oceanów w zmianach klimatycznych w latach 2010–2020.”
Dobry prompt pozwala AI szybko zebrać propozycje konkretnych tytułów, autorów, czasopism i kluczowych wniosków, co może znacząco przyspieszyć wstępny etap researchu.
1.2. Prompt engineering a tradycyjne umiejętności bibliograficzne
Tradycyjna praca bibliograficzna polega na:
- Definiowaniu obszaru badawczego i kluczowych pytań.
- Samodzielnym przeszukiwaniu baz danych (np. Scopus, Web of Science, Google Scholar).
- Selekcji najważniejszych pozycji, weryfikacji ich jakości (renoma czasopisma, liczba cytowań, aktualność).
- Tworzeniu listy referencji i refleksji nad wkładem poszczególnych autorów.
Prompt engineering pozornie upraszcza te kroki, bo model generuje zestaw prac niemal od ręki. Jednak Ta pozorna oszczędność czasu może prowadzić do powierzchownego projektu: bez własnego przeglądu tekstu cytowanego, bez weryfikacji, czy dana publikacja rzeczywiście wniosła wkład w nurt badawczy. To bitwa o szybszy start, lecz nigdy o głębsze zrozumienie.
2. Dlaczego prompt engineering nie zastąpi krytycznego myślenia?
2.1. Brak oceny jakościowej przez AI
Modele językowe operują na ogromnych zbiorach tekstów, ale nie mają zdolności oceny merytorycznej: nie odróżnią artykułu rewolucyjnego od konfabulacji publikacyjnej. Jeśli w prompt engineeringu poprosimy o „najbardziej wpływowe badania na temat X”, AI zwróci listę na podstawie wzorców statystycznych (częstsze cytowania, popularność w internecie), ale nie zweryfikuje:
- Czy metodyka w tych pracach była poprawna.
- Czy w literaturze nie pojawiły się później krytyki dyskredytujące wcześniejsze wyniki.
- Jakie są ograniczenia wniosków poszczególnych autorów.
Przykład: AI może zasugerować artkuł z prestiżowego czasopisma, ale nie zaznaczy, że w kolejnej dekadzie jego wyniki zostały zakwestionowane. To już wymaga człowieka o refleksyjnym spojrzeniu.
2.2. Weryfikacja źródeł i unikanie „halucynacji”
Algorytmy generują informacje na podstawie wzorców językowych – czasami tworzą tzw. „halucynacje”, czyli błędne fakty lub nieistniejące cytowania. Nawet najlepsze prompty nie zagwarantują, że wszystkie odwołania są autentyczne. Sam prompt engineering może zmniejszyć ryzyko halucynacji (np. przez wymóg podania DOI), ale ostateczny dowód istnienia źródła leży po stronie badacza: trzeba sprawdzić w bazie Crossref czy na stronie wydawcy, czy dana publikacja faktycznie została opublikowana. Bez tej weryfikacji ryzykujemy, że w bibliografii pojawią się prace fikcyjne.
2.3. Kontekst i specyfika dyscypliny
Prompt engineering nie potrafi zastąpić znajomości kontekstu: co w danym roku było przełomowe, jakie podejścia zdominowały dyscyplinę, co zyskuje uznanie recenzentów. Model może wskazać powszechnie znane nazwiska, lecz nie wie, czy to, co opublikował Kowalski w 2011, wciąż ma istotne zastosowanie w 2025. Tę rolę wypełnia badacz, który śledzi dyskusję naukową, uczestniczy w konferencjach i na bieżąco interpretuje, co jest aktualnie ważne w jego dziedzinie.
3. Samodzielne przygotowanie bibliografii: krok po kroku
3.1. Definiowanie ram badawczych
Zanim zastosujesz prompt engineering, określ zasięg tematu i kluczowe pytania badawcze. Na przykład:
- Czy interesujesz się zagadnieniem metodologicznym (np. „metody analizy jakościowej w edukacji”), czy teoretycznym (np. „koncepcje wiedzy w epistemologii”?).
- Od jakiego roku chcesz uwzględniać literaturę? Czy skupiasz się na latach 2010–2025, czy szukasz również korzeni historycznych?
- Jakie języki pracy Cię interesują (angielski, polski, inne)?
Te ramy pozwalają na świadome sformułowanie promptu, np.:
“Podaj artykuły z czasopism z listy „A” w latach 2015–2025 dotyczące jakościowej analizy w edukacji wyższej w języku angielskim.”
To już jest krok w stronę selektywnego promptowania, zamiast bezrefleksyjnego generowania wszystkiego, co przyjdzie AI do głowy.
3.2. Pierwsza selekcja i weryfikacja
Kiedy otrzymasz listę z AI, przejdź do weryfikacji w bazach:
- Wyszukaj tytuły w Google Scholar czy w Web of Science.
- Sprawdź, czy artykuł istnieje, czy DOI jest poprawny, jaki jest rok publikacji, na ile razy go cytowano.
- Pobierz abstrakt, w razie potrzeby całość tekstu i przeczytaj przynajmniej wprowadzenie i wnioski.
Dopiero wtedy możesz zdecydować, czy dana pozycja rzeczywiście pasuje do Twojego projektu. Jeśli zauważysz, że AI pominęło istotne prace lub wskazało „zbyt ogólne” pozycje, samodzielnie wyszukaj dodatkowe publikacje np. na podstawie bibliografii akceptowanych artykułów przeglądowych.
3.3. Tworzenie notatek jakościowych
W tradycyjnym modelu gromadzisz notatki odręcznie lub w programie do zarządzania bibliografią (EndNote, Zotero, Mendeley). W jednej karcie lub pliku przechowujesz:
- Pełne cytowanie: autor, tytuł, rok, czasopismo.
- Abstrakt zdjęty z tekstu.
- Twoje własne przypuszczenia, uwagi, skojarzenia, które pojawiły się po przeczytaniu.
- Ewentualne pytania dotyczące metodologii, teoretycznych podstaw czy wyników.
Dzięki temu, gdy wrócisz do tekstu po kilku tygodniach, od razu będziesz widzieć, jak konkretna pozycja wpisuje się w cały projekt i co wnosi odrębnego. W tej fazie AI może pomóc w wygenerowaniu wstępnej notatki, ale zawsze musisz samodzielnie ją zweryfikować i rozbudować.
4. Zastosowanie AI w cytowaniu: dobry użytek a pułapki
4.1. Generowanie propozycji, nie ich bezkrytyczne przyjmowanie
Model może zasugerować kategorie literatury, kluczowe terminy i wstępne tytuły. Jednak jakość literatury oceniasz samodzielnie:
- Czy dany artykuł pochodzi z uznanego, recenzowanego czasopisma?
- Czy autor jest autorytetem w dziedzinie?
- Czy badanie zostało przeprowadzone na odpowiedniej próbie i z zachowaniem standardów etycznych?
Jeśli odpowiedź na te pytania brzmi „niepewnie” lub „niejasno”, lepiej nie włączać takiej pozycji do bibliografii tylko dlatego, że AI ją poleciło.
4.2. Unikanie cytowań znikąd („faux references”)
W trybie „jakiś prompt → artykuły” zdarza się, że AI generuje niesprawdzalne cytowania („halucynacje bibliograficzne”). Mechanizm ten wynika z faktu, że model nie przeszukuje w czasie rzeczywistym baz danych, lecz bazuje na wzorcach semantycznych. Dlatego:
- Zawsze sprawdzaj DOI i linki w bazach naukowych, zanim dodasz pozycję do listy.
- Gdy trafi się cytowanie bez jasnego śladu w Internecie, porzuć je bez wahania.
- W razie wątpliwości zasięgnij opinii bibliotekarza lub promotora, czy dana pozycja jest faktycznie dostępna w bibliotece uniwersyteckiej.
4.3. Udoskonalanie promptów przez człowieka
Dobry prompt to taki, który nie tylko „zapyta” o temat, ale wskazuje:
- Styl poszukiwanych tekstów (artykuły empiryczne, meta-analizy, prace teoretyczne).
- Język publikacji (angielski, hiszpański, chiński, polski).
- Okres publikacji (np. ostatnie pięć lat).
- Dyscyplinę i subdyscyplinę (socjologia pracy, psychologia edukacyjna, informatologia).
Dopiero po starannym sformułowaniu promptu rozwijasz dalej listę, weryfikujesz, dopisujesz nowe źródła, usuwasz te zbędne. Tu kluczowa jest rola badacza, który sam zna kontekst i wie, czego naprawdę potrzebuje.
5. Krytyczne podejście do wyników AI: kilka scenariuszy
5.1. Scenariusz: AI pomija istotne prace
Zdarza się, że największe klasyki w danej dziedzinie nie pojawiają się w propozycjach AI, bo model nie widzi ich jako „popularnych” lub zostały opublikowane w niszowych czasopismach. Badacz, który poznał tę klasykę na studiach lub w seminariach, natychmiast wykryje lukę i samodzielnie dopełni bibliografię. Jeśli natomiast polega wyłącznie na AI, może przeoczyć kluczowe źródła, co obniży jakość jego literaturowego przeglądu.
5.2. Scenariusz: AI proponuje przestarzałe lub nierzetelne prace
Wcześni recenzenci i eksperci w danej dziedzinie wiedzą, że w pewnych latach publikowano prace, które dziś uznaje się za nieaktualne lub zawierające niepoprawne dane. AI może wciąż uwzględniać takie teksty, bo „widziało” je w swoich zbiorach treningowych. Dlatego badacz musi zapytać: „Czy te wnioski wciąż obowiązują? Czy ktoś później nie obalił tej teorii? Czy ta metodologia nadal spełnia obecne standardy?”.
5.3. Scenariusz: AI generuje sprzeczne odpowiedzi
Wartość AI to szybkość generowania treści, ale nie gwarancja spójności. Jeśli w jednym promptowaniu model zasugeruje hipotezę A, a w kolejnym – hipotezę B sprzeczną z A, badacz musi wybrać, która z nich jest poprawna, i uzasadnić swój wybór. Znowu pojawia się rola człowieka: dokładna analiza argumentów, weryfikacja źródeł i moja własna ocena, co ma sens w świetle dotychczasowych badań.
6. Refleksja metodologiczna: zadawanie właściwych pytań
Prompt engineering to narzędzie w rękach naukowca, nie magiczna różdżka rozwiązująca wszystkie problemy. Budowanie wartościowego projektu badawczego wymaga stawiania pytań typu:
- Jaki jest cel mojej pracy?
AI może pomóc opisać stan badań, ale nie wskaże, dlaczego to pytanie jest istotne dla społeczności naukowej czy społeczeństwa. - Skąd biorę dane i jak je weryfikuję?
Model może wskazać prawdopodobne źródła, ale ty musisz ocenić ich wiarygodność: czy pochodzi to z recenzowanego czasopisma, czy może jest to pseudo‐czasopismo o niskim wskaźniku cytowań? - Jakie są ograniczenia mojej metody?
AI może podpowiedzieć klasyczne pułapki metodologiczne, lecz nie zastąpi Twojej wiedzy o tym, jak przeprowadzić pomiary w terenie, jakie jest ryzyko błędu przy próbie badawczej czy w jaki sposób zachować etykę badań. - Jakie konsekwencje niosą moje wnioski?
Model nie oceni, czy Twoje rozwiązanie będzie społecznie akceptowalne, czy nie przekroczy pewnych granic etycznych. To pytanie do refleksji naukowca i konsultacji z ekspertami.
Stawianie takich pytań jest kluczowe, bo tylko samodzielne znalezienie odpowiedzi czyni z pracy autorską kontrybucję. AI w tej fazie jest tylko pomocnikiem – nie można mu oddać roli głównego „spin‐doktora” badania.
7. Rekomendacje: jak łączyć prompt engineering z krytycznym myśleniem?
- Planuj od początku, nie zaczynaj od promptu.
Zamiast zapytać od razu „jaki prompt wstępnie przedstawia kluczową literaturę o X”, najpierw samodzielnie zdefiniuj cel, pytania badawcze i zakres tematyczny. Dopiero na tym etapie sięgnij do AI – po to, by zweryfikować lub poszerzyć własne propozycje. - Angażuj narzędzia do porządkowania, nie do zastępowania.
AI może pomóc w tworzeniu wstępnych katalogów literatury, ale zawsze filtruj te propozycje ręcznie: ocenić popularność, renomy autorów, metodologię, recenzje… - Dokumentuj interakcje z AI.
Zapisuj, jakie prompty zastosowałeś, co wygenerowałeś i jakie wnioski wyciągnąłeś. To dowód, że nie polegałeś na „magicznej sztuczce” algorytmu, lecz wykorzystałeś go świadomie. - Prowadź własne notatki i fiszki.
Każdy pomysł z AI sparuj ze swoją notatką: dlaczego uważasz tę pracę za ważną? Co wniosła do Twojego projektu? Jak z nią dyskutujesz? - Weryfikuj u źródła.
Posiadanie DOI czy linku do artykułu nie wystarczy. Pobierz PDF, przeczytaj wstęp, metodologię, wnioski, zanim uznasz, że dana pozycja jest wartościowa. AI nie zapewni dogłębnego wglądu w treść pracy. - Przeprowadzaj regularne konsultacje.
Spotykaj się z promotorem, uczestnicz w seminariach, dziel się wątpliwościami. Nic nie zastąpi dialogu z doświadczonym naukowcem, który wskaże, czy Twoje wnioski są trafne, a prompt‐engineering służy jedynie jako wsparcie techniczne.
8. Przewaga człowieka nad AI w naukowej praktyce
Największą wartością, jaką wnosi badacz, jest świadomość własnego procesu poznawczego: to, że potrafi skierować uwagę na to, co istotne, wykryć pułapki metodologiczne, zidentyfikować błędy logiczne i etyczne czy zauważyć luki w literaturze. AI, z kolei, bywa ślepą ulicą: generuje teksty oparte na statystycznych wzorcach, ale bez głębszego zrozumienia. Ta różnica decyduje o tym, że krytyczne myślenie pozostaje najważniejszą kompetencją badacza.
Przykłady:
- W modelowaniu empirycznym: AI może zasugerować klasyfikację zmiennych czy test statystyczny, ale tylko badacz postawi pytanie, czy dane są reprezentatywne, jakie są obcięcia próby, czy model wymaga transformacji zmiennych.
- W analizie filozoficznej czy humanistycznej: AI wygeneruje streszczenie toku myślowego autora, lecz nie wyłapie subtelnych niuansów interpretacyjnych, nie zrozumie metafor ani kontekstu kulturowego.
- W badaniach interdyscyplinarnych: AI może przełożyć terminologię z jednej dyscypliny na drugą, ale badacz musi sam ocenić, czy dany koncept rzeczywiście przenosi się w sensowny sposób z fizyki do medycyny czy z socjologii do informatyki.
Przewaga człowieka polega na refleksji, ocenie etycznej, kreatywnej syntezie i adekwatnej interpretacji wyników. Bez tych elementów badanie pozostaje zbiorem fraz, metafor i liczb, a nie pełnowartościowym wkładem naukowym.
9. Korzyści świadomego łączenia AI z ludzkim warsztatem
- Oszczędność czasu w wyszukiwaniu wątków pobocznych: AI szybko wskaże prace powiązane tematycznie, ale to Ty zadecydujesz, które z nich warto przeczytać w całości.
- Wsparcie w redakcji i stylizacji: AI może poprawić język, gramatykę i spójność tekstu, ale to Ty definiujesz kluczowe tezy i argumenty.
- Generowanie wstępnych szkiców, które poddajesz krytycznej ocenie: AI może wygenerować „pierwszy draft” wprowadzenia, ale Ty rozbudujesz go o głęboką refleksję, własne pytania badawcze i odwołania do najnowszych wyników.
- Elastyczność w eksplorowaniu alternatywnych podejść: AI może wysnuć hipotezy, które samodzielnie jeszcze byś nie wziął pod uwagę, ale to Ty oceniasz ich realność, wykonalność i etykę.
Dzięki temu połączeniu masz zarówno siłę maszynowej analizy ogromu danych, jak i refleksyjną, etycznie ugruntowaną argumentację.