Sztuczna inteligencja: praktyka i zastosowania MIT-SM>SztIntPrak
Metody i narzędzia dydaktyczne:
Warsztat praktyczny przy komputerze, pokaz na żywo, praca indywidualna z modelem językowym, analiza wyników badań empirycznych, dyskusja problemowa, testowanie narzędzi przez innych uczestników.
Tematy:
Wprowadzenie. Ankieta, która powstaje na oczach grupy: od polecenia do działającego narzędzia.
Komunikacja kryzysowa z AI: trener rzecznika prasowego. Chatboty a ludzie w świetle najnowszych badań.
Weryfikacja prawdziwościowa źródeł: protokół sprawdzania istnienia, treści, statusu i wiarygodności publikacji.
Algorytm pracy naukowej, etap I: od tematu do pytania badawczego i hipotez.
Algorytm pracy naukowej, etap II: przegląd literatury i matryca źródeł.
Algorytm pracy naukowej, etap III: kwestionariusz badawczy i pilotaż.
Od kwestionariusza do działającej ankiety online. Anonimowość i ochrona danych respondentów.
Algorytm pracy naukowej, etap IV: analiza danych i interpretacja wyników.
Recenzent numer 2: obrona tekstu przed krytyczną recenzją.
Prezentacja wyników: tworzenie, audyt i próba wystąpienia.
Syntetyczna grupa odbiorców: testowanie przekazu na personach i granice symulacji.
Odwrócony wywiad: model jako rozmówca wydobywający wiedzę eksperta.
Aplikacja z modelem językowym w środku: projektowanie, ukryta instrukcja, testy.
Gra edukacyjna o rzetelności informacji.
Studencka minikonferencja: prezentacja projektów i narzędzi.
Koordynatorzy przedmiotu
Efekty kształcenia
Wiedza
Student zna i rozumie zasady działania generatywnych modeli językowych w stopniu pozwalającym przewidzieć ich typowe błędy, w tym halucynacje, zmyślanie źródeł i skłonność do przytakiwania użytkownikowi.
Student zna możliwości i ograniczenia narzędzi AI w pracy badawczej, redakcyjnej i komunikacyjnej oraz wyniki aktualnych badań empirycznych nad wpływem chatbotów na ludzi.
Student zna zasady rzetelnej weryfikacji źródeł naukowych oraz podstawowe wymogi etyczne i prawne związane z wykorzystaniem AI, w tym ochronę danych osobowych respondentów.
Umiejętności
Student potrafi formułować precyzyjne polecenia dla modelu językowego i iteracyjnie poprawiać uzyskane wyniki.
Student potrafi samodzielnie sprawdzić, czy źródło wskazane przez AI istnieje, zawiera przypisaną mu treść i nie zostało wycofane.
Student potrafi z pomocą AI przejść kolejne etapy małego projektu badawczego: od pytania badawczego przez kwestionariusz i ankietę online po analizę wyników, kontrolując poprawność każdego etapu.
Student potrafi zbudować z wykorzystaniem modelu językowego proste narzędzie cyfrowe, takie jak ankieta, aplikacja treningowa lub gra edukacyjna, przetestować je i poprawić.
Student potrafi przygotować i wygłosić prezentację wyników własnej pracy oraz bronić jej przed krytyką.
Kompetencje społeczne
Student jest gotów do krytycznej oceny odpowiedzi modeli AI i do brania odpowiedzialności za treści przygotowane z ich pomocą.
Student jest gotów do jawnego i uczciwego informowania o udziale AI w swojej pracy, z poszanowaniem zasad etyki akademickiej i praw autorskich.
Kryteria oceniania
Metody i kryteria oceniania:
Udział i aktywność w zajęciach – 30%
Regularne uczestnictwo w zajęciach i samodzielne wykonywanie zadań warsztatowych z wykorzystaniem modelu językowego.
Portfolio zadań – 40%
Zbiór produktów powstałych na zajęciach, w tym protokół weryfikacji źródeł, kwestionariusz badawczy, odpowiedź na recenzję i co najmniej jedno narzędzie zbudowane z Claude’em (ankieta, aplikacja lub gra).
Projekt końcowy – 30%
Wystąpienie na studenckiej minikonferencji prezentujące samodzielnie przygotowane badanie lub narzędzie wraz z krytyczną oceną roli AI w jego powstaniu.
Literatura
Lektury podstawowe:
Bastani H., Bastani O., Sungu A., Ge H., Kabakcı Ö., Mariman R., Generative AI without guardrails can harm learning: Evidence from high school mathematics, „Proceedings of the National Academy of Sciences” 2025, 122(26), e2422633122.
Cheng M., Lee C., Khadpe P., Yu S., Han D., Jurafsky D., Sycophantic AI decreases prosocial intentions and promotes dependence, „Science” 2026, 391, eaec8352.
Doshi A.R., Hauser O.P., Generative AI enhances individual creativity but reduces the collective diversity of novel content, „Science Advances” 2024, 10, eadn5290.
Ibrahim L., Hafner F.S., Rocher L., Training language models to be warm can reduce accuracy and increase sycophancy, „Nature” 2026, 652, s. 1159-1165.
Lektury uzupełniające:
Bender E.M., Gebru T., McMillan-Major A., Shmitchell S., On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, w: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘21), 2021, s. 610-623.
Dykasteria Nauki Wiary, Dykasteria Kultury i Edukacji, Antiqua et nova, Watykan 2025.
Mollick E., Co-Intelligence: Living and Working with AI, WH Allen 2024.
Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 z dnia 13 czerwca 2024 r. w sprawie ustanowienia zharmonizowanych przepisów dotyczących sztucznej inteligencji (akt w sprawie sztucznej inteligencji), Dz.Urz. UE L 2024/1689.
Walters W.H., Wilder E.I., Fabrication and errors in the bibliographic citations generated by ChatGPT, „Scientific Reports” 2023, 13, 14045.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: