Az elmúlt években robbanásszerűen megnőtt a mesterséges intelligencia használata az általános információgyűjtésben, de a legújabb trend, hogy a nagy nyelvi modelleket, mint a ChatGPT, Claude vagy Gemini, egyre többen használják a hírek ellenőrzésére és fogyasztására. A Pew Research Center tavalyi jelentései szerint az amerikai tinédzserek ötöde rendszeresen használ nagy nyelvi modelleket hírszerzésre, míg a fiatal felnőttek negyede legalább egyszer már kipróbálta ezt a módszert.
Egy friss, nyílt hozzáférésű tanulmány az MIT Media Labtól azonban elgondolkodtató eredményeket hozott: a kutatók azt találták, hogy egy hónapon át tartó kísérletben azok a résztvevők, akik mesterséges intelligenciára támaszkodtak a tények ellenőrzésében, a chatbotok eltávolítása után rosszabbul teljesítettek a félretájékoztatás felismerésében, mint a vizsgálat kezdetén. Ez a jelenség, amit gyakran „MI-függőségi paradoxonnak” neveznek, számos területen megfigyelhető, például egy 2025-ös tanulmány szerint azok az orvosok, akik MI-t használtak, gyengébbek lettek a rák önálló felismerésében.
A dinamika hasonló a technológiai „készségvesztés” vagy „kognitív kiszervezés” szélesebb körben dokumentált jelenségéhez, ami évtizedek óta ismert: a számológépek gyengítették a matematikai készségeinket, a GPS-technológiák pedig a természetes tájékozódási képességünket. Az új Media Lab-tanulmányban, amely 67 embert követett négy héten keresztül, miközben hírcímek és képek párosítását értékelték, a résztvevők 21 százalékkal pontosabbak voltak a hamis hírek felismerésében, amikor egy MI chatbot segítette őket – ez megerősíti a korábbi kutatásokat, miszerint az MI hatékony eszköz lehet a hamis információkba vetett hit csökkentésében.
Az önálló teljesítmény drámai csökkenése
A tanulmány azonban egy új problémát is feltárt: amikor az MI már nem volt jelen, a résztvevők önálló teljesítménye az új hírelemek értékelésében a negyedik hétre 15 százalékponttal romlott a vizsgálat kezdetéhez képest. Érdekes módon a résztvevők nagyjából negyede úgy érezte, hogy javult a felismerési képessége, miközben a teljesítménye valójában romlott – ez a Dunning-Kruger-hatás egyik megnyilvánulása.
„A felhasználók lelkesednek ezekért a »varázslatos« nagy nyelvi modellekért, de elfelejtik, hogy ezek csak statisztikai modellek, amelyek a szavak vagy betűk sorozatában a következő »tokent« jósolják meg” – mondja Anku Rani, az MIT médiaművészetek és -tudományok doktorandusza, a tanulmány társszerzője. „Sok lenyűgöző viselkedésforma jön létre a skálázásból, de ez valós korlátokkal jár, mind a modell megbízhatóságában, mind a felhasználókra gyakorolt szélesebb körű hatásában.”
A kvalitatív elemzés során a kutatók különböző viselkedési mintákat azonosítottak, és a résztvevők egyötödét „függőségfejlesztőknek” nevezték el, akik fokozatosan áttértek az aktív önállóságról az MI-útmutatás passzív elfogadására. Az egyik résztvevő a kísérlet utáni kérdőívben nyíltan elismerte ezt a változást: „Bár a chatbotok hangsúlyozták, hogy több forrást is ellenőrizni kell, nem tanítottak meg arra, hogyan vizsgáljam meg a képek kontextusát.”
Megoldás: edző, ne mankó legyen az MI
A kutatók szerint a projekt eredményei azt sugallják, hogy az MI és a felhasználó közötti interakció konkrét módja határozza meg, hogy az MI „edzőként” vagy „mankóként” működik-e. A tanulmány egyértelmű különbséget talált a beszélgetési stratégiák között: vannak, amelyek csak pillanatnyi segítséget nyújtanak, míg mások támogatják az aktív tanulást és a készségfejlesztést.
Az utóbbi kategóriába tartozó stratégiák – mint a szókratészi módszer, ahol az MI irányított kérdéseket tesz fel, vagy a „mélyreható vizsgálat”, ahol a rendszer finoman meggyőző állításokat tesz, ha a felhasználó eltér a helyes választól – erősebb önálló felismerési képességet eredményeztek a későbbiekben, még akkor is, ha ezek a stratégiák kezdetben lassították a teljesítményt. „Azok az MI-k, amelyek közvetlen válaszokat adnak, nagyobb valószínűséggel alakítanak ki függőséget, míg azok, amelyek szókratészi kérdésekkel kérdeznek, jobban bevonják a felhasználót a valóság önálló felismerésének megtanulásába” – mondja Valdemar Danry, a tanulmány másik társszerzője.
A kutatók remélik, hogy a projekt segíthet az oktatóknak a tantervek kidolgozásában, amelyekbe beépítik az MI-eszközöket. „Különösen fontos, hogy iskoláinkban és akadémiai közösségeinkben tudatosítsuk az MI tanulási eszközként való használatának hátrányait” – mondja Pattie Maes professzor. „Az embereknek tudniuk kell, hogy ha »kiszervezik« a gondolkodást, nem fognak fejlődni abban a problémamegoldási típusban. Végső soron a kérdések feltevésének és az információ elemzésének képessége mindenki számára fontos, mert képessé tesz minket arra, hogy önálló véleményt alkossunk a világról.”
© Image: Hartono Creative Studio/Unsplash
Forrás: MIT.edu ↗̱
