A múzeumok és a mesterséges intelligencia intézményi szabályozása: jogi és etikai kérdések

 

A mesterséges intelligencia múzeumi alkalmazása a napi valóságunk részévé vált, a kérdés pedig, hogy szakmailag, jogilag és etikailag miként viszonyuljunk hozzá, a kulturális örökség intézményei körében is egyre sürgetőbb igénnyel jelentkezik.   A Szabadtéri Néprajzi Múzeum – Múzeumi Oktatási és Módszertani Központ (MOKK) erre a kihívásra válaszolt, mikor 2025 őszén elindította A mesterséges intelligencia múzeumi alkalmazási lehetősége című, 30 órás blended képzését. A digitális tananyaggal segített, on-line formában megrendezésre került tanfolyam átfogó képet kívánt adni az MI alapfogalmairól, múzeumi alkalmazási területeiről, jogi és etikai kérdéseiről – a gyűjteménykezeléstől a látogatói élményen át a kommunikáció automatizálásáig. 2025 végén újabb tanfolyami kör megrendezésére került sor, a nagy érdeklődésre tekintettel azonban 2026. május 25-től pedig ismét indul egy kurzus.

Jómagam a tudományetikai, jogi és szabályozási kérdések bemutatását kaptam feladatul – ehhez készült Mesterséges intelligencia a múzeumokban: a gyakorlati alkalmazás szabályozása a kulturális örökség intézményeiben – című átfogó, szabályozási mintákat is tartalmazó háttéranyag, amely a magyar nyelvű változat után most angolul is elérhetővé vált.

Miért különleges terület a múzeum?

A múzeumok nem kereskedelmi vállalkozások, hanem közbizalmi intézmények, a kulturális örökségvédelem letéteményesei. Legitimitásukat nem a piaci sikerük, hanem az adja, hogy a közönség megbízik az általuk közölt információkban, a bemutatott tárgyak hitelességében, a képviselt értékek érintetlenségében. Ez az alaphelyzet döntően meghatározza, hogyan lehet és hogyan szabad a mesterséges intelligenciát alkalmazni kulturális örökség intézményeiben.

Egy nagy országos múzeumban más kihívásokkal találkozunk, mint egy kisebb vidéki intézményben. Az előbbinél a képfelismerés, a szövegfeldolgozó algoritmusok és a digitális keresőfelületek kapnak hangsúlyos szerepet – ezek segíthetnek a gyűjtemény katalogizálásában, a hiányos metaadatok kiegészítésében, a kutatók gyorsabb kiszolgálásában. Az utóbbiaknál inkább fordítási és tájékoztatási célokra használnak MI-eszközöket, vagy épp adminisztratív folyamatok – pályázatírás, katalógustervezés – automatizálására. Köztes területen helyezkednek el a chatbotok és a virtuális tárlatvezetők, amelyek azonnali válaszokat adnak a látogatóknak, de egyszersmind rejtik magukban a megtévesztés veszélyét is: a látogatónak tudnia kell, hogy géppel, nem emberi szakértővel kommunikál.

Mindezek mellé sorakozik a biztonság és látogatóáramlás-kezelés területe: a kamerás megfigyelés és szenzoros rendszerek révén MI-algoritmusok elemzik a mozgásmintákat, feltérképezik a torlódásokat. S ott van a múzeumpedagógia világa, ahol személyre szabott tanulási tartalmak, kvízek, játékos feladatok kínálkoznak diákcsoportoknak – ám felvetik a gyermekek adataiból történő profilalkotás etikai és jogi kérdéseit is.

Középpontban az etika

A múzeumi mesterséges intelligencia-alkalmazás etikai kereteit elsősorban a UNESCO Ajánlása az MI etikájáról, az OECD és az Európa Tanács vonatkozó dokumentumai, valamint az ICOM szakmai irányelvei jelölik ki. Ezek ugyan nem kötelező erejű jogszabályok, de a múzeumi szektor sajátosságai miatt nem egyszerű kiegészítő elemek: strukturáló alapelvek, amelyek meghatározzák a technológiai döntések határait és értelmezési kereteit.

Az emberi méltóság tisztelete, az átláthatóság, az elszámoltathatóság és a kulturális sokszínűség védelme az MI rendszerben elvont értékeknek tűnhetnek – de a múzeumi környezetben nagyon is konkrét döntési szempontokká válnak. Miként kell jelölni az MI által generált tartalmakat? Mikor és milyen formában kell jelezni az algoritmikus közreműködést? Hol húzódik a határ a kurátori felelősség és az automatizált ajánlás között? Ezekre a kérdésekre az etikai keretek adnak elsődleges választ – megelőzve, és részben meg is haladva a jogi szabályozást.

A múzeum ráadásul nemcsak technológiai felhasználó: közbizalmi intézmény, amely a kulturális örökség megőrzéséért és értelmezéséért felel. Az MI alkalmazása nem válhat a kurátori felelősség helyettesítőjévé, legfeljebb támogató eszközzé. Ezt az elvet nem lehet kizárólag jogi kötelezettségként kezelni – ez intézményi identitás kérdése.

Az EU MI-rendelete: kockázatok, kötelezettségek, szankciók

Az Európai Parlament és a Tanács 2024. június 13-i (EU) 2024/1689 rendelete – az MI rendelet – az első olyan átfogó uniós jogszabály, amely közvetlenül érinti a közgyűjtemények mesterséges intelligencia-használatát. 2025 augusztusától számos új rendelkezése hatályos, 2026 augusztusától pedig újabbak lépnek életbe. A rendelet kockázatalapú logikán nyugszik: minden MI-rendszert négy kategóriába sorol.

A tiltott rendszerek – szubliminális manipuláció, szociális pontozás, biometrikus azonosítás nyilvános terekben – a múzeumi környezetben nemcsak jogsértők, hanem az intézményi küldetéssel is összeegyeztethetetlenek. A nagy kockázatú rendszerek – például oktatási célú algoritmusok vagy látogatói profilalkotást végző szoftverek – kötelező hatásvizsgálatot, részletes dokumentációt és emberi felügyeletet igényelnek. A korlátozott kockázatú rendszereknél – chatbotok, virtuális tárlatvezetők, MI-generált képek és szövegek – az átláthatóság a legfontosabb követelmény: a látogatónak tudnia kell, hogy MI-rendszerrel kerül kapcsolatba. A minimális kockázatú rendszerek – egyszerű keresők, tájékoztató eszközök – alig igényelnek külön szabályozást, bár a belső irányelvek itt is hasznosak.

A rendelet különösen hangsúlyos az átláthatóság terén. Az 50. cikk szerint, ha a látogató MI-rendszerrel lép kapcsolatba – chatbottal, interaktív installációval, virtuális tárlatvezetővel –, ezt egyértelműen és közérthetően jelezni kell. Az MI által generált szintetikus hang, kép, videó vagy szöveg szintén kötelező megjelölést igényel. Ez nem adminisztratív teher: a múzeumi hitelesség záloga. Aki elhanyagolja, komoly szankciókra számíthat: az átláthatósági kötelezettségek megszegése akár 15 millió eurós közigazgatási bírsággal is járhat.

A rendelet kulcsfogalma a szolgáltató és az alkalmazó közötti különbségtétel. A múzeumok általában alkalmazók: külső szolgáltatók által fejlesztett rendszereket működtetnek. Ez azonban nem jelenti a felelősség teljes átháríthatóságát. A rendelet előírja, hogy a nagy kockázatú MI-rendszerek alkalmazói is kötelesek gondoskodni a jogszerű alkalmazásról, a látogatók tájékoztatásáról és a kockázatok kezeléséről. Ha viszont a múzeum maga fejleszt MI-rendszert – például digitalizálási projekt keretében –, akkor szolgáltatóként a teljes megfelelőségi eljárást le kell folytatnia.

GDPR és MI-rendelet: kettős megfelelési kötelezettség

Az MI-rendelet nem létezik légüres térben: az általános adatvédelmi rendelettel (GDPR) szoros egységet alkot. Míg a GDPR a személyes adatok jogszerű kezelésére fókuszál, az MI-rendelet az adatokat feldolgozó és döntéseket, ajánlásokat, tartalmakat előállító rendszerekre vonatkozik. A kettő együtt határozza meg azt az alapszintet, amelyhez minden múzeumi gyakorlatnak igazodnia kell.

A kettős megfelelés a gyakorlatban azt jelenti, hogy például egy arcfelismerő beléptetőrendszer bevezetésekor egyszerre kell adatvédelmi hatásvizsgálatot (DPIA) és MI-hatásvizsgálatot (AI Impact Assessment) készíteni. A két eljárás összehangolása nem puszta adminisztráció: a látogatói bizalom fenntartásának eszköze. Csak így érhető el, hogy a személyes adatvédelem és az algoritmikus átláthatóság együttesen erősítse a közbizalmat – ne gyengítsék azt.

A szerzői jog területe szintén összetett kérdéseket vet fel. A digitalizált műtárgyak, az MI által generált képi és szöveges tartalmak, valamint a gyűjtemények tanítóadatként való felhasználása mind olyan jogi problémákat hordoz, amelyek túlmutatnak a hagyományos múzeumi gyakorlaton. A generatív MI által létrehozott tartalmaknak az uniós jogban jelenleg nincs egyértelmű szerzői jogi státusza; a múzeumok a legbiztonságosabb utat választják, ha ezeket intézményi névvel és egyértelmű megjelöléssel teszik közzé.

Szabályzat és irányelvek: a kétszintű intézményi keret

A jogi keretek ismerete önmagában nem elegendő: az intézményi szabályozás kialakítása teszi lehetővé, hogy az elvek a napi gyakorlatba is beépüljenek. A múzeumi MI-szabályozás két, egymást kiegészítő szinten valósítható meg.

Az MI-irányelvek elsősorban értékalapú, szemléleti dokumentumok. Nem operatív jellegűek, nem írnak elő konkrét eljárásokat, hanem normatív keretet adnak: rögzítik, hogy az intézmény milyen elvek mentén, milyen önkorlátozással és milyen társadalmi felelősséggel alkalmazza a mesterséges intelligenciát. Egy jó múzeumi MI-irányelv hangsúlyozza a tartalmak egyértelmű jelölésének szükségességét, az adatminimalizálás elvét, az átláthatóságot, az etikai önkorlátozást (például a tiltott vagy diszkriminatív alkalmazások kizárását), a fenntarthatóságot és a társadalmi párbeszéd fontosságát. Élő dokumentum, amelyet rendszeresen felülvizsgálnak.

Az MI-szabályzat ezzel szemben az intézményi megfelelés konkrét eszköze. Meghatározza, milyen MI-alkalmazásokat, milyen feltételekkel és milyen felelősségi rend mellett használhat az intézmény. Rögzíti a tájékoztatási és jelölési kötelezettségeket, a belső kontrollmechanizmusokat, az adatkezelési és szerzői jogi megfelelési pontokat, a képzési kötelezettségeket és az ellenőrzési folyamatokat. A kétszintű megközelítés lényege: az irányelvek a „miért" és „meddig", a szabályzat a „hogyan" és „kinek a felelőssége" kérdéseire válaszol.

A bevezetőben hivatkozott tanulmány nemcsak elemzi a jogi és etikai kereteket, hanem konkrét mintaszabályzatokat és irányelveket is közread, amelyek a múzeumi gyakorlatban közvetlenül alkalmazhatók. Ez a megközelítés illeszkedik a nemzetközi jó gyakorlatokhoz: a Württembergi Tartományi Múzeum, a Smithsonian Institution, az Osztrák Nemzeti Könyvtár és a dublini Chester Beatty Library mind rendelkeznek már nyilvánosan elérhető MI-politikával. Ezek közös jellemzője, hogy az UNESCO etikai elveiből indulnak ki, de az EU MI-rendelet kockázati besorolásait is átveszi – s mindegyik hangsúlyozza a közbizalom, az emberi felügyelet és az átláthatóság primátusát.

Összegzés

Akár most fontolgatják a mesterséges intelligencia bevezetését kulturális örökség intézményében, akár már a tervezés konkrét szakaszába léptek – a MOKK által szervezett tanfolyam és a cikkünkben bemutatott háttéranyag hasznos kiindulópontot kínál. Az elemzés nem csak a jogi és etikai keretek rendszerezett áttekintését adja, hanem két, azonnal adaptálható iratmintát is közread: egy értékalapú MI-irányelvet és egy operatív MI-szabályzatot, amelyek az intézmény méretéhez és sajátosságaihoz szabva alkalmazhatók. Ezzel a vezetői felkészülés során hasznos támogatást tud adni a bevezetési folyamat előzetes megtervezéséhez, és az intézmény szempontjából leginkább célravezető megoldás kidolgozásához.

Az egyes rendelkezésekhez fűzött részletes magyarázatok megkönnyítik az eligazodást az EU MI-rendelet és a GDPR összetett követelményrendszerében, a gazdag szakirodalmi háttér pedig további elmélyülésre ad lehetőséget – legyen szó a bevezetés megtervezéséről, az intézményre szabott szabályok kialakításáról vagy a napi operatív működés során felmerülő konkrét kérdések megválaszolásáról. A tanulmány magyar és angol nyelven egyaránt elérhető.

Mesterséges intelligencia az egyetemi értékelésben: lehetőségek, kockázatok és az európai jogi keret

 

Az elmúlt évtizedben a mesterséges intelligencia az egyik legmeghatározóbb technológiai jelenséggé vált a felsőoktatás területén. Az automatikus szövegelemzés, a személyre szabott visszajelzés, a tanulási analitika és különösen a generatív MI megjelenése egyszerre kínál hatékonyságnövekedést és teremt új jogi, etikai, valamint pedagógiai kockázatokat. Az egyetemek ma már nem pusztán azzal a kérdéssel szembesülnek, hogy használható-e az MI az értékelésben, hanem azzal is, hogy milyen feltételek mellett használható jogszerűen, átláthatóan, méltányosan és a tudományos integritás sérelme nélkül.

A hagyományos értékelési módszerek – a kézi javítás, a szubjektív pontozás, az időigényes visszajelzési folyamatok – régóta ismert korlátokkal rendelkeznek. Nagy létszámú kurzusokon az oktatók fizikailag képtelenek minden hallgató munkájára mélyreható, egyéni visszajelzést adni. Ahogy egy magyar egyetemi tanár fogalmazott: munkaideje nagyobb részében már most is inkább saját maga titkárnőjeként dolgozik, az érdemi oktatói feladatokra, a tananyagfejlesztésre és a tudományos publikációra csak ennek töredéke marad. Az MI ezeket az egyensúlytalanságokat részben orvosolni képes.

A fordulatot azonban nemcsak az értékelést támogató MI, hanem a hallgatók által használt generatív rendszerek terjedése hozta el. A nagy nyelvi modellek másodpercek alatt képesek szakdolgozat-fejezeteket, esszéket, programkódot vagy vizsgára alkalmasnak tűnő válaszokat előállítani, amelyekre a hagyományos plagizálás-detekciós eszközök már nem adnak kielégítő választ. Az, hogy a hazai egyetemek jelentős része rendelkezik az MI-használatra vonatkozó, az egyes magatartásokat tiltó belső szabályzattal vagy hivatkozási mutatóval, a problémát önmagában aligha oldja meg – az ellenőrzéshez és szankcióérvényesítéshez szükséges eszközök és zárt intézményi informatikai rendszerek ma még hiányoznak. Fontos, hogy a tervezés és felkészülés időszakában már most átfogó képünk legyen az MI-alapú értékelés jelenlegi állásáról, a fő technológiákról, az integrációs kihívásokról, az akadémiai integritásra gyakorolt hatásokról és az új etikai–jogi keret szükségességéről.

A hagyományos értékelés korlátai és az MI-alapú megközelítések előnyei

A hagyományos, kézzel végzett értékelés három alapvető gyengesége az időigényesség, a szubjektivitás és a skálázhatóság hiánya. A szubjektív elemek – az értékelő hangulatától, előítéleteitől, a hallgatóhoz fűződő korábbi tapasztalatoktól való függőség – rontják a mérési egyenértékűséget. Az MI-alapú értékelési rendszerek ezzel szemben konzisztens, skálázható és gyors visszajelzést képesek nyújtani. A kutatások megerősítik, hogy az automatizált esszéértékelő rendszerek az emberi értékelők ítéleteivel szoros korrelációt mutatnak – egyes mérések szerint a korrelációs együttható 0,829 körül van jól strukturált feladatoknál, a négyzetes súlyozott kappa értéke 0,68 körül mozog. Egy 51 vizsgálatot összefoglaló metaanalízis kimutatta, hogy a ChatGPT-hez hasonló rendszerek szignifikánsan pozitív hatással vannak a tanulási teljesítményre (hatásméret: g = 0,867), mérsékelt pozitív hatással a tanulással kapcsolatos észlelésre (g = 0,456) és a magasabb rendű gondolkodás fejlődésére (g = 0,457).

Az MI három fő technológiai alrendszeren keresztül érvényesül az értékelésben. A gépi tanulás (ML) algoritmusai a korábbi értékelési adatokból tanulnak, és idő múlásával pontosabbá válnak; a természetes nyelvfeldolgozás (NLP) a szövegek grammatikai, szintaktikai és szemantikai elemzésére alkalmas, lehetővé téve az esszék koherenciájának és érvelési struktúrájának automatikus értékelését; a számítógépes látás (CV) pedig kézzel írott és nyomtatott dokumentumok digitalizálására és értékelésére képes. A három technológia szinergikusan is alkalmazható: egy kézzel írt laboratóriumi jelentés értékelése esetén a CV digitalizálja a szöveget, az NLP elemzi a tartalmát, az ML pedig a rubrika-alapú pontozást végzi.

Fontos különbséget tenni az alacsony kockázatú támogatás és az érdemi értékelési befolyás között. Más megítélés alá esik, ha egy rendszer csupán nyelvi visszajelzést ad vagy a rubrika szerinti előszűrésben segít, és megint más, ha az osztályzatot, a tantárgyi előrehaladást vagy a tiltott vizsgamagatartás megállapítását közvetlenül alakítja. Az értékelési típusok tekintetében megkülönböztetünk automatizált feleletválasztós értékelést – amely azonnali visszajelzést biztosít –, automatizált esszéértékelést (AEG) – amely szöveges válaszok szisztematikus elemzésére képes –, valamint a kreatív és szubjektív feladatok értékelését, ahol az MI még kezdeti stádiumban jár, de multimodális gépi tanulásra épülő kísérletező rendszerek már megjelentek.

Az MI integrációjának kihívásai a felsőoktatásban

Az MI-alapú értékelési rendszerek implementálása számos komoly kihívást vet fel, amelyek közül a legfontosabbak az algoritmikus elfogultság, az adatvédelem, az átláthatóság hiánya és az emberi felügyelet szükségessége. Az algoritmikus elfogultság problémája különösen aggasztó: ha egy automatizált értékelő rendszer nem kellően reprezentatív, sokszínű adatbázison tanul, hajlamos lesz reprodukálni a meglévő társadalmi egyenlőtlenségeket. Kutatások igazolják, hogy egyes automatizált rendszerek alacsonyabb pontszámot adnak meghatározott hátterű hallgatók munkáira. Egy esszé magas nyelvi minőségét könnyebben felismerik, mint az eredeti, de szokatlan gondolatvezetést; a nem standard nyelvi mintázatokat vagy hozzáférési hátrányokat akár rendszerszinten is büntethetik. Ilyen esetekben az MI nem semleges eszköz, hanem a mérési folyamatot érdemben alakító szereplő.

Az átláthatóság problémája szorosan összefügg az úgynevezett „fekete doboz” jelenséggel: a komplex gépi tanulási modellek sokszor nem képesek érthető magyarázatot adni arra, miért adtak egy adott pontszámot. Ez bizalmatlanságot kelthet mind a hallgatókban, mind az oktatókban, és megnehezíti az értékelési döntések felülvizsgálatát. A rendszereket emberi felügyelet nélkül működtetni nem etikus: az MI javaslatait embernek kell validálnia és szükség esetén felülbírálnia. Az integrációs kihívások között meg kell említeni a tanulásirányítási rendszerekkel (LMS) való együttműködés technikai nehézségeit is. Az MI-eszközök és az LMS-platformok közötti szabványosított protokollok hiánya megnehezíti a zökkenőmentes bevezetést. Mindezt súlyosbítja a globális egyenlőtlenség: a nyugati paradigmákra épülő MI-rendszerek nem feltétlenül adaptálhatók más kultúrák oktatási hagyományaira.

Az európai uniós jogi keret: az AI Act és a GDPR együttes érvényesülése

Az Európai Unióban két alapvető szabályozási pillér együtt határozza meg a kereteket: egyrészt a GDPR, amely a személyes adatok kezelésének általános rendjét rögzíti, másrészt az EU AI Act, amely kifejezetten a mesterséges intelligencia rendszereire ír elő kötelezettségeket. A két rezsim nem váltja ki egymást, hanem egymásra épül. Az, hogy egy MI-rendszer az AI Act szerint megfelelően dokumentált, még nem jelenti automatikusan azt, hogy a használata adatvédelmi szempontból is jogszerű – és fordítva: a GDPR-nak megfelelő adatkezelés sem mentesít az AI Act szerinti kockázati és átláthatósági követelmények alól.

Az AI Act kockázatalapú logikára épül: minél nagyobb egy rendszer hatása a természetes személyek jogaira és életpályájára, annál szigorúbb szabályok vonatkoznak rá. Az oktatás és képzés világában bizonyos MI-használatok jogilag is magas kockázatúnak minősülhetnek – különösen azok, amelyek a felvételi vagy hozzáférési döntéseket, a tanulási eredmények értékelését vagy a tiltott vizsgamagatartás felismerését befolyásolják. Ezek a felhasználások közvetlenül hathatnak a hallgató tanulmányi pályájára, esélyeire, foglalkoztathatóságára és alapjogaira. Az AI Act emellett bizonyos gyakorlatokat eleve tilt: az oktatási intézményekben tilos a természetes személyek érzelemfelismerése, vagyis azok a megoldások, amelyek arckifejezésből, hangból vagy viselkedési mintázatból következtetnek a hallgató érzelmi állapotára, és ezt oktatási célból hasznosítják. Ez komoly figyelmeztetés mindazokkal a technológiai ígéretekkel szemben, amelyek a figyelem vagy motiváció gépi olvasatát kívánják az értékelés részévé tenni.

Az AI Act további sajátossága, hogy nemcsak a fejlesztőkre vonatkozik. A felsőoktatási intézmény a konkrét helyzettől függően lehet üzemeltető, sőt bizonyos esetekben – ha saját név alatt vezet be, lényegesen átalakít egy rendszert, vagy általános célú modellt állít át magas kockázatú felhasználásra – kvázi szolgáltatóvá is válhat, és felelősségi köre jelentősen kitágul. Az intézményi döntéshozóknak ezért nem elég tudniuk, hogy milyen eszközt vásárolnak; azt is fel kell mérniük, hogy a bevezetés és a konfiguráció révén milyen jogi szerepbe kerülnek.

A GDPR szemszögéből az egyetemi értékelésben alkalmazott MI azért különösen érzékeny, mert az értékelés tipikusan olyan adatkezelési műveleteket foglal magában, amelyek közvetlen hatást gyakorolnak az érintett személy tanulmányi helyzetére. A dolgozatok feltöltése, a platformokon végzett műveletek naplózása, a vizsgafelügyeleti képfelvételek elemzése vagy az MI által készített teljesítményprofilok előállítása is személyes adatok kezelését jelenti. Ilyenkor világos jogalapra van szükség, a feldolgozás célját pontosan meg kell határozni, és a rendszer nem gyűjthet az értékelési célhoz képest szükségtelen vagy aránytalan adatokat.

Az automatizált döntéshozatal tilalma és korlátozása az egyetemi értékelésben különösen fontos. Ha a hallgatóra nézve jelentős következménnyel járó döntés – osztályzat, vizsgakizárás, fegyelmi következtetés – kizárólag automatizált módon születik, az komoly GDPR-kockázatot vet fel. A biztonságos és jogszerű intézményi gyakorlat ezért az, hogy az MI legfeljebb döntéstámogató szerepet töltsön be, a végső értékelési döntést pedig mindig ember hozza meg, indokolható módon. A beépített adatvédelem elve megköveteli, hogy a rendszert már a beszerzés és tervezés szakaszától úgy alakítsák ki, hogy a lehető legkevesebb adatot kezelje, és az oktatói felülvizsgálat valós, ne csak látszólagos legyen. A hallgatónak tudnia kell, hogy milyen rendszer vesz részt az értékelési folyamatban, milyen adatokat használ, és milyen felülvizsgálati lehetőség áll rendelkezésre.

Az akadémiai integritás veszélyeztetése a generatív MI korában

A generatív MI – elsősorban a nagy nyelvi modellek (LLM-ek), mint a ChatGPT – tömeges elterjedése az egyik legsúlyosabb kihívást jelenti az akadémiai integritás számára. Ezek az eszközök szakmailag elfogadható minőségű szövegeket képesek előállítani, amelyeket a hagyományos plagizálásdetekciós szoftverek – köztük a széles körben alkalmazott Turnitin – nem tudnak megbízhatóan azonosítani. A vizsgálatok azt is igazolták, hogy a ChatGPT az MI-generált tartalmat pontosabban azonosítja, mint a Turnitin. Az ilyen detektorok megbízhatósága önmagában nem elegendő alap magas kockázatú értékelési következtetések levonásához.

Az akadémiai integritás fogalma magában foglalja az őszinteséget, a bizalmat, az intellektuális tulajdon tiszteletét és az etikai standardokat. A generatív MI alkalmazása ezeket az értékeket alapjaiban veszélyezteti: ha a hallgató egy MI által létrehozott szöveget nyújtja be saját munkájaként, az nemcsak a plagizálás tilalmát sérti, hanem az intézmény által kiállított képesítés hitelességét is megkérdőjelezi. A valódi kihívás az, hogy az intézmény miként definiálja újra az önálló teljesítményt, a segédeszköz-használat határát és a szerzőiség fogalmát. A hallgató munkája ma gyakran együttműködés eredménye: saját gondolkodás, külső források, digitális szerkesztőeszközök és esetenként MI-támogatás találkozik benne. Az integritás szabályozása akkor hiteles, ha ezt a valóságot nem tagadja, hanem világos határokkal keretezi.

A kutatások rámutatnak, hogy a generatív MI-eszközöket különösen azok a hallgatók hajlamosak félrehasználni, akik nem anyanyelvűként küzdenek az idegen nyelvű írásbeli feladatokkal, vagy akik teljesítménykényszer alatt állnak. Velük szemben a növekedésorientált gondolkodásmóddal rendelkező hallgatók inkább tanulástámogató eszközként tekintenek az MI-re. A detekciós eszközök elégtelensége mindenki által elismert probléma: egyes kutatók kétlépéses folyamatot javasolnak – először a tartalom eredetének ellenőrzése, majd a hasonlóságvizsgálat –, de az úgynevezett fegyverkezési verseny a tartalom-generálás és a detekciós technológia között folyamatosan zajlik.

Intézményi válaszstratégiák, az AI literacy és az értékelés újratervezése

Az európai szabályozás nem csupán tilt és kötelez, hanem egy szélesebb szakpolitikai irányt is kijelöl. Ennek központi eleme az AI literacy, vagyis az a kompetenciakészlet, amelynek révén az oktatók, hallgatók és intézményi szereplők képesek felismerni az MI lehetőségeit, kockázatait és jogi következményeit. Az AI Act nyomán egyre világosabb, hogy a megfelelés nem pusztán informatikai vagy adatvédelmi feladat, hanem képzési feladat is. Az AI literacy fejlesztése egyrészt az Európai Bizottság oktatási iránymutatásaiban is kötelezettségként jelenik meg, másrészt az intézményi felelős MI-alkalmazás alapfeltétele.

Az intézményi felelősség három szinten értelmezhető. Jogi szinten: csak olyan rendszert szabad bevezetni, amelynek kockázati minősítése, adatkezelési háttere és felügyeleti modellje tisztázott. Szervezeti szinten: jóváhagyott eszközlista, felelősségi lánc, incidenskezelés és dokumentáció szükséges. Pedagógiai szinten: az intézménynek döntenie kell arról, mit vár el saját teljesítményként, mit enged meg támogató használatként, és mit tekint tiltott közreműködésnek. A szabályozási keretek kialakítása terén pontosan definiálni kell, mi minősül akadémiai vétségnek: a plagizálás, a szellemírás (ghostwriting), az MI-alapú fogalmazás és a kötelezően megjelölendő MI-segítség határait rögzíteni kell a tantárgyi követelményekben. Egy becsületkódex kidolgozása – amelyet mind a hallgatók, mind az oktatók írásban elfogadnak – az integritáskultúra ápolásának alapeszköze.

Az értékelést érdemes úgy újratervezni, hogy a hallgatói gondolkodás folyamata is ellenőrizhető legyen. A szóbeli elemek, a reflektív kommentárok, a draftok és verziók láthatósága, a projektmunkák, a portfóliók és a személyes védés mind olyan eszközök, amelyek megnehezítik a pusztán generált teljesítmény elfogadását – nem azért, mert kizárják az MI-t, hanem azért, mert láthatóvá teszik, miként jutott el a hallgató a végső eredményig. A jövőképes modell a szabályozott, dokumentált és differenciált használat: másképp kell kezelni az ötletelést, a nyelvi stilizálást, a kódhibák keresését és a teljes tartalomgenerálást. Az értékelési módszertan magasabb rendű gondolkodást – elemzést, szintézist, értékelést – igénylő feladatok felé való elmozdulása egyszerre védi az integritást és fejleszti a valódi kompetenciákat.

Az MI és az oktatói szerep átalakulása: a hibrid modell

Az MI-alapú értékelés terjedése mélyreható következményekkel jár az oktatói szerepre nézve. Az automatizált rendszerek átvállalják a rutinértékelési feladatok jelentős részét, felszabadítva az oktatókat az adminisztratív terhek alól, és lehetővé téve, hogy több időt fordítsanak a személyes konzultációra és a komplex problémamegoldáshoz szükséges készségek fejlesztésére. Az oktatóknak azonban érteniük kell az MI-rendszerek működési elvéhez, képesnek kell lenniük a gépi értékelési kimenet kritikus értékelésére, és tudniuk kell, mikor kell felülbírálni az algoritmus javaslatát. Az MI-generált adatok az oktatói döntéshozatalt informálhatják – például a hátrányos helyzetű hallgatók korai azonosításában, az egyéni tanulási hiányosságok feltárásában –, de nem helyettesíthetik az emberi pedagógiai ítéletet.

A hibrid értékelési modell – amelyben az MI és az emberi szakértő egymást kiegészítve működik – az a megközelítés, amely a legtöbb kutatás szerint optimális eredményeket ígér. Az MI biztosítja a konzisztenciát, a sebességet és a skálázhatóságot; az emberi oktató az árnyalt megértést, a kontextuális tudást és az etikai felelősséget. Az MI azonosíthatja a szöveg formai hiányosságait, az emberi értékelő pedig a mögöttes tartalmi és gondolkodási minőséget méri fel. A prediktív analitika lehetővé teszi a kockázatban lévő hallgatók korai azonosítását, az adaptív tanulási technológiák egyre inkább képesek a visszajelzést az egyes hallgató fejlődési trajektóriájához igazítani. Az AGI lehetséges szerepe a személyre szabott oktatásban egyelőre spekulatív és hosszú távú kérdés, de a kutatói figyelem már ráirányult erre a perspektívára.

Összegzés

A mesterséges intelligencia az egyetemi értékelésben egyszerre jelent korszakos lehetőséget és komoly felelősséget. Az MI-alapú rendszerek képesek lényegesen javítani az értékelési folyamat hatékonyságát, konzisztenciáját és személyre szabottságát, miközben az oktatókat felszabadítják a rutinfeladatok terhe alól. Ugyanakkor a generatív MI-eszközök tömeges elterjedése az akadémiai integritás legalapvetőbb kérdéseit veti fel, amelyekre sem a technológia, sem az intézményi szabályozás önmagában nem ad kielégítő választ. A felsőoktatás számára ezért nem az a helyes kérdés, hogyan lehetne a korábbi értékelési modellt érintetlenül megőrizni, hanem az, hogyan lehet az értékelést úgy átalakítani, hogy egyszerre maradjon pedagógiailag érvényes, jogilag megfelelő, etikailag védhető és intézményileg működőképes.

A felelős integráció három pillérre épül. Az etikai és jogi keretek – az AI Act kockázati logikája és a GDPR adatvédelmi kötelezettségei – nem külső adminisztratív tehertételt jelentenek, hanem olyan normatív alapot, amely egyértelművé teszi: az értékelésben használt MI nem lehet kontrollálatlan, átláthatatlan és kizárólag gépi döntésekre épülő technológia. Az emberi felügyelet fenntartása azt jelenti, hogy az MI partnerként, nem helyettesítőként működik: a végső értékelési döntés jogát és felelősségét az oktatónak meg kell őriznie. A folyamatos validálás és az AI literacy intézményi kultúrájának fejlesztése teszi lehetővé, hogy a technológia ne rombolja, hanem erősítse a felsőoktatás egyik alapértékét: a hitelesen bizonyított tudást. Az MI bevezetése az oktatásba pedagógiai céllal vezérelt döntés kell legyen – ha mindez tudatos, befogadó és etikus megközelítéssel történik, valóban hozzájárulhat egy igazságosabb, gyorsabban reagáló és adatalapú oktatási rendszer megteremtéséhez.

Hogy tanulunk 2030-ban? - az önszervezett tanulás és a generatív mesterséges intelligencia

 

A generatív mesterséges intelligenciáról szóló, mára már könyvtárnyivá növekedett szakirodalom jelentős része technológiai lehetőségekre, alkalmazásokra vagy hatékonysági kérdésekre koncentrál, de, ahogy ezt itt, a blogon is igyekeztünk korábban bemutatni, jelentős azoknak a munkáknak a száma is, melyek a GMI pedagógiai felhasználási lehetőségeit tárgyalják. Werner Sauter és Daniel Stoller-Schai 2025-ben megjelent könyve, az Önszervezett tanulás generatív mesterséges intelligenciával látszólag ezek sorába illeszkedik - azonban más, szokatlan kiindulópontot választ: nem azt vizsgálja, mire képes a mesterséges intelligencia, hanem azt, hogyan változik a tanulás természete egy olyan környezetben, ahol a tudás folyamatosan hozzáférhetővé válik. A kötet középpontjában nem eszközök, hanem tanulási folyamatok, döntési helyzetek és egyéni felelősségek állnak. A szerzők munkájukban következetesen az önszervezett tanulás szemléletéből indulnak ki, és azt vizsgálják, miként alakul át a tanulás szerepe a munkában és a mindennapi életben. A generatív MI ebben az értelmezésben nem oktatási szereplőként jelenik meg, hanem mint olyan támogató környezet, amely a tanulási igényeket láthatóbbá teszi, de nem veszi át a tanulás irányítását. A könyv külön értéke, hogy a tanulás jövőjét nem elméleti modellek, hanem konkrét helyzetek és – különösen a 2030-ra vonatkozó fejezetekben – megélt tanulási gyakorlatok alapján bontja ki.

Ez a megközelítés lehetővé teszi, hogy a tanulás jövőjéről szóló gondolkodás elszakadjon a technológiai várakozásoktól, és pedagógiai szempontból értelmezhető következtetésekhez vezessen. A kötet így nem megoldásokat kínál, hanem egy olyan keretet, amelyben a tanulás átalakulása követhetővé és elemezhetővé válik.

Már nem az a kérdés, hogy mit, hanem az, hogy hogyan kellene tanulunk

Werner Sauter és Daniel Stoller-Schai könyve, a Selbstorganisiertes Lernen mit generativer KI 2025-ben jelenik meg, akkor, amikor a generatív mesterséges intelligencia már nem különleges technológiai újdonságnak minősült, hanem része lett mindennapi munka- és tanulási környezetünknek. A kötet mégsem a mesterséges intelligenciáról szól a szó szoros értelmében. Nem alkalmazásokat mutat be, nem funkciókat sorol, és nem ígér gyors hatékonyságnövelést. Sokkal inkább abból az egyszerű, de következetesen végig vitt felismerésből indul ki, hogy a tanulás vált a legfontosabb képességgé, és ezt a képességet újra kell tanulnunk használni.

A szerzők jelentős gyakorlati tapasztalatokkal rendelkező kutatók, a felnőttképzés és a digitális pedagógia szakrétői. Werner Sauter több évtizede foglalkozik a munkahelyi tanulás, az önszervezett tanulás és a kompetenciafejlesztés kérdéseivel. Pályája során tanácsadóként, trénerként és szerzőként egyaránt aktív volt, különösen a vállalati tanulási környezetek átalakulásának támogatásában. Munkásságát az a következetes pedagógiai szemlélet jellemzi, amely a tanulást nem formális képzésekhez, hanem valós munkafolyamatokhoz és döntési helyzetekhez köti. Számos szakkönyv és tanulmány szerzője, amelyek közös vonása, hogy a tanulást egyéni felelősségként és reflektív folyamatként értelmezik, nem pedig szervezeti szolgáltatásként. Daniel Stoller-Schai svájci kutató és tanácsadó, aki a digitális tanulás, az online együttműködés és az ember–technológia kapcsolat vizsgálatával foglalkozik. Munkája során különös figyelmet fordít arra, hogyan alakítják át a digitális eszközök – köztük a mesterséges intelligencia – a tanulási és munkavégzési gyakorlatokat. Kutatói és gyakorlati tapasztalatait egyaránt felhasználva hidat képez az elméleti elemzés és az alkalmazható megoldások között.

A szerzők könyvük megállapításait arra a tapasztalatra építik, amelyet hosszú évek alatt szereztek a felnőttképzés, a vállalati tanulás és a szervezeti fejlődés világában. Ez a háttér erősen meghatározza a könyv hangját. A szöveg nem oktat ki, nem elméleti vitákat folytat, és nem kívülről szemléli a tanulást, hanem belülről, a tanuló nézőpontjából. Végig az az érzés kíséri az olvasót, hogy a szerzők ugyanazzal a bizonytalansággal, kereséssel és kísérletezéssel néznek szembe, mint maga az olvasó, amikor megpróbál eligazodni egy gyorsan változó tanulási környezetben.

A könyv központi kérdése nem az, mit kellene tanulnunk, hanem az, hogyan tanulunk valójában, és hogyan lehet ebből tudatos, saját kézben tartott folyamatot formálni. A szerzők következetesen szembeállítják egymással a külsőleg irányított tanulást (fremdorganisiertes Lernen) és az önszervezett tanulást (selbstorganisiertes Lernen). Az előbbihez mindannyian hozzászoktunk: tananyagok, kurzusok, előírt tanulási utak, vizsgák és teljesítményelvárások formájában. Az utóbbi viszont – állításuk szerint – ritkán tanult készség, pedig a mai munkahelyi és élethelyzetek döntő többsége már ezt feltételezi.

Ebben az összefüggésben jelenik meg a generatív MI, mint beszélgető tanulási partner (dialogischer Lernpartner). A könyv egyik legfontosabb állítása, hogy az MI nem tanít meg senkit semmire önmagában. Nem pótolja a gondolkodást, nem veszi át a döntéseket, és nem mondja meg, mi a „helyes” válasz. Viszont képes arra, hogy kérdezzen, visszatükrözzön, alternatívákat mutasson, és ezzel mozgásban tartsa a tanulási folyamatot. A hangsúly végig az emberen marad: azon, aki kérdez, értelmez, kételkedik és dönt.

A könyv olyan olvasókhoz szól, akik nem kész recepteket keresnek, hanem szeretnék saját tanulási útjaikat alakítani, legyenek vezetők, szakemberek, tanulásszervezők vagy egyszerűen csak olyan emberek, akik érzik, hogy a korábbi tanulási minták már nem működnek. A szerzők nem ígérnek gyors megoldásokat, viszont következetesen amellett érvelnek, hogy a tanulás akkor válik hatékonnyá és értelmessé, ha az ember felelősséget vállal érte, és nem adja át sem intézményeknek, sem technológiáknak.

A tanulás új értelmezése: önszervezés, párbeszéd, felelősség

A könyv talán egyik legnagyobb értéke abban rejlik, ahogyan a tanulásról való megszokott gondolkodást lassan, de következetesen elmozdítja. A szerzők nem polemizálnak, nem támadják nyíltan az iskolarendszert vagy a vállalati képzéseket, mégis világossá válik, hogy a megszokott tanulási minták az MI által vezérelt világban már egyre kevésbé illeszkednek a valós élethelyzetekhez. Szerintük a legtöbben olyan tanulási tapasztalatokkal érkezünk a felnőttkorba, amelyek külső irányításra épülnek (fremdorganisiertes Lernen): mások mondják meg, mit, mikor és hogyan kell elsajátítani, a siker mércéje pedig a visszakérdezhetőség, nem az alkalmazás.

Ezzel szemben a mindennapi munka és az élet kihívásai ritkán ilyen rendezettek. A problémák nem tantárgyak szerint jelennek meg, a megoldások nem előre csomagolt tananyagokban érkeznek, és sokszor nincs egyetlen „helyes” válasz. A könyv innen vezeti át az olvasót az önszervezett tanulás (selbstorganisiertes Lernen) gondolatához, amely nem magányos tanulást jelent, és nem is azt, hogy bárki teljesen egyedül boldogul. Sokkal inkább arról van szó, hogy a tanulás irányítása az egyén kezében marad, még akkor is, ha ehhez különböző eszközöket, embereket vagy technológiákat von be.

A szerzők számára a tanulás nem elsősorban tudásfelhalmozás, hanem folyamatos párbeszéd a világgal, a problémákkal és önmagunkkal. Ezért kap kiemelt szerepet a párbeszédes tanulás (dialogisches Lernen), amely történeti értelemben sem új keletű. A könyv finoman kapcsolja össze a klasszikus pedagógiai hagyományokat – például a szókratészi kérdezésre épülő tanulást vagy a tapasztalati megértést – a mai digitális környezettel, anélkül, hogy idealizálná a múltat, vagy romantikus színben tüntetné fel a technológiát.

Ebben a szemléletben a tanulás mindig helyzethez kötött (situativ): egy konkrét feladat, döntés vagy probléma hívja életre. Nem előbb tanulunk meg „mindent”, hogy majd egyszer alkalmazzuk, hanem tanulás közben értünk meg, és a megértés azonnal kipróbálhatóvá válik. Ez a gondolkodásmód élesen szembemegy azzal a gyakorlattal, amely a tudást „készletre” halmozza, miközben a tényleges felhasználás sokszor elmarad.

A könyv egyik visszatérő, csendes, de határozott üzenete az egyéni felelősség hangsúlyozása. Az önszervezett tanulás nem kényelmesebb, hanem nehezebb, mert döntéseket igényel: mit tartok fontosnak, mibe fektetek időt, mikor kérdezek, és mikor vagyok hajlandó újragondolni a saját álláspontomat. A szerzők nem idealizálják ezt az utat, sőt többször utalnak arra, hogy a legtöbb akadály nem technikai, hanem belső, megszokásokból és beidegződésekből fakadó.

Ezen a ponton válik érthetővé, miért nem a technológia áll a könyv középpontjában. A generatív MI csak akkor válhat valódi segítséggé, ha a tanuló már vállalja a tanulás irányítását. A könyv így a tanulást nem eszközhasználati kérdésként, hanem szemléletváltásként írja le: attól a pillanattól kezdve, hogy valaki nem kívülről várja az útmutatást, hanem maga alakítja tanulási folyamatait, egészen másként tekint minden tanulási helyzetre.

Kérdezve tanulni – a promptolás mint gondolkodási gyakorlat

A könyv harmadik nagy gondolati íve ott válik igazán kézzelfoghatóvá, ahol a szerzők a kérdezés szerepére irányítják a figyelmet. A generatív mesterséges intelligenciával való munka itt nem technikai ügyként jelenik meg, hanem gondolkodási gyakorlatként. A promptolás nem parancsadás és nem keresőkérdés, hanem tudatosan felépített párbeszéd, amelynek minőségét alapvetően az határozza meg, milyen kérdésekkel lépünk bele.

A szerzők egyik visszatérő alapgondolata a Gondolkodás – kérdezés – gondolkodás (Denken – Prompten – Denken) hármasságának hangsúylozása. Ez a képlet egyszerűnek tűnik, mégis szokatlan, mert szembemegy azzal a beidegződéssel, hogy a kérdésfeltevés már önmagában tanulásnak számít. A könyv ezzel szemben azt hangsúlyozza, hogy a kérdezést megelőzi a tisztázás, és követi az értelmezés. A generatív MI nem „megmondja a választ”, hanem nyersanyagot ad a további gondolkodáshoz.

Ebből következik a másik hangsúlyos állítás: a mesterséges intelligencia nem lát bele a gondolatainkba (Generative KI kann deine Gedanken nicht lesen). Amit nem fogalmazunk meg, az nem jelenik meg a válaszban sem. A könyv itt finoman, de határozottan a nyelvi tudatosság felé tereli az olvasót. Aki nem tudja pontosan megfogalmazni, mit szeretne érteni, az a válaszokkal sem tud mit kezdeni. A promptolás így nem technikai készség, hanem a gondolkodás nyelvi megformálásának gyakorlása.

Különösen fontos ebben az összefüggésben a kreativitás helyének tisztázása. A szerzők egyik legerősebb mondata szerint „a kreativitás nem a gépben van, hanem előtte” - die Kreativität sitzt vor der Kiste, nicht in der Kiste. Ez nem technológiaellenes kijelentés, hanem figyelmeztetés. A generatív MI képes új kombinációkat létrehozni, mintázatokat felismerni és alternatívákat kínálni, de nem rendelkezik saját szándékkal vagy belső mércével. Ha a tanuló lemond a kritikai gondolkodásról, akkor a gép nem felerősíti, hanem elsorvasztja a kreativitást.

A könyv nagy hangsúlyt fektet arra is, amit finomításnak (Refining) nevez. A tanulási párbeszéd nem egyetlen kérdésből és egyetlen válaszból áll, hanem egymásra épülő pontosításokból, visszakérdezésekből és újrafogalmazásokból. A tanulás itt nem lineáris haladás, hanem körkörös közelítés: egyre pontosabban körülírt kérdések és válaszok mentén. Ebben a megközelítésben a generatív MI beszélgetőtárs (Gesprächspartner), nem pedig tekintély. A könyv következetesen elkerüli azt a csapdát, hogy a technológiát mindentudó rendszerként ábrázolja. A hangsúly végig azon marad, hogy a tanulás iránya és értelme az ember kezében van, a mesterséges intelligencia pedig csak akkor válik hasznossá, ha ezt az irányítást nem adjuk fel.

A promptolás így nem cél, hanem eszköz. Nem a „jó kérdés” a végpont, hanem az a gondolkodási folyamat, amely a kérdésből elindul, és amelynek során a tanuló fokozatosan tisztázza saját megértését. A könyv ezen a ponton már egyértelművé teszi: a tanulás jövője nem a válaszok gyorsaságán múlik, hanem azon, mennyire tudunk értelmes kérdéseket fenntartani.

A tanulás jövője és a pedagógiai fordulat

A könyv 2030-ra vonatkozó részei sem technológiai jövőképként hatnak, hanem pedagógiai állásfoglalásként. A szerzők abból indulnak ki, hogy a tanulásról alkotott képünk hosszú ideje viszonylag stabil: tanulni akkor tanulunk, amikor erre elkülönített időt, teret és struktúrát kapunk. Tanfolyamok, képzések, tréningek és tantervek határozzák meg, mit tekintünk tanulásnak. A könyv szerint 2030-ra ez a keret nem tűnik el, de elveszíti kizárólagos szerepét.

A legfontosabb pedagógiai elmozdulás abban ragadható meg, hogy a tanulás elszakad az előkészítés logikájától. Nem a jövőre való felkészülés eszköze lesz, hanem a jelenben zajló cselekvés része. A szerzők következetesen amellett érvelnek, hogy a tanulás súlypontja áttevődik a „majd egyszer hasznos lesz” gondolkodásról a „most van rá szükségem” tapasztalatára. A tanulás így nem megelőzi a munkát, hanem beleágyazódik a munkafolyamatba (Lernen im Arbeitsprozess).

Ezzel együtt átalakul a tanulás célja is. A könyv világos különbséget tesz a tudás birtoklása és a tanulási képesség fenntartása között. 2030-ban nem az válik meghatározóvá, mennyi ismeretet halmozott fel valaki, hanem az, képes-e felismerni saját tanulási szükségleteit, tud-e kérdezni, tud-e segítséget kérni, és képes-e értelmezni a kapott válaszokat. A tanulás ebben az értelemben metaszintű képességgé válik: nem egy kompetencia a sok közül, hanem azok feltétele.

A mesterséges intelligencia ebben a pedagógiai képben nem tanár és nem tudásforrás, hanem tanulást támogató környezet (lernunterstützende Umgebung). A könyv tudatosan kerüli azt a narratívát, amely az MI-t oktatási szereplőként állítaná be. Éppen ellenkezőleg: az MI jelenléte felerősíti a tanuló felelősségét. Minél több támogatás válik elérhetővé, annál világosabbá válik, hogy a tanulás iránya nem ruházható át technológiára. A szerzők itt hangsúlyosan beszélnek az egyéni felelősségről (Eigenverantwortung), mint a jövő tanulásának alapfeltételéről.

Pedagógiai szempontból különösen hangsúlyos az a gondolat, hogy az automatizálás előretörésével nem csökken, hanem felértékelődik az emberi oldal. A kreativitás, az empátia, az együttműködés és az önreflexió nem kiegészítő elemek, hanem azok a dimenziók, amelyek a tanulást emberivé teszik.

A tanulás, 2030-ban – megélt mindennapok

A könyv nem a hatékonyság növelését állítja középpontba, hanem azt kérdezi: hogyan marad a tanulás értelmes és személyes egy technológiával telített világban. Nem általános állításokkal dolgozik, hanem konkrét tanulási helyzeteket tesz láthatóvá – 2030 közelgő távlatában. A tanulás jövője ebben a felfogásban nem modellként vagy elméleti keretként jelenik meg, hanem megélt tapasztalatként, olyan mindennapi szituációkban, ahol a tanulás szinte észrevétlenül történik meg.

2030-ban a tanulás nem külön tevékenység, hanem a cselekvés része. A könyv szerint a tanuló környezetét folyamatosan jelen lévő digitális tanulási kísérők (digitale Lernbegleiter) alkotják, amelyek nem tananyagot közvetítenek, hanem a tanuló aktuális helyzetére reagálnak. Egy munkahelyi projekt, egy új feladat vagy egy váratlan probléma automatikusan tanulási helyzetté válik, nem utólag, hanem a megoldás folyamatában.

Ebben a jövőben a tudás nem halmozódik fel, hanem hozzáférhetővé válik, szükség szerint (Wissen auf Abruf). A tanuló nem hosszú képzések során készül fel minden eshetőségre, hanem akkor tanul, amikor valódi kérdéssel találkozik. A tanulás időben egybeesik az alkalmazással, ami alapvetően megváltoztatja a tanulás élményét: a tanult tartalom azonnal értelmezhetővé és kipróbálhatóvá válik.

Sauter és Stoller-Schai szerint 2030-ban a tanulás személyre szabottá válik, ugyanakkor nem lesz elszigetelt sem. A tanulási kísérők figyelembe veszik a korábbi tanulási lépéseket, az egyéni erősségeket és bizonytalanságokat, és ezekhez igazítják a javasolt tanulási impulzusokat. A tanulás hálózatos térben zajlik: a tanuló egyszerre kapcsolódik kollégákhoz, szakértőkhöz, tanulóközösségekhez és technológiai rendszerekhez. A tanulás így kollektív tapasztalattá válik, még akkor is, ha az egyéni tanulási út megmarad.

Fontos eleme ennek a vizualizált jövőképnek az egyensúly kérdése. A könyv nem idealizálja a technológiát, és nem sugallja, hogy minden döntést át kellene adni a mesterséges intelligenciának. Éppen ellenkezőleg: 2030 egyik kulcskészsége az lesz, hogy a tanuló képes legyen kritikusan együttműködni a technológiával. Tudja, mikor segít az MI, és mikor szükséges tudatosan hátralépni, hogy saját gondolkodása, tapasztalata és emberi megértése érvényesüljön. A tanulás mindennapjai ebben a jövőképben nem steril, automatizált folyamatok. A könyv hangsúlyozza, hogy az emberi kapcsolatok, a közös gondolkodás, a visszajelzés és a párbeszéd szerepe nem csökken, hanem új formában tér vissza. A technológia tehermentesít, láthatóvá tesz és támogat, de nem helyettesíti az emberi jelenlétet.

A 2030-ra vizualizált tanulás végső képe ezért nem technológiai utópia, hanem életszerű tanulási környezet. A tanulás folyamatos, helyzethez kötött és személyes, még akkor is, ha digitális rendszerek kísérik. A könyv ezen a ponton visszakapcsol az egész gondolatmenet kiindulópontjához: a tanulás jövője nem azon múlik, hogy mennyire fejlettek az eszközeink, hanem azon, képesek vagyunk-e tanulóként jelen maradni egy olyan világban, ahol a válaszok mindig elérhetők, de az értelmezés felelőssége továbbra is a miénk marad.

Sauter, Werner - Stoller-Schai, Daniel: Selbstorganisiertes Lernen mit generativer KI - Neue dialogische Lernwelten im beruflichen Kontext, Schäffer-Poeschel Verlag für Wirtschaft · Steuern · Recht GmbH, Stuttgart, 2025.

A könyvet a Bookline-on itt lehet megrendelni.

https://bookline.hu/product/home.action?_v=Sauter_Werner_Stoller_Schai_Daniel_&type=200&id=6879031

Az írás és az illusztrációk a mesterséges intelligencia közreműködésével készültek.

Etikus mesterséges intelligencia az európai iskolákban - az Európai Bizottság 2026-os oktatói iránymutatása

Az Európai Bizottság 2026 elején közzétette oktatói etikai iránymutatásának felülvizsgált kiadását. A dokumentum az MI iskolai alkalmazásának jogi és etikai keretét határozza meg, és az első, 2022-es változathoz képest alapvetően megújult: integrálja a hatályba lépett EU MI-törvényt, reagál a generatív MI rohamos terjedésére, és konkrét döntéstámogató eszközöket kínál pedagógusoknak és intézményvezetőknek egyaránt. Az elmúlt négy év gyökeresen átrajzolta azt a környezetet, amelyre az első iránymutatás épített. A ChatGPT 2022 novemberi megjelenésével és a nagy nyelvi modellek rohamos terjedésével az MI nem csupán a háttérben dolgozó adaptív platform maradt az iskolákban: általános célú, szabad szöveges interakcióra képes rendszerek kerültek a tanulók és pedagógusok kezébe, sokszor minden intézményi kontroll és pedagógiai megfontolás nélkül. Eközben az uniós szabályozás is konszolidálódott: a 2024-ben elfogadott AI Act hatályba lépett, és az iskolákra is vonatkozó kötelezettségeket teremtett — a tiltott érzelemfelismerő rendszerektől a nagy kockázatú értékelési platformokig, az átláthatósági előírásoktól az alapjogi hatásvizsgálatig. A társadalmi elvárások sem maradtak el: Eurobarometer-adatok szerint az európaiak 87 százaléka szükségesnek tartja, hogy minden tanár felkészüljön az MI ismeretére és felelős alkalmazására.

A 2026-os iránymutatás erre a hármas — technológiai, jogi és társadalmi — kihívásra ad rendszerszintű választ. Az elemzés bemutatja, miben tér el a két kiadás szerkezete és fogalomrendszere, hogyan értelmezi az AI Act oktatási vonatkozásait, és milyen gyakorlati keretet kínál az intézményi MI-stratégia kialakításához: a belső felülvizsgálattól a kísérleti bevezetésen át a folyamatos monitorozásig. Kitér arra is, hogyan válhat az iránymutatás tanórai programmá — a promptalkotástól a deepfake-ek kritikai feldolgozásáig —, és hogyan segíti egy olyan iskolai kultúra kialakítását, amelyben az MI tudatos, kritikus és felelős használata normává válik.

A 2022-es iránymutatás – az MI etikus iskolai alkalmazásának elvi megalapozása

Az Európai Bizottság 2022-es oktatói etikai iránymutatása (Ethical Guidelines on the Use of AI and Data in Teaching and Learning for Educators) a Digitális Oktatási Cselekvési Terv (Digital Education Action Plan, DEAP 2021–2027) egyik konkrét vállalásából nőtt ki. A terv két stratégiai pillére – a magas teljesítményű digitális oktatási ökoszisztéma fejlesztése és a digitális kompetenciák erősítése – közül az első kifejezetten igényelte az MI etikus iskolai alkalmazásának elvi megalapozását.

Az iránymutatás tágabb szakpolitikai keretre is támaszkodott. A Mesterséges Intelligenciával foglalkozó Magas Szintű Szakértői Csoport 2019–2020-ban közzétett Etikai Iránymutatása a Megbízható Mesterséges Intelligenciára (Ethics Guidelines for Trustworthy AI) és a kapcsolódó önértékelési lista (ALTAI) adták azt a hét etikai követelményt, amelyekre az oktatói iránymutatás épített. Eközben az MI-törvény tárgyalása is zajlott – a 2022-es szöveg még csak elfogadás előtt álló javaslatként hivatkozott rá –, az általános adatvédelmi rendelet, a GDPR oktatási értelmezési kerete pedig szintén formálódóban volt.

Az iránymutatás szükségképpen ideiglenes és perspektivikus jellegű volt: nem kötelező előírásokat fektetett le, hanem pedagógusokat és iskolavezetőket kívánt felkészíteni arra, hogy az MI-eszközök bevezetésekor jó kérdéseket tegyenek fel, párbeszédet folytassanak a szolgáltatókkal és a hatóságokkal, és kritikusan, etikusan viszonyuljanak az egyre szaporodó oktatási technológiákhoz. A célközönség az az „atlagos” pedagógus volt, aki osztálytermi körülmények között, sokszor csekély technikai előképzettséggel szembesül az MI ígéreteivel és kockázataival.

A dokumentum egységes, lineáris logikát követett: a fogalmi alapvetéstől – mi az MI, mi az oktatási adat – az uniós szabályozási háttér ismertetésén át az etikai elvekig, onnan az irányadó kérdésekig, végül a kompetenciakeretéig haladt. Négy etikai pillérre épült: emberi cselekvőképesség (human agency), méltányosság (fairness), emberség (humanity) és indokolt választás (justified choice). Ezekre ráépítve hét kulcskövetelményt fogalmazott meg – az emberi felügyelettől az elszámoltathatóságig –, mindegyikhez konkrét kérdésekkel, amelyeket tanárok és intézményvezetők a gyakorlatban alkalmazhattak.

A dokumentum kettős szerepet töltött be. Referenciadokumentumként az Erasmus+ programon terjesztendő, tagállami alkalmazásra ajánlott anyag volt, amely az Európai Oktatási Térség megvalósítását is szolgálta. Párbeszédindítóként arra ösztönözte a pedagógusokat, hogy ne passzív felhasználókként fogadják az MI-t, hanem kritikus szakemberekként alakítsák saját viszonyukat hozzá. A DigCompEdu hat területére – a szakmai szerepvállaláson és a tanórán át az értékelésig – épített kompetenciamutatók ehhez konkrét fogódzót kínáltak.

A 2026-os átdolgozás indokoltsága – mit hozott az eltelt négy év

A 2026 márciusában megjelent, hivatalosan egyelőre csak angol nyelven elérhető kiadás (Updated Guidelines on the Ethical Use of Artificial Intelligence and Data in Teaching and Learning for Educators) előszava a revízió okát az elmúlt négy évben lezajlott jelentős változásokban jelöli meg: 2022 óta exponenciális növekedés következett be a tanárok és tanulók MI-használatában, amelynek motorja a generatív MI (generative AI, GenAI) nyilvános elérhetővé válása volt. A ChatGPT 2022 novemberi megjelenése és az azt követő nagy nyelvi modellek rohamos terjedése alapvetően módosította azt a technológiai környezetet, amelyre az első iránymutatás épült. Az iskolákban addig jellemzően célzott, háttérben működő rendszerek – adaptív platformok, intelligens mentorok, automatizált értékelők – dolgoztak; mellettük hirtelen megjelentek az általános célú, szabad szöveges interakcióra képes modellek, amelyeket a diákok önállóan, sokszor minden pedagógiai kontroll nélkül kezdtek alkalmazni.

A változásoknak három rétege különíthető el. Az első technológiai: a generatív MI új képességeket – szöveggenerálás, képalkotás, összegzés, fordítás egyetlen rendszeren belül – és új kockázatokat hozott. A hallucináció (hallucination) jelensége, a deepfake-tartalmak, a plágium elmosódó határai és az akadémiai integritás sérülése mind olyan probléma, amelyről a 2022-es kiadás még nem szólhatott. A második réteg jogi-szabályozási: a 2024-ben elfogadott EU MI-törvény (AI Act, 2024/1689) hatályba lépett, és az iskolákra is vonatkozó azonnali, illetve 2026. augusztus 2-tól érvényes kötelezettségeket teremtett. A harmadik réteg társadalmi: Eurobarometer-felmérések szerint az európaiak 87 százaléka úgy ítéli meg, hogy minden tanárt fel kellene készíteni az MI ismeretére és alkalmazására, 75 százalékuk pedig úgy véli, hogy 2030-ra az MI-jártasság általános elvárás lesz.

A 2026-os kiadás ezekre a változásokra rendszerszintű választ ad. Az MI-törvény releváns rendelkezéseit pontosan, cikkszámokkal hivatkozva illeszti be a szövegbe. Részletes táblázatokat közöl a tiltott MI-gyakorlatokról oktatási példákkal, a nagy kockázatú rendszerek (high-risk AI systems) oktatási kategóriáiról, valamint azokról a feltételekről, amelyek fennállása esetén egy rendszer kiesik a magas kockázatú kategóriából. A GDPR mellé belép az AI Act 27. cikke alapján kötelező alapjogi hatásvizsgálat (Fundamental Rights Impact Assessment, FRIA) és az adatvédelmi hatásvizsgálat (DPIA) is.

Az iránymutatás emellett beépíti az időközben elfogadott uniós stratégiai kereteket. A Készségek Uniója (Union of Skills, 2025), az AI Continent Action Plan (2025) és az Apply AI stratégia (2025) mind hivatkozási pontként szerepel, így a dokumentum nemcsak oktatáspolitikai, hanem az uniós MI-politika 2025–2030-as architektúrájába is beleilleszkedik. Az MI-jártasság (AI literacy) – amelyet az MI-törvény 4. cikke kötelező szinten ír elő az üzemeltetők személyzete számára – az iránymutatás egyik központi fogalmává válik, és az EU–OECD közös MI-jártassági keretrendszerrel (AILit, 2025) kiegészülve pedagógiai programot is kínál.

Szerkezeti különbségek, tartalmi megújulás

A két kiadás közötti leglátványosabb különbség szerkezeti. A 2022-es változat lineárisan haladt a fogalmaktól az elveken át a gyakorlatig; a 2026-os három elkülönített pillérre tagolódik: alapelvek és jogi háttér – irányadó kérdések és forgatókönyvek – háttéranyagok. Az új változat emellett nyíltan differenciálja a célközönségét: tanárok, iskolavezetők és döntéshozók egymástól eltérő belépési pontot kapnak, és nem szükséges az egész dokumentumot elolvasniuk ahhoz, hogy a saját feladataikhoz releváns útmutatást találjanak.

Az MI fogalmának meghatározása is pontosabb lett. A 2026-os kiadás az elfogadott MI-törvény definícióját veszi át: a rendszer gépalapú, változó szintű autonómiával működik, és explicit vagy implicit célok alapján következtet kimenetekre. Ez jogilag megalapozottabb, mint az első kiadás háromoszlopú taxonómiája. Lényegi újítás, hogy a generatív MI önálló kategóriaként jelenik meg, és a dokumentum határozottan különbséget tesz az oktatási célú MI és az általános célú MI (general-purpose AI) között. Az előbbit a fejlesztők pedagógiai logika szerint kalibrálják; az utóbbit nem oktatási közegre tervezték, így az alkalmasságáról való döntés felelőssége a pedagógusra hárul – ez komoly szakmai felelősségtöbbletet jelent, amelyre az iránymutatás konkrét eszközöket kínál.

Az etikai pillérrendszer részben megmarad, részben átalakul. Az emberség fogalmát az emberi méltóság (human dignity) váltja fel – tágabb kategória, amely az MI-törvény alapjogi logikájával is összhangban van. Ötödik pillérként kerül be az akadémiai integritás (academic integrity) – közvetlen válasz a generatív MI által felvetett kihívásokra. Szintén új a bizalom/megbízhatóság (trust/trustworthiness) pillér, amely a tanulók sebezhetőségét, a hatalmi viszonyokat és a kritikai gondolkodás szükségességét helyezi előtérbe.

Az irányadó kérdések (guiding questions) rendszere gyökeresen átalakult. A 2022-es kiadás hét etikai dimenzió mentén egységes kérdéslistát közölt; az új változat minden dimenzióhoz külön tanárnak és külön iskolának szóló kérdésblokkot rendel. A kérdések konkrét, valóságos helyzetekhez kapcsolódnak: óratervező MI, formatív visszajelzés generatív modellel, tanulási nehézséget azonosító LMS-rendszer, általános célú LLM projektmunkában, adminisztratív automatizálás, RAG-alapú tananyaggenerálás. Ha egy kérdésre nemleges a válasz, az nem blokkolja a rendszer használatát, csupán jelzi, hogy további lépések szükségesek: pontosítást kell kérni a szolgáltatótól, be kell vonni az iskolavezetést, vagy kiegészítő biztosítékokat kell bevezetni.

Ami az első kiadásban még nem szerepelt: új problémák, új megoldások

A 2026-os kiadás legterjedelmesebb újdonsága az EU MI-törvény oktatási vonatkozásainak részletes elemzése, amelyet három jogi kategória köré szervez.

Az első kategória a tiltott gyakorlatok köre. Az 5. cikk (1) bekezdés f) pontja megtiltja az érzelemfelismerő rendszerek iskolai alkalmazását, kivéve, ha orvosi vagy biztonsági cél indokolja. A tilalom minden oktatási intézményre – köztük a szakképzésre és a felnőttképzésre – kiterjed, életkortól és oktatási formától – jelenléti, online, vegyes – függetlenül. Tiltott az érzelmek kikövetkeztetése tanulói érdeklődés mérése céljából, valamint az érzelemfelismerő rendszer alkalmazása munkahelyi vagy oktatási felvételi eljárásban; nem tiltott azonban a szemmozgást figyelő szoftver, ha a rendszer abból nem következtet érzelmekre.

A második kategória a nagy kockázatú rendszereké. A törvény III. melléklete 3. pontja négy oktatási alkalmazást sorol ide: felvételi és beiratkozási rendszerek; tanulási eredményeket értékelő és az oktatási folyamatot irányító rendszerek; az oktatási szint meghatározására szolgáló rendszerek; vizsgákon tiltott magatartást felügyelő rendszerek. Ezekre 2026. augusztus 2-tól szigorú előírások vonatkoznak: kockázatértékelés, adatminőség-biztosítás, tevékenységnaplózás, emberi felügyelet és magas szintű kiberbiztonság. Ha azonban egy rendszer érdemi hatás nélkül vesz részt a döntésben – például csupán szövegformázást végez, vagy korábbi döntésminták eltéréseit detektálja –, kieshet a nagy kockázatú kategóriából.

A harmadik kategória az átláthatósági kötelezettségeké (50. cikk). A chatbotoknak jelezniük kell, hogy a felhasználó MI-vel kommunikál. Az MI-generált szintetikus tartalmakat – szöveget, képet, hangot, videót – géppel olvasható formátumban meg kell jelölni. A deepfake-tartalmak terjesztőjének nyilvánosságra kell hoznia azok mesterséges eredetét. Ezek az előírások az oktatásban különösen relevánsak, ahol a tartalomhitelességbe vetett bizalom a pedagógiai folyamat alapja. A dokumentum a magyarázathoz való jogot (86. cikk) is tárgyalja: ha egy MI-érintett döntés jogi hatással bír vagy hátrányosan érinti az egyént, az érintett egyértelmű magyarázatot kérhet a rendszer szerepéről.

Szintén új terep az adatgazdálkodási egyensúlytalanság kérdése. A 2026-os kiadás rámutat: a szövegszerkesztőkbe és képalkotókba beágyazott MI sokszor explicit hozzájárulás és tájékoztatás nélkül gyűjti és feldolgozza a tanulói adatokat, miközben a technológiaszolgáltatók több hozzáférést kapnak az iskolai adatokhoz, mint maguk az iskolák. A dokumentum ezért az intézményi adatszuverenitás kérdését is tárgyalja, és arra ösztönzi az iskolákat, hogy tudatosan mérlegeljék: kinek és milyen célra adják át a tanulókról keletkező adatokat, és megőrzik-e mozgásterüket egy esetleges rendszerváltáshoz.

Az MI intézményi bevezetése: feltárás, értékelés és pedagógiai illesztés

Az iránymutatás az MI alkalmazását nem technológiai kérdésként, hanem intézményi szintű döntési és értékelési folyamatként határozza meg (az iránymutatás 33–35. oldala). Kiindulópontja, hogy az MI csak akkor használható felelősen, ha bevezetése tudatos, pedagógiailag indokolt és folyamatosan felülvizsgált.

Az első lépés a belső intézményi felülvizsgálat, amely során az iskola feltérképezi a már jelen lévő MI-eszközöket és adatkezelési gyakorlatokat. Az iránymutatás hangsúlyozza, hogy az MI gyakran nem önálló rendszerként, hanem digitális platformokba ágyazva jelenik meg, ezért a tényleges használat sok esetben nem látható első pillantásra. Ennek megfelelően a kiindulópont nem új eszköz kiválasztása, hanem a meglévő működés tudatos feltárása. A felülvizsgálat során az intézménynek azonosítania kell, hogy milyen típusú adatokat gyűjt, ezek milyen célokat szolgálnak, és megfelelnek-e a jogi és etikai elvárásoknak. Ez nem pusztán technikai audit, hanem pedagógiai és etikai értékelés, amely meghatározza a további döntések keretét.

Ezt követi a pedagógiai illeszkedés vizsgálata. Az MI alkalmazása csak akkor indokolt, ha az ténylegesen hozzájárul a tanulási célokhoz, támogatja a differenciálást vagy javítja a visszajelzési folyamatokat. Az iránymutatás egyértelműen rögzíti, hogy a technológiai lehetőség önmagában nem elegendő indok az alkalmazásra. Különösen fontos annak vizsgálata, hogy az MI miként hat a tanári szerepre és a tanulói autonómiára: az eszközök használata nem vezethet a pedagógiai döntések kiszervezéséhez, hanem azok támogatását kell szolgálnia, megőrizve az emberi kontrollt.

A dokumentum hangsúlyozza a kockázatok előzetes mérlegelését is. Az intézményeknek számolniuk kell az algoritmikus torzításokkal, az adatkezelési kockázatokkal és a tanulási folyamat esetleges torzulásával. Az MI tehát nem semleges eszköz, hanem olyan rendszer, amelynek használata minden esetben tudatos döntést igényel.

A feltáró szakaszt követően az iránymutatás az MI gyakorlati bevezetésére és működtetésére koncentrál. Központi elve a fokozatosság: az MI nem vezethető be egyszerre teljes intézményi szinten, hanem kísérleti, kontrollált lépésekben kell alkalmazni. A bevezetés első fázisában az iskola egy szűkebb tanulói vagy pedagógusi körben teszteli az eszköz működését. Az iránymutatás hangsúlyozza, hogy a pilot során szerzett tapasztalatok alapján az intézménynek képesnek kell lennie korrekcióra vagy visszalépésre – különösen fontos ez olyan rendszerek esetében, amelyek gyorsan beépülnek a mindennapi működésbe, és később nehezen módosíthatók.

A következő szint a folyamatos monitorozás és értékelés, amely az MI használatát dinamikus folyamattá teszi. Az intézménynek rendszeresen vizsgálnia kell, hogy az alkalmazott eszközök továbbra is megfelelnek-e a pedagógiai céloknak, és hogy nem jelennek-e meg új kockázatok vagy nem kívánt hatások. A pedagógusok tapasztalatai, a tanulói visszajelzések és az intézményi szintű adatok egyaránt hozzájárulnak ahhoz, hogy az iskola finomhangolja az MI használatát – biztosítva, hogy a technológia ne merev struktúraként, hanem adaptív eszközként működjön.

Az iránymutatás külön kitér a felelősségi körök egyértelmű meghatározására. A pedagógusok feladata az MI kimeneteinek ellenőrzése és pedagógiai értelmezése, míg az intézmény felelőssége a szabályozási keretek, az adatkezelés és a működési protokollok kialakítása. Ez a megosztott felelősség biztosítja, hogy az MI alkalmazása átlátható és kontrollált maradjon. A dokumentum végül hangsúlyozza: az MI alkalmazása csak akkor tekinthető sikeresnek, ha beépül az intézményi tanulási folyamatba – az iskola nem csupán használja az eszközöket, hanem képes tanulni azok működéséből, és ennek megfelelően alakítani saját pedagógiai gyakorlatát.

MI-jártasság és kompetenciafejlesztés

Az iránymutatás az MI alkalmazását a kompetenciák irányából közelíti meg (36. oldal), és egyértelműen rögzíti, hogy az MI-jártasság nem különálló tudás, hanem a digitális kompetencia szerves része. Az MI használata ezért nem technikai készségként, hanem kritikai, értelmező és etikai képességként jelenik meg az oktatásban.

A DigComp keretrendszer alapvetően lefedi azokat a területeket – információkezelés, kommunikáció, tartalomkészítés, biztonság és problémamegoldás –, amelyek az MI értő használatához szükségesek. A DigComp 3.0 ezt tovább erősíti azzal, hogy kifejezetten integrálja az MI-hez kapcsolódó tudást, beleértve a működés megértését és a kimenetek kritikai értékelését. Ezzel párhuzamosan jelenik meg az AI Literacy Framework (AILit), amely négy kompetenciaterület mentén strukturálja az MI-hez szükséges készségeket: használat, alkotás, irányítás és megértés. Ez a modell arra épít, hogy a tanulók ne csupán felhasználói legyenek az MI-nek, hanem képesek legyenek tudatosan dönteni a használatáról és értelmezni annak következményeit.

Az iránymutatás hangsúlyozza, hogy az MI-jártasság kulcseleme a kritikai gondolkodás. A tanulóknak meg kell érteniük, hogy az MI nem „tud", hanem statisztikai mintázatok alapján generál válaszokat, így kimenetei nem tekinthetők automatikusan megbízhatónak. Ez a felismerés alapvető a forráskritika és az akadémiai integritás szempontjából. Az MI-jártasság etikai dimenziót is hordoz: a tanulóknak képesnek kell lenniük felismerni a torzításokat, megérteni az adatkezelés következményeit, és tudatosan viszonyulni a generált tartalmakhoz. Ez a megközelítés az MI használatát a digitális állampolgárság részévé teszi.

Intézményi szinten ez azt jelenti, hogy az MI nem külön tantárgyként jelenik meg, hanem keresztmetszeti kompetenciaként, amely minden tanulási helyzetben jelen van. A pedagógus szerepe ebben a kontextusban az, hogy ne csupán eszközhasználatot tanítson, hanem értelmezési keretet adjon az MI működéséhez és hatásaihoz.

Hogyan használjuk az iránymutatást? – Vezérfonal, háttéranyag, tanórai program

Az iránymutatás az iskolai MI-használat egészét átfogó, gyakorlati döntéstámogató keretrendszerként értelmezhető, amely nemcsak elvi irányokat jelöl ki, hanem konkrét pedagógiai és intézményi helyzetekben is alkalmazható. Különös jelentősége abban áll, hogy az Európai Unió MI-szabályozásának – különösen az AI Act és a GDPR – már hatályos és kötelező elemeit értelmezhető, iskolai kontextusba helyezett kérdésekké és döntési pontokká alakítja. Ezáltal az intézmények nem absztrakt jogi előírásokkal, hanem kezelhető, mindennapi gyakorlatba illeszthető problémákkal találkoznak.

A dokumentum egyik legfontosabb erőssége, hogy az MI alkalmazását nem statikus állapotként, hanem folyamatként írja le. Ez a folyamat négy egymásra épülő szakaszban ragadható meg. Elsőként az intézménynek fel kell térképeznie saját működését: azonosítania kell a jelen lévő – gyakran rejtett – MI-alapú funkciókat, valamint azt, hogy ezek milyen adatokat gyűjtenek és milyen célokra használják azokat. Ezt követi a szabályozási és működési keretek kialakítása, amely magában foglalja az adatvédelmi és alapjogi hatásvizsgálatokat, az emberi felügyelet biztosítását és a beavatkozási mechanizmusok rögzítését. A harmadik szakasz a kísérleti alkalmazás, amely során az intézmény kontrollált környezetben, konkrét pedagógiai szempontok mentén teszteli az MI használatát. Végül a folyamat a folyamatos monitorozással és visszacsatolással zárul, amely biztosítja, hogy az MI alkalmazása rugalmasan alakítható és szükség esetén korrigálható maradjon.

Az iránymutatás nemcsak vezérfonalként, hanem önállóan használható háttéranyagként is működik. Az irányadó kérdések rendszere – külön a pedagógusok és az intézmények számára – lehetővé teszi, hogy az MI használatával kapcsolatos dilemmák strukturált módon kerüljenek napirendre. Ezek a kérdésblokkok alkalmasak szakmai megbeszélések, szülői tájékoztatók vagy akár technológiai szolgáltatókkal folytatott egyeztetések alapjául. A szójegyzék szintén fontos eszköz: közérthető módon magyarázza azokat a fogalmakat, amelyek az MI-vel kapcsolatos diskurzusban megkerülhetetlenek, így támogatja a pedagógusok és az intézmények közös nyelvének kialakítását.

A tanórai alkalmazás szempontjából az iránymutatás különösen értékes, mert az MI-t nem különálló témaként, hanem a mindennapi tanulási folyamat részévé teszi. Az MI működésének alapelve – hogy statisztikai mintázatok alapján generál válaszokat, de nem rendelkezik valódi megértéssel – egyszerre szolgál kiindulópontként és vitatémaként. Erre épülhet a tévhitek tudatos feldolgozása, amely fejleszti a tanulók kritikai gondolkodását és forrásértékelési képességét.

A tanulói tevékenységek szintjén az MI használata akkor válik pedagógiailag értékessé, ha az nem kész megoldások átvételére, hanem reflektív használatra ösztönöz. A promptalkotás, a kimenetek értékelése, a hibák és torzítások azonosítása mind olyan gyakorlatok, amelyek az MI-t tanulási eszközzé, nem pedig helyettesítő mechanizmussá teszik. Ugyanez érvényes a deepfake-ek vagy a hallucinációk feldolgozására is: ezek nem technikai érdekességek, hanem a digitális tartalmak értelmezésének alapvető kérdései.

Az iránymutatás felfogása szerint az MI használatának középpontjában az etika áll. Ez nem kiegészítő elem, hanem a kompetenciafejlesztés alapja: a tanulók és a pedagógusok egyaránt azt sajátítják el, hogy mikor, milyen feltételek mellett és milyen következményekkel alkalmazható az MI. Ez a megközelítés teremti meg annak lehetőségét, hogy az MI ne gyengítse, hanem erősítse az autonóm gondolkodást, és hozzájáruljon egy olyan iskolai kultúra kialakulásához, amelyben a technológia tudatos, kritikus és felelős használata válik normává.

A dokumentum elérhetősége

Az iránymutatás letölthető az Európai Unió Kiadóhivatalának oldaláról (angol nyelvű változat, op.europa.eu), illetve elérhető a nem hivatalos magyar fordítás is.