A generatív mesterséges intelligencia a jogtudományi kutatásban és publikációban

 

A generatív mesterséges intelligencia (GMI) megjelenése a jogtudományi kutatás, a jogi publikáció és a jogi elemzés folyamatát is átalakította. A jónéhány éve már jelenlévő legaltech megoldások – az automatizált szerződéskezeléstől az adatbázis-elemzésig – mellett mára a generatív modellek, mint a ChatGPT, a Gemini vagy a Claude, a jogi szakmai és kutatói gondolkodás szerves részévé váltak. Írásunk célja, hogy egy most megtartott szakmai előadás és annak kutatásmódszertani előzményei alapján áttekintő képet adjon a mesterséges intelligencia jogtudományi felhasználásának lehetőségeiről, a kapcsolódó etikai, adatvédelmi és felelősségi kérdésekről, a nemzetközi és hazai gyakorlat alakulásáról.

A technológiai fejlődés hatásait végső soron a tudományos integritás szemszögéből mutatjuk be, arra keresve a választ, hogyan lehet a generatív MI-t úgy beépíteni a jogi kutatás és publikálás folyamatába (is), hogy az a tudományos hitelességet ne gyengítse, hanem erősítse.

Generatív mesterséges intelligencia és legaltech

A jogtudományi kutatás és a jogi gyakorlat digitalizációja két, látszólag rokon, valójában eltérő technológiai irány mentén halad: a legaltech és a generatív mesterséges intelligencia között. A legaltech célja az automatizálás – az ismétlődő feladatok kiváltása sablonokkal és adatvezérelt folyamatokkal. Ilyenek például a szerződésgenerálók, a verzió- és ügykezelő rendszerek, vagy a peres kimeneteket előrejelző algoritmusok, amelyek strukturált jogi adatbázisokra építenek. A generatív MI ezzel szemben nyelvi mintázatokból tanul, és új tartalmakat hoz létre – szöveget, képet, kódot, akár teljes elemzéseket. Míg a legaltech a jogi logikát kódolja, a GMI az emberi gondolkodás formáit imitálja.

A GPT-technológia alapja a mélytanulás: a modell több milliárd szókapcsolatot elemzett tudományos, szakmai és köznyelvi forrásokból, így képes a szövegben rejlő árnyalatokat és szándékokat felismerni. A rendszer nem értelmez, hanem valószínűségi alapon generál. Ebből adódik a kettős természet: a válaszok gyakran kreatívak és koherensek, de nem mindig faktualizálhatók. A tudományos közegben ez különösen érzékeny: a jogi vagy kutatási kontextusban a pontatlanság nemcsak hibát, hanem jogi kockázatot is jelenthet.

A generatív modellek előnye mégis vitathatatlan. A kutatói munka egyik legnagyobb kihívása az idő: a forráskutatás, az adatrendezés és a nyelvi finomítás órákat, olykor napokat vesz igénybe. A GMI ezeket percek alatt képes elvégezni, összegzéseket, fordításokat, szerkezetjavaslatokat készítve. A többnyelvűség révén megkönnyíti a nemzetközi publikációs térbe való belépést, ami különösen fontos a kisebb tudományos közösségek számára.

Azonban az előnyökkel együtt nő a felelősség is. A GMI-rendszerek hajlamosak a „hallucinációra”, vagyis nem létező források, fiktív hivatkozások előállítására. Ez a tudományos integritás egyik legnagyobb veszélye. A modell által generált információ azonban nem tekinthető sem hitelesnek, sem a kutatás és információfeldolgozás szakmai normái szerint megalapozottnak – minden adatot, hivatkozást vagy idézetet a kutatónak kell ellenőriznie. A forráshitelesség, az adatvédelem és a szerzői jog kérdése ezért az MI-használat szerves része. Az előadás hangsúlyozza, hogy a ChatGPT vagy bármely más modell nem helyettesíti a jogi szakértelmet és semmiképpen nem adhat(na) jogi tanácsot.

A legaltech és a GMI különbségének megértése azért is fontos, mert a két irány eltérő felelősségi és etikai keretrendszert kíván. A legaltech folyamatok (és a mögöttük álló, a technikát használó cég, ügyvédi iroda vagy szervezethez kötött célalkalmazások) eredménye ellenőrizhető: ismert adatalapokon, rögzített szabályok szerint, magas szintű adatvédelmi és szakmai titoktartási követelmények között működnek. A GMI viszont valószínűségi természetű külső rendszer, amit a kutató nem tud ellenőrzése alatt tartani, a rendszer által létrehozott eredményt pedig nem csak kritikusan kell vizsgálnia, de minden esetben validálnia is kell. A jogi és tudományos közösség előtt tehát nem az a kérdés, hogy használható-e a generatív MI, hanem hogy hogyan és milyen feltételek mellett illeszthető be a felelősségteljes kutatási gyakorlatba. A cél nem az automatizálás, hanem az emberi gondolkodás támogatása – annak érdekében, hogy a technológia a tudományos tudás kiterjesztésének, ne torzításának eszköze legyen.

A ChatGPT és a kutatói munka új dimenziói

A ChatGPT és más, hasonló chatbot alapon működő nagy nyelvi modellek megjelenése a kutatói munka történetének egyik leggyorsabban terjedő technológiai fordulópontja. Míg a legaltech a háttérben dolgozó infrastruktúra maradt, a ChatGPT közvetlenül az alkotás folyamatába lépett be: a gondolatok megszületésének, a szövegek formálásának és a tudományos kommunikációnak az aktív részesévé vált. Az OpenAI GPT-5 modellje – amely 2025 nyarától az alapértelmezett verzió – már nem csupán szövegalkotó, hanem komplex kutatási platform, amely képes webes keresésre, mélykutatásra, képgenerálásra, hangalapú interakcióra és saját „projektek” létrehozására. Ezzel az MI valóban tudományos asszisztenssé vált: segít rendszerezni a gondolatokat, összegyűjteni a releváns forrásokat és megfogalmazni a tudományos érveket.

A ChatGPT működésének alapja a promptolás – vagyis a felhasználói utasítás megfogalmazása. A modell nem értelmez, hanem valószínűségi mintázatokból épít fel válaszokat, ezért az eredmény minőségét a kutató instrukciójának pontossága határozza meg. A STAR- és CISCO-modelleket emelhetők ki, mint olyan stratégiák, amelyek a tudományos felhasználás során segítik az MI-t célzottan és átláthatóan működtetni. A jó prompt nemcsak az MI-t irányítja, hanem a kutató gondolkodását is szervezi: világossá teszi a kutatási célt, a kontextust és az elvárt eredményt. A generatív MI-vel való munka így egyszerre technikai és intellektuális kompetencia, amely új kutatói szerepet formál.

A ChatGPT mellett számos alternatíva segíti az – elsősorban angol nyelven folyó - tudományos tevékenységet. Az Anthropic Claude elsősorban strukturált jegyzetelésre és dokumentumelemzésre alkalmas; a Google Gemini a csoportmunkát támogatja, adatfeldolgozási és vizualizációs feladatokat lát el; a Perplexity.ai a legmegbízhatóbb hivatkozás-alapú kereső, amely minden válaszhoz konkrét forráslinket ad; a Consensus az adott kutatási témákban kialakult tudományos egyetértéseket jeleníti meg, így segít elhelyezni az új kutatásokat a nemzetközi szakirodalmi térben. Ezek az eszközök kiegészítik egymást: a ChatGPT a kreatív szövegalkotásban, a Perplexity a forráshitelességben, a Claude és a Gemini pedig az oktatási és elemzési folyamatokban erősek.

A kutató számára a legnagyobb érték a sebesség és a rugalmasság: néhány másodperc alatt készíthet vázlatot, fordíthat absztraktot, vagy rendszerezheti az összegyűjtött adatokat. A többnyelvű képességek különösen előnyösek azoknak, akik angol nyelvű publikációban vesznek részt, de anyanyelvük más. Ugyanakkor a ChatGPT-t nem szabad önálló tudásforrásként kezelni. A modell nem értékel és nem ellenőriz, csak valószínűsíti a leggyakoribb mintázatot. A kutatónak így új típusú felelőssége van: az MI-vel generált tartalmakat ellenőriznie, validálnia kell, és azokat kontextusban kell értelmeznie.

A ChatGPT tehát a jogtudományban sem váltja fel a kutatót, hanem meghosszabbítja a gondolkodását. Az MI-asszisztens nem helyette dolgozik, hanem mellette: gyorsítja az adatfeldolgozást, javaslatokat ad, stilizál, de a döntés és az értékelés mindig emberi kompetencia marad. A jogtudományi kutatásban ez különösen lényeges, hiszen az MI által generált érvek vagy források nem tekinthetők hivatkozási alapnak, csak kiindulópontnak. A ChatGPT így az akadémiai munka új rétegét hozza létre – az ember és gép közötti dialógust, amelynek minőségét a kritikus gondolkodás határozza meg.

A kutatási folyamat és az MI integrációja

A generatív mesterséges intelligencia a kutatás minden szakaszában támogató szerepet játszhat – a kezdeti ötletformálástól a publikációs előkészítésig. Az előadásban bemutatott modell szerint a folyamat hat fő szakaszra bontható: téma- és problémafelvetés, hipotézisalkotás, forráskutatás, vázlat- és szövegalkotás, fordítás és stilizálás, valamint disszemináció. Mindegyik lépésben más-más típusú MI-eszköz használható, és más kockázatokat rejt a beavatkozás mértéke.

A kiindulópont a téma kiválasztása és problémafelvetés, ahol a ChatGPT és a Claude már inspirációs eszközként működnek. A kutató röviden leírhatja érdeklődési körét vagy diszciplínáját, a modell pedig trendeket, kulcsszavakat, kutatási réseket azonosít. Ez különösen a fiatal kutatók számára hasznos, akik még nem látják át a nemzetközi szakirodalom hálózatait. Az MI itt nem dönt, hanem ötletkatalizátorként segít, de a választás mindig a kutatóé marad.

A második szakasz a hipotézisalkotás és kutatási kérdés megfogalmazása, ahol a GMI képes nagymennyiségű szöveg – tanulmányok, bírósági döntések, adatbázisok – gyors áttekintésére és összegzésére. A kutató így rövid idő alatt láthatja, mely elméletek uralkodnak, hol vannak ellentmondások. Ugyanakkor az MI nem értékeli a források megbízhatóságát, ezért ez a lépés kizárólag emberi ellenőrzéssel tekinthető érvényesnek.

A harmadik fázis a forráskutatás és irodalomfeltárás, ahol a ChatGPT mellett megjelennek a kifejezetten tudományos keresőmotorok: a Perplexity.ai minden válaszhoz hivatkozásokat rendel, a Consensus a kutatási eredmények közötti konszenzust mutatja, míg az Elicit vagy a ResearchRabbit a publikációk kapcsolati hálóit tárja fel. Ezek a rendszerek – elsősorban az angol nyelvi keresések és kutatás kontextusában - megkönnyítik a komparatív elemzéseket és a kulcsszavas kutatást, de csak nyilvánosan elérhető tartalmakban tudnak keresni. A zárt adatbázisok (pl. MERSZ, az Orac Szakcikk Adatbázis Plusz, a JSTOR, vagy a HeinOnline) tartalma nem férhető hozzá az MI számára, ezért a kutatónak kettős keresési stratégiát kell alkalmaznia: emberi adatbázis-használatot és MI-támogatott elemzést.

A negyedik szakasz a vázlat- és szövegalkotás, amelyben a ChatGPT vagy a Writing GPT strukturálja a gondolatmenetet, bevezető- és összefoglalóterveket készít, javaslatot tesz a fejezetek logikájára. A Claude segítségével a kutató nyelvileg és stilisztikailag finomíthatja a szöveget, vagy elkészítheti az első angol nyelvű változatot. Ez a lépés akár 60–70%-kal rövidítheti a kézirat előkészítésének idejét, de csak akkor, ha a szerző kritikusan szerkeszt és nem mechanikusan veszi át az MI javaslatait.

Az ötödik fázis a fordítás és nyelvi ellenőrzés, ahol a DeepL, az eTranslation és a ChatGPT többnyelvű képességei használhatók. A magyar–angol és magyar-német fordítás tudományos szövegek esetén is megfelelő minőségű lehet, de a terminológia és hivatkozási rendszer ellenőrzése elengedhetetlen. A jogtudományban különösen fontos a fogalmak konzisztenciája – az MI itt csak első vázlatot adhat, nem végleges változatot.

A folyamat zárólépése a disszemináció, azaz az eredmények kommunikációja. A DALL·E, a Midjourney vagy a Canva MI-moduljai segíthetnek tudományos poszterek, prezentációk vagy infografikák készítésében, míg a ChatGPT vagy a Gemini összefoglaló absztraktokat és közérthető kivonatokat generálhat a kutatási eredmények bemutatásához. Ezek az eszközök nemcsak kényelmet, hanem átjárhatóságot is biztosítanak a tudományos és a közéleti kommunikáció között – új csatornákat nyitva a tudásmegosztás felé.

A kutatási folyamat tehát nem gépivé válik, hanem hibriddé: az ember és az MI közösen építi fel a tudományos szöveget – utóbbi jól strukturált alapokat szolgáltathat hozzá, a folyamat ellenőrzése és az eredmény validálása azonban minden esetben emberi feladat marad. A kulcs a helyes arány: ahol az MI gyorsít, ott az embernek értékelnie kell; ahol az MI összegzi, ott az embernek szelektálnia; ahol az MI javasol, ott az embernek döntenie. Ez a felelősségi viszony az, ami a tudományos autonómiát a digitális korszakban is fenntartja – és ezért nem támogathatók azok a törekvések, amelyek az ún. ügynöki megoldásokat a tudományos kutatásba is bevezetnék.

A mesterséges intelligencia területén ezek – mint a ChatGPT esetében is - tipikusan olyan modellek, amelyek autonóm módon kutatnak, írnak, elemeznek vagy kommunikálnak, például egy több-lépéses kutatási folyamatot teljesítenek emberi beavatkozás nélkül – kizárva ezzel a szövegfejlesztés folyamatában fontos emberi ellenőrzési és iteratív visszajelzési lehetőséget.

Akadémiai és kiadói gyakorlatok a mesterséges intelligencia használatáról

A jogtudományi, és tágabban vett tudományos közegben a generatív mesterséges intelligencia használata mára mindennapossá vált, ugyanakkor a gyors technológiai terjedéshez nem társul egységes akadémiai szabályozás. Az elmúlt két évben ugyan megjelentek az első intézményi irányelvek és kiadói útmutatók, de ezek nagyon eltérő szintűek és részletességűek. Míg egyes szervezetek konkrétan rögzítik, mikor és milyen feltételek mellett használható MI a kutatásban, mások csupán általános elvi megállapításokat fogalmaznak meg.

A legnagyobb tudományos és a jog területén is meghatározó kiadók – például a Springer Nature, az Oxford University Press, az Elsevier, a Wiley és a Taylor & Francis  –  már meghatározták a generatív MI-vel kapcsolatos alapelveiket: a modellek használata nem tiltott, de csak akkor elfogadható, ha a szerzők az alkalmazás tényét feltüntetik és indokolják, valamint garantálják, hogy az emberi ellenőrzés a folyamat minden szakaszában megmarad. Az MI nem lehet szerző, és nem ruházható rá tudományos felelősség.

A nemzetközi publikációs gyakorlatban ezért egyre gyakoribb, hogy a kéziratok végén külön AI Disclosure Statement vagy Author Contribution Form szerepel. Ezek célja a transzparencia, vagyis annak rögzítése, hogy az MI-használat mely szakaszokra terjedt ki – például nyelvi stilizálásra, fordításra, adatfeldolgozásra vagy képgenerálásra. A legtöbb kiadó csak akkor fogad el MI által előállított ábrákat vagy illusztrációkat (pl. DALL·E, Midjourney), ha azok egyértelműen megjelölve vannak, és a szerző kijelenti, hogy a képek nem sértik szerzői jogokat.

A hazai akadémiai gyakorlat ezzel szemben még széttartó. Míg a nemzetközi kiadók a teljes tudományos spektrumra egységes szabályokat érvényesítenek, a magyar folyóiratokban a mesterséges intelligencia alkalmazásáról nem alakult ki közös álláspont. Egyes kiadók és szaklapok – például a Wolter Kluwers MERSZ, a Magyar Tudomány – már beépítették a tiltó vagy feltételes elfogadási klauzulát a szerzői útmutatóikba: a ChatGPT és más generatív modellek használata csak akkor megengedett, ha az egyértelműen feltüntetésre kerül a kéziratban, és az MI által előállított tartalom nem torzítja a tudományos eredményt. Más lapoknál az MI-használat kérdése egyelőre nincs szabályozva, ami bizonytalanságot okoz a kutatók körében.

E szabályozási hiány végső soron a tudományos közösségre is kockázatot jelent: ha nem világos, mikor és milyen módon használtak MI-t, az a publikációk ellenőrizhetőségét és hitelességét veszélyezteti. Ezért a legfontosabb lépés a transzparencia intézményesítése, vagyis annak rögzítése, hogy az MI-használat nem önmagában probléma, ha nem a titkolt, ellenőrizetlen alkalmazás az, ami az akadémiai integritást gyengíti.

Mindez arra mutat rá, hogy a generatív mesterséges intelligencia akkor válhat a tudomány hasznára, ha a kutatók és kiadók közös elveket fogalmaznak meg az etikus, dokumentált és ellenőrzött használatra. Ez a jövőben nemcsak a publikációs folyamat biztonságát, hanem a kutatói bizalom megőrzését is szolgálja. A felelősség mindig emberi marad – az MI csupán eszköz, amely a kutatást gyorsítja, de a tudományos döntéseket nem helyettesítheti.

A felelős integráció iránya

A generatív mesterséges intelligencia nem csupán új eszközt, hanem új kutatási szemléletet jelent. A GMI a tudományos gondolkodás partnere, amely gyorsítja az elemzést, segíti a rendszerezést, és lehetővé teszi a tudás szélesebb körű megosztását – úgy, hogy a konkrét lehetőségek nagy mértékben függenek a használt modelltől, a kutató az egyes alkalmazások kreatív összekapcsolására való felkészültségétől. A legnagyobb kihívást azonban végső soron nem a használat, hanem a használatért való felelősség és a transzparencia kérdése jelenti.

Sok évtized oktatói és tudományos munkáján alapuló meggyőződésem szerint a jogtudomány és a jogi tudományos publikáció jövője (is) azon múlik, hogy az MI alkalmazása mennyire képes etikus és átlátható keretek között maradni. A kutató feladata, hogy a mesterséges intelligenciát tudatosan, dokumentáltan és ellenőrzötten építse be a munkájába, megőrizve ezzel az emberi szakértelem elsődlegességét – de ez legnagyobb felelőssége is. Magunkkal, és a tudományos közösség jövőjével szemben egyaránt.