Mesterséges intelligencia és időskori digitális tanulás

 

Az időskori digitális tanulás nem a fiatalabb korosztály tanulási modelljeinek késleltetett változata, hanem sajátos tanulási helyzet, amely eltérő megközelítést igényel. Az 50 év feletti felhasználók egyre nagyobb arányban vannak jelen a digitális térben, ám ez a jelenlét sok esetben instabil, külső segítségtől függő és erősen kockázatérzékeny. A problémát ma már nem a hozzáférés hiánya jelenti, hanem az értelmezés bizonytalansága, az autonóm döntési képesség gyengülése és a digitális környezet feletti kontroll elvesztésének élménye. Ez a tanulási sérülékenység különösen élesen jelenik meg a mesterséges intelligenciával áthatott digitális környezetben, ahol az automatizált döntések és válaszok működése többnyire rejtve marad a felhasználók előtt.

A Németországban 2021 és 2023 között a Fachhochschule des Mittelstands (Rostock) szervezeti keretei között megvalósult DigiKomS (Digitale Kompetenzen von Seniorinnen und Senioren) kutatási és fejlesztési projekt kiindulópontját az a felismerés képezte, hogy az 50 év feletti korosztály digitális részvétele ma már nem elsősorban hozzáférési kérdés, hanem az értelmezés, az önállóság és a tanulási biztonság problémája. A digitális környezet — különösen a mesterséges intelligenciával működő rendszerek térnyerésével — egyre kevésbé átlátható, ami az idősebb felhasználók számára fokozott tanulási sérülékenységet hoz létre.

Elemzésünk célja a DigiKomS-projekt eredményeinek bemutatása a 2025-ben megjelent tanulmánykötet alapján, nem összefoglaló jelleggel, hanem olyan tanulásszervezési logika feltárásával, amely az időskori tanulás sajátosságaira épít. A Digitális Műhely gyakorlata azt mutatja, hogy az autonóm digitális részvétel nem eszközhasználati rutinok elsajátításán, hanem a konkrét digitális helyzetek közös értelmezésén, a kísért tanuláson és a teljesítményelvárásoktól mentes tanulási környezeten alapul.

A német tapasztalatok bemutatásával egyúttal azt vizsgáljuk, milyen módon hasznosítható ez a megközelítés a magyar időskori és felnőttoktatásban. Meggyőződésünk, hogy a bemutatott modell nem átvételre kínál kész megoldásokat, hanem olyan szemléleti és szervezési tanulságokat mutat, melyek a hazai közművelődési, könyvtári és civil tanulási terekben is értelmezhetők.

Digitalizáció, életkor és tanulási sérülékenység

A digitalizáció az elmúlt másfél évtizedben fokozatosan elérte az idősebb korosztályokat is. Nagyon sok országban az 50 év feletti lakosság körében ma már széles körben elterjedt az internethasználat, a digitális eszközök mindennapi alkalmazása és az online szolgáltatások igénybevétele. A digitális jelenlét ténye azonban önmagában nem ad pontos képet arról, hogyan viszonyul ez a korosztály a digitalizált környezethez, hogyan használja ki annak lehetőségeit, és mire lenne szükség ahhoz, hogy ezeket a használati lehetőséget kiterjessze és tökéletesítse. A problémák nem a hozzáférés hiányában, hanem a használat biztonságában, az önállóság mértékében és az értelmezési stabilitásban válnak láthatóvá.

A legfrissebb németországi adatok alapján az internethasználat az aktív korú és fiatalabb generációkban gyakorlatilag teljessé vált. A 16–24 évesek körében 98%, a 25–44 éveseknél 99%, míg a 45–64 évesek esetében 97% az internethasználók aránya. Ezzel szemben a 65–74 éves korosztályban már érzékelhető visszaesés figyelhető meg: itt az internethasználók aránya 90%, ami ugyan még mindig magas érték, de már jelzi az életkor előrehaladtával megjelenő töréspontot. Az össznépességre vetített átlag 97%, ami elfedi azt a tényt, hogy az idősebb korosztályokban a digitális jelenlét már nem magától értetődő, hanem egyre inkább feltételekhez kötött.

Ezek az adatok önmagukban még nem jelentenek digitális kirekesztettséget, de világosan mutatják a kockázati zónát, ahol a használat fenntartása, a készségek frissítése és az új technológiák elsajátítása már nem automatikus. A digitális részvétel itt egyre kevésbé „háttérfolyamat”, és egyre inkább tanulási kérdéssé válik. A használat ugyanis nem azonos a biztonságos, magabiztos és reflektált használattal. Ezt erősítik meg a digitális kompetenciákra vonatkozó felmérések is, amelyek szerint az idősebb korosztályok saját maguk is jelentős bizonytalanságot élnek meg digitális környezetben. Az életkor előrehaladtával nő azok aránya, akik digitális helyzetekben bizonytalannak érzik magukat, gyakran külső segítségre szorulnak, és nehezen igazodnak el az egyre összetettebb felhasználói felületeken. A digitális részvétel ebben az összefüggésben nem bináris kategóriaként értelmezhető, hanem fokozatok mentén, ahol az önálló cselekvés, a megértés és a döntési képesség válik meghatározóvá.

A statisztikai adatok mögött kirajzolódó kép szerint az idősebb korosztály jelentős része aktív felhasználó, ugyanakkor erősen függ külső támogatástól. A segítség leggyakrabban családtagoktól, ismerősöktől vagy alkalmi szakértőktől, esetleg videós útmutatókból   érkezik, ami rövid távon megoldást jelenthet, hosszabb távon azonban tanulási sérülékenységet hoz létre. A digitális helyzetek ilyenkor nem tanulási lehetőségként jelennek meg, hanem kockázatként, amelyet el kell kerülni vagy gyorsan „meg kell oldani”. Ez a függőségi viszony gyengíti az autonómiát, és hozzájárul ahhoz, hogy a digitális környezet kiszámíthatatlannak és nehezen kontrollálhatónak tűnjön.

Ebben a már eleve érzékeny tanulási helyzetben vált általánossá a mesterséges intelligencia alkalmazása a mindennapi digitális környezetben. A magas szintű infokommunikációs ellátottságú országokban, így Németországban és Magyarországon is - MI-alapú rendszerek nem különálló technológiaként jelentek meg, hanem fokozatosan épültek be a keresési folyamatokba, az online ügyintézésbe, az ügyfélszolgálati felületekbe, a tartalomajánlásba és a kommunikációs eszközök működésébe, de a levelezőrendszerek szolgáltatásaiba is.  Az idősebb felhasználók sok esetben úgy kerülnek kapcsolatba ezekkel a rendszerekkel, hogy nem kapnak egyértelmű visszajelzést arról, mikor és milyen logika alapján történik automatizált döntés.

Az MI jelenléte az idősebb korosztály számára elsősorban gyakorlati használati (kezelési) és értelmezési kihívásként jelenik meg. A digitális környezet eddig is rejtett szabályok szerint működött, az automatizált rendszerek elterjedésével azonban tovább nőtt a láthatatlan folyamatok aránya. A felhasználó az elérni kívánt célt a mesterséges intelligenciával folytatott kommunikáció keretei között határozza meg, és igen gyakran csak az eredményt érzékeli, miközben a döntési mechanizmus nem válik átláthatóvá – a generált tartalom lesz hozzáférhető, miközben a létrehozás folyamata rejtve marad. Ez a tapasztalat erősítheti a kontrollvesztés érzését, amely a kutatások szerint az időskori digitális tanulás egyik legfontosabb gátló tényezője.

A mesterséges intelligencia időskori használatának kérdése ebben az összefüggésben nem választható el a tanulástól. A jó promptolás elsajátítása, az MI veszélyeinek és korlátjainak ismerete természetes alapkövetelmény, ám az MI az 50 év feletti korosztály esetében sem új eszközként jelenik meg, amelyet „csak” meg kell tanulni kezelni, hanem olyan háttérinfrastruktúraként, amely átalakítja a megszokott digitális helyzeteket. A kérdés ezért nem az, hogy az idősebbek használják-e ezeket a rendszereket, hanem az, hogy képesek-e felismerni az automatizált működés jelenlétét, és tudnak-e tudatos döntéseket hozni az ilyen rendszerek által kínált lehetőségek értelmezése során.

A német adatok alapján jól látható, hogy az idősebb korosztály digitális részvétele tanulási támogatás nélkül könnyen instabillá válik. A technológiai környezet gyors változása, az automatizált rendszerek terjedése és az értelmezési bizonytalanság együttesen tanulási kockázattá alakítják a digitalizációt. Ebben a helyzetben az oktatás és a képzés szerepe túlmutat az eszközhasználat betanításán. A hangsúly arra helyeződik, hogy az idősebb tanulók képesek legyenek értelmezni, megérteni és kontrollálni a digitális és mesterséges intelligenciával áthatott környezetet.

Digitális tanulás ötven év fölött – egy sikeres szakmai projekt megvalósítása

A DACH országokban az elmúlt években számos olyan állami, vagy tartományi szinten támogatott kezdeményezés indult, melyeknek a célja az 50 feletti és nyugdíjaskorú állampolgárok digitális felzárkóztatását tűzte céljául. A DigiKomS (Digitale Kompetenzen von Seniorinnen und Senioren) egy Németországban megvalósított, 2021-ben kezdődött kutatási és fejlesztési projekt volt, amely 2023. szeptember 30-án zárult le sikeresen. A projektet egy felsőoktatási és kutatási intézményekhez kötődő szakmai konzorcium irányította, amelyben andragógiai, pedagógiai és digitális oktatással foglalkozó kutatók dolgoztak együtt gyakorlati szakemberekkel. A projekt vezetői – Erko Martens, Gabriele Taube és Petra Wolfert - nem elkülönült kutatói szerepben vettek részt a munkában, hanem aktívan bekapcsolódtak a Digitale Lernwerkstatt für Seniorinnen und Senioren, a Digitális Műhely működtetésébe is, így a kutatás és a tanulási gyakorlat szoros kapcsolatban maradt.

A projekt megvalósításában kiemelt szerepet játszottak a tanulási alkalmakat kísérő szakemberek, valamint azok az idősebb résztvevők, akik rendszeresen bekapcsolódtak a tanulási műhelyek munkájába, és tapasztalataikkal alakították a program tartalmát. A DigiKomS így olyan együttműködésen alapuló projektként valósult meg, ahol a kutatási irányítás, a gyakorlati megvalósítás és a résztvevői tapasztalatok folyamatos párbeszédben formálták egymást. A program célja az volt, hogy feltárja az 50 év feletti korosztály digitális tanulásának feltételeit, különös tekintettel a gyorsan változó technológiai környezetre és a mesterséges intelligencia fokozatos térnyerésére.

Már a projekt időtartama alatt is számos publikáció és konferenciaelőadás foglalkozott az elért eredményekkel, átfogó értékelését azonban a közreműködők egy 2025-ben megjelent tanulmánykötetben [Martins, E., Taube, G., & Wolfert, P. (Hrsg.). (2025). Digitale Lernwerkstatt für Seniorinnen und Senioren: Ergebnisse aus dem Forschungsprojekt DigiKomS (1. Aufl.). Nomos Verlagsgesellschaft] tették közzé. A kötet sajátossága, hogy nem monografikus feldolgozást nyújt, hanem tanulmányok sorozatát, amelyek eltérő nézőpontokból vizsgálják ugyanazt a tanulási környezetet. A szerzők pedagógiai, andragógiai és társadalomtudományi háttérrel rendelkeznek, írásaikat azonban közös empirikus alap köti össze. Mindegyik tanulmány a Digitális Műhely konkrét működéséből indul ki, és annak tapasztalatait elemzi. A kötet így egyszerre dokumentálja a program gyakorlatát és reflektál annak tanuláselméleti és társadalmi jelentőségére.

A DigiKomS-projekt nem az eszközhasználat oktatása volt, hanem az önálló eligazodás feltételeinek megteremtése. A Digitális Műhely olyan tanulási környezetet kínált, amelyben a résztvevők saját tapasztalataikból kiindulva tudták feldolgozni digitális élményeiket, kérdéseiket és bizonytalanságaikat. A tanulási alkalmak szervezése sem tantervi logikát követett. A tanulás kiindulópontját minden esetben konkrét digitális helyzetek adták. Ezek lehettek sikeres vagy sikertelen online ügyintézések, félreérthető automatikus válaszok, új funkciók megjelenése vagy olyan helyzetek, amelyekben a résztvevők elveszítették a kontrollérzetüket. A tanulás ezeknek a helyzeteknek az értelmezésére épült, nem előre rögzített tananyagra.

A Digitális Műhely működésének egyik alapelve a tanulási biztonság megteremtése volt. A tanulási környezet tudatosan mentesült a teljesítményelvárásoktól és az értékeléstől. A résztvevők számára világos volt, hogy a tanulás nem számonkéréshez, hanem közös feldolgozáshoz kapcsolódik. Ez a keret lehetővé tette, hogy a bizonytalanság, a kérdezés és az ismétlés a tanulási folyamat természetes részévé váljon.

A kötet tanulmányai részletesen bemutatják a tanulássegítői szerep jelentőségét. A Digitale Lernwerkstattban lüzreműködő szakemberek nem oktatói funkciót töltöttek be, hanem a tanulási folyamat kísérését vállalták. Figyelték a csoport dinamikáját, érzékelték a bizonytalanság jeleit, és szükség esetén lassították vagy újrarendezték a tanulási folyamatot. A hangsúly végig azon maradt, hogy a tanulók megőrizzék autonómiájukat a digitális helyzetekben.

A DigiKomS-projekt működése során a mesterséges intelligencia kérdése fokozatosan vált hangsúlyossá. Az MI nem külön tanulási témaként jelent meg, hanem a mindennapi digitális környezet részeként. A tanulmányok bemutatják, hogyan vált az automatizált döntések és válaszok értelmezése a tanulási alkalmak egyik visszatérő elemévé. A résztvevők nem technikai ismereteket sajátítottak el, hanem megtanulták felismerni azokat a helyzeteket, ahol az MI befolyásolja a digitális élményt.

Az időskori tanulás sajátosságai

A kötet tanulmányai az időskori tanulást sajátos tanulási helyzetként írják le, amely eltér az iskolai tanulás megszokott logikájától, és a hagyományos felnőttképzési struktúrákhoz sem illeszkedik maradéktalanul. A DigiKomS-projekt tapasztalatai szerint az 50 év feletti résztvevők tanulása elsősorban az eligazodás és a megértés igényéből indul ki. A tanulás célja ritkán az ismeretek bővítése önmagában, sokkal inkább annak a képessége, hogy a tanulók képesek legyenek értelmezni a digitális környezetben felmerülő helyzeteket.

A tanulmányok következetesen rámutatnak arra, hogy az időskori tanulás motivációja szoros kapcsolatban áll a mindennapi tapasztalatokkal. A tanulási folyamat gyakran egy konkrét digitális élményhez kötődik: egy félreérthető online felülethez, egy sikertelen ügyintézéshez, egy váratlan automatizált válaszhoz. Ezek a helyzetek tanulási impulzusként működnek, és meghatározzák a tanulás irányát. A tanulás ilyenkor nem absztrakt célok mentén halad, hanem a konkrét problémák értelmezésére épül.

A DigiKomS-projektben megfigyelt tanulási folyamatok egyik meghatározó jellemzője a lassabb, ciklikus tanulási ritmus. Az új ismeretek és tapasztalatok feldolgozása több lépcsőben történik, amely magában foglalja a megértést, a kipróbálást, az elbizonytalanodást és az ismételt visszatérést a kérdéshez. A tanulmányok hangsúlyozzák, hogy ez a ciklikusság nem a tanulási képességek csökkenésének jele, hanem a tanulók biztonság iránti igényének kifejeződése. A tanulás akkor halad tovább, amikor az adott lépés stabilnak érződik.

Központi jelentőséggel bír a tanulási biztonság fogalma. A tanulmányok szerint az idősebb tanulók digitális tanulási helyzetei gyakran kockázattal terheltek. A hibázástól való félelem, az eszközök és felületek kiszámíthatatlan működése, valamint a korábbi negatív tapasztalatok könnyen gátolják a tanulási folyamatot. A Digitális Műhely tapasztalatai azt mutatják, hogy a tanulás akkor válik lehetővé, ha a tanulási környezet mentes a teljesítményelvárásoktól, és teret ad a kérdezésnek, az ismétlésnek és az elakadás nyílt kimondásának.

A tanulmányok részletesen foglalkoznak az önhatékonyság alakulásával az időskori tanulásban. Sok résztvevő a tanulás kezdetén saját magát „nem digitális emberként” határozza meg, ami erős korlátozó tényezőként jelenik meg. A tanulási folyamat során azonban ezek az önmeghatározások fokozatosan átalakulhatnak. A sikerélmény nem technikai jártasságban, hanem abban mutatkozik meg, hogy a tanulók képesnek érzik magukat digitális helyzetek értelmezésére és kezelésére. Ez az önhatékonyság-erősödés kulcsfontosságú az autonóm használat szempontjából.

Az időskori tanulás társas dimenziója szintén hangsúlyos a kötet tanulmányaiban. A Digitális Műhely ben a tanulás jellemzően kiscsoportos, támogató közegben zajlik, ahol a résztvevők megosztják egymással tapasztalataikat, kérdéseiket és bizonytalanságaikat. A közös feldolgozás csökkenti az egyéni szorongást, és lehetővé teszi, hogy a tanulók egymás tapasztalataiból is tanuljanak. A tanulás ebben a közegben nem elszigetelt tevékenység, hanem közös értelmezési folyamat.

A digitális környezet sajátosságai a tanulmányokban tanulási kihívásként jelennek meg. Számos digitális felület olyan implicit tudást feltételez, amely az idősebb tanulók számára nem magától értetődő. A tanulás ezért nem az egyes funkciók mechanikus elsajátítására irányul, hanem a mögöttes logikák felismerésére. Ez az értelmezési igény közvetlenül kapcsolódik a mesterséges intelligencia későbbi szerepéhez, amely tovább növeli a láthatatlan folyamatok arányát a digitális környezetben.

A DigiKomS-projekt tapasztalatai azt mutatják, hogy az 50 év feletti tanulók esetében a tanulás sikeressége elsősorban nem a tanulási tartalmak összetettségén, hanem a tanulási helyzet kialakításán múlik. A tanulásszervezés ezért nem technikai háttérkérdésként jelenik meg, hanem a tanulási folyamat tudatosan alakított kereteként. A tanulási alkalmak rugalmas szervezésben valósulnak meg. A foglalkozások időtartama, belső ritmusa és tempója igazodik a résztvevők figyelméhez, terhelhetőségéhez és aktuális tanulási állapotához. A tanulmányok kiemelik, hogy az időskori tanulásban az időnyomás különösen gátló hatású. A tanulási környezet ezért úgy épül fel, hogy mindig maradjon tér a megállásra, a visszakérdezésre és az ismétlésre. Ez a rugalmasság hozzájárul a tanulási biztonság fenntartásához.

A tanulásszervezés egyik központi eleme a kísért tanulás. A Digitális Műhely ben jelen lévő tanulássegítők nem oktatói szerepben működnek, hanem a tanulási folyamat figyelmes kísérőiként. Feladatuk a tanulási helyzetek értelmezhetőségének biztosítása, a csoportdinamika érzékelése és a tanulási ritmus alakítása. Amikor a résztvevők bizonytalanságot élnek meg, a tanulássegítő nem azonnali megoldást kínál, hanem segíti a helyzet közös feldolgozását. Ez a megközelítés támogatja az autonómia megőrzését.

A tanulmányok hangsúlyozzák a tanulási keretek átláthatóságának jelentőségét. A Digitális Műhely ben a résztvevők mindig tudják, mire számíthatnak egy adott alkalom során. A tanulási célok nincsenek előre rögzítve, de a folyamat szerkezete világos. Ez az átláthatóság csökkenti a szorongást, és erősíti a részvételi hajlandóságot. Az időskori tanulásban a kiszámíthatóság a tanulási biztonság egyik alapfeltétele.

A tanulásszervezés és felkészítés kérdése különösen hangsúlyossá válik a mesterséges intelligenciával működő rendszerek esetében. A tanulmányok rámutatnak arra, hogy az MI által generált válaszok és ajánlások könnyen elfedhetik a döntési folyamatokat. A Digitális Műhelyben ezek a helyzetek tudatosan a tanulási folyamat részévé válnak. A résztvevők megtanulják felismerni azokat a pontokat, ahol érdemes megállni, kérdezni vagy alternatív megoldásokat keresni. Ez a tudatosság erősíti a kontrollérzetet a digitális környezetben.

A mesterséges intelligencia szerepe a Digitális Műhely gyakorlatában

A kötet tanulmányai a mesterséges intelligenciát a digitális környezet természetes összetevőjeként írják le, amely az idősebb tanulók mindennapi tapasztalataiban is jelen van. A DigiKomS-projekt során az MI nem külön tanulási témaként jelent meg, hanem olyan technológiai háttérként, amely befolyásolja az információkeresést, az online ügyintézést, a kommunikációt és a tartalomfogyasztást. A tanulási kihívás ebben az összefüggésben az értelmezés szintjén jelentkezik.

A Digitális Műhely tanulási alkalmain az MI-vel való találkozás mindig konkrét használati helyzetekhez kapcsolódik. A tanulmányok részletesen bemutatják, hogyan válnak tanulási helyzetté a keresési eredmények sorrendjei, az automatikus ügyfélszolgálati válaszok, a szövegkiegészítő funkciók vagy az ajánlórendszerek javaslatai. Ezek a helyzetek a résztvevők saját tapasztalataiból indulnak ki, és közös feldolgozás tárgyává válnak. A tanulás első lépése ilyenkor annak felismerése, hogy automatizált döntési folyamat működik a háttérben.

A tanulmányok alapján az MI tanulási jelentősége elsősorban az értelmezési képesség fejlesztésében ragadható meg. A résztvevők nem technikai részleteket sajátítanak el, hanem azt tanulják meg felismerni, hogyan befolyásolják az automatizált rendszerek a digitális környezetben hozott döntéseket. Ez a felismerés alapfeltétele annak, hogy a felhasználók ne tekintsék magától értetődőnek vagy megkérdőjelezhetetlennek az MI által kínált válaszokat.

A projekt tapasztalatai szerint az MI-vel kapcsolatos tanulás szorosan összekapcsolódik az autonómia kérdésével. Az idősebb tanulók számára különösen fontos, hogy a digitális környezetben megőrizzék döntési mozgásterüket. A tanulási alkalmak során hangsúlyos szerepet kap annak tudatosítása, hogy az MI által adott válaszok javaslatként értelmezhetők, amelyek mérlegelhetők, módosíthatók vagy elvethetők. Ez a szemlélet hozzájárul a kontrollérzet megerősítéséhez.

A tanulmányok kitérnek az MI használatával összefüggő bizonytalanságok kezelésére is. Az automatizált rendszerek gyakran meggyőzőnek tűnő válaszokat adnak akkor is, amikor azok pontatlanok vagy félrevezetők. A Digitális Műhelyben ezek a helyzetek a tanulási folyamat részévé válnak. A résztvevők közösen elemzik az eltéréseket, megfogalmazzák a kételyeiket, és megtanulják felismerni azokat a jeleket, amelyek óvatosságra intenek. Ez a feldolgozás erősíti a kritikus digitális tájékozódást.

A kutatók szerint az MI oktatási jelentősége az időskori tanulásban nem a hatékonyság növelésében, hanem az értelmezési biztonság erősítésében ragadható meg. A Digitális Műhelyben az MI olyan tényezőként jelenik meg, amely új tanulási helyzeteket hoz létre, és ezek a helyzetek reflektív feldolgozást igényelnek. A tanulás középpontjában végig az marad, hogy a résztvevők képesek legyenek értelmezni a digitális környezet működését. Az MI által generált válaszok és döntések olyan helyzeteket teremtenek, amelyekben az idősebb tanulók aktív értelmező szerepbe kerülnek. Ez a tanulási hatás akkor érvényesül, ha a tanulási környezet kísért, reflektív és biztonságos marad.

A mesterséges intelligencia a Digitális Műhely gyakorlatában elsősorban tanulási katalizátorként működik. Az MI ebben a tanulási rendszerben nem célként, hanem környezeti adottságként jelenik meg. A projekt alapjáén szerzett tapasztalatok arra utalnak, hogy az idősebb tanulók képesek tudatos viszonyt kialakítani az MI-vel szemben, amennyiben a tanulási folyamat figyelembe veszi tanulási ritmusukat, tapasztalataikat és értelmezési igényeiket.

Hasznosítható eredmények a magyar időskori oktatás számára

A DigiKomS-projekt a kötetben összefoglalt tapasztalatai olyan tanulási megközelítést tárnak fel, amely több ponton is releváns a magyar időskori és felnőttoktatás számára. A német modell jelentősége nem egy kész programcsomagban, hanem egy tanulásszervezési logikában ragadható meg, amely a hazai környezetben is értelmezhető. A kérdés ezért nem az átvétel, hanem az alkalmazhatóság feltételeinek átgondolása.

A magyar helyzet számos hasonlóságot mutat a némettel. Az 50 év feletti korosztály digitális jelenléte folyamatosan bővül, ugyanakkor a használat minősége erősen differenciált. Sok idősebb felnőtt aktív felhasználóként van jelen az online térben, miközben döntéseiben gyakran külső segítségre támaszkodik. Ez a függőségi viszony a mesterséges intelligenciával működő digitális környezetben tovább erősödhet, mivel az automatizált döntések és ajánlások működése nehezen átlátható. A tanulási kihívás Magyarországon is az értelmezési biztonság és az önállóság megőrzésében jelenik meg.

A német modell egyik legfontosabb tanulsága, hogy az időskori tanulás nem szervezhető kizárólag tananyag- és kurzusalapon. A tanulás akkor válik fenntarthatóvá, ha konkrét élethelyzetekhez kapcsolódik, és teret ad a tapasztalatok közös feldolgozásának. A magyar felnőttoktatásban ez különösen releváns, mivel az idősebb tanulók jellemzően gyakorlati problémák miatt kapcsolódnak be képzésekbe, nem általános tanulási célok mentén. A tanulás kiindulópontja itt is a mindennapi digitális helyzetek értelmezése lehet.

A német tapasztalatok alapján közvetlenül hasznosítható a tanulási biztonság tudatos kezelése is. A német modellben a tanulási környezet mentes a teljesítményelvárásoktól, és lehetőséget biztosít a megállásra, az ismétlésre és a kérdezésre. A magyar rendszerben ez szemléletváltást igényelhet, mivel a felnőttképzés gyakran hatékonysági és eredményességi logikák mentén szerveződik. Az idősebb tanulók esetében azonban a tanulás sikerét inkább az értelmezési stabilitás és az önhatékonyság erősödése jelzi.

A német modell egyik legfontosabb szerkezeti eleme a kísért tanulás. Ez a tanulássegítői szerep nem oktatói funkciót lát el, hanem a tanulási folyamat kísérésére és értelmezésének támogatására épül. A magyar felnőttoktatásban ennek az adaptációja új szerepfelfogást igényelhet. A tanulássegítő olyan közvetítőként jelenhet meg, aki segíti a tanulókat a digitális és MI-vel áthatott környezet értelmezésében, miközben nem veszi át a döntéseket.

A mesterséges intelligencia szempontjából a DigiKomS-modell egyik legfontosabb tanulsága, hogy az MI oktatási kezelése nem technológiai ismeretátadásként jelenik meg. A tanulás fókusza azokon a használati helyzeteken van, amelyekben az MI befolyásolja a döntéseket. Ez a megközelítés a magyar felnőttoktatás számára is irányadó lehet. Az MI-vel kapcsolatos tanulás célja nem az algoritmusok megértése, hanem annak felismerése, hogy mikor történik automatizált döntés, és hogyan lehet azt értelmezni.

Egy hasonló tanulási modell hazai bevezetésének egyik feltétele a tanulási terek újragondolása lenne. A Digitális Műhely nem hagyományos tantermi környezetben működik, hanem rugalmas, kiscsoportos, beszélgetésre épülő formában. Magyarországon ilyen tanulási terek már léteznek közművelődési intézményekben, könyvtárakban, civil szervezeteknél és egyházi közösségekben. A német tapasztalatok alapján ezek a helyszínek alkalmasak lehetnek arra, hogy időskori digitális és MI-vel kapcsolatos tanulás színtereivé váljanak.

Fontos feltétel a szakemberek felkészítése is. A DigiKomS-projekt tapasztalatai arra utalnak, hogy az időskori tanulás támogatása speciális kompetenciákat igényel. A tanulássegítőknek egyszerre kell érzékenynek lenniük az időskori tanulás sajátosságaira és jártasnak a digitális környezet értelmezésében. A magyar felnőttoktatásban ez azt jelenti, hogy a képzők felkészítése során nagyobb hangsúlyt kellene kapnia az időskori tanulás pedagógiájának és a mesterséges intelligenciával átalakuló digitális környezet megértésének.

A német modell a magyar időskori- és felnőttoktatás számára nem mechanikusan követendő mintát kínál, hanem irányt mutat, s azt igazolja, hogy idősebb tanulók is képesek alkalmazkodni a mesterséges intelligenciával áthatott digitális környezethez, ha a tanulási folyamat az értelmezésre, az autonómiára és a tanulási biztonságra épül. Ezek az elvek a hazai oktatási gyakorlatban is alkalmazhatók - amennyiben a hangsúly végig a tanulási folyamaton, s nem a technológiai eszközökön marad.

Martins, E., Taube, G., & Wolfert, P. (Hrsg.). (2025). Digitale Lernwerkstatt für Seniorinnen und Senioren: Ergebnisse aus dem Forschungsprojekt DigiKomS (1. Aufl.). Nomos Verlagsgesellschaft

Letölthető open acess:

https://orientierungslust.de/wp-content/uploads/2022/01/Digitale_Lernwerkstatt_Senioren_2025.pdf

Az írás és az illusztrációk a mesterséges intelligencia közreműködésével készültek.

Mesterséges intelligencia a jogtanulásban és a jogi oktatásban

 

A jogi oktatás és a jogtanulás mindennapi gyakorlata az elmúlt két-három évben új kihívásokkal szembesült. A tananyag mennyisége nem csökkent, az elvárások nem lettek alacsonyabbak, ugyanakkor a mesterséges intelligencia megjelenésével új eszközök kerültek be a tanulási és oktatási környezetbe. Képzésünk középpontjában továbbra is a jogi gondolkodás áll: a szabályok értelmezése, összekapcsolása és alkalmazása konkrét helyzetekben - a kérdés az, hogy az MI hogyan használható fel úgy, hogy ez a gondolkodási folyamat ne sérüljön, sőt, támogassa  a hallgatók felkészítését a diplomaszerzés utáni évekre.

Jogi oktatásunk alapvető célja nem jogszabályok puszta elsajátítása, hanem a jogi gondolkodásmód és a jog alkalmazására való készségek kialakítása. A képzés középpontjában a pozitív jog áll: a hallgató azt tanulja meg, hogyan kell a hatályos normákat értelmezni, egymáshoz viszonyítani és konkrét tényállásokra alkalmazni. A jogtanulás ezért szükségszerűen strukturált, dogmatikailag vezérelt és értelmező folyamat.

A jogi tudás nem lineáris ismeretanyag, hanem fogalmi rendszer, amelyben az egyes jogintézmények, kivételek és jogkövetkezmények egymásra épülnek. A jogdogmatika ebben a rendszerben gondolkodási eszköz, amely lehetővé teszi az elhatárolást, a minősítést és az érvelést. A jogi oktatás egyik kulcseleme a jogesetmegoldás, ahol a hallgató megtanulja a tényállás elemzését, a releváns norma kiválasztását és a jogi indokolás felépítését.

Az értékelés logikája is ebből fakad: a vizsgáknak és beadandóknak nem elsősorban a lexikális tudást, hanem gondolkodási folyamatot kellene mérniük és értékelniük. A jogászképzés sikeressége ezért azon múlik, hogy a hallgató képes-e önállóan jogi problémákat felismerni és megoldani. Minden olyan eszköz – így a mesterséges intelligencia is – csak akkor illeszthető be legitim módon ebbe a rendszerbe, ha ezt a gondolkodási folyamatot láthatóvá teszi és támogatja, nem pedig kiváltja, s kizárólag abból a szempontból lehet értelmezni, hogy miként illeszkedik ehhez a gondolkodásközpontú tanulási modellhez.

A kérdés az, hogy az MI képes-e, s ha igen, mennyiben képes támogatni a jogi gondolkodás kialakulását: segít-e a tananyag strukturálásában, a fogalmi rendszer átláthatóvá tételében, az érvelési lépések ellenőrzésében és a tudás rendszerezésében: a konkrét tanulási és oktatási helyzetekben milyen szerepet kaphat egy olyan eszköz, amely nem dönt és nem értelmez helyettünk, de hozzájárulhat ahhoz, hogy a jogtanulás tudatosabbá, szervezettebbé és átláthatóbbá váljon.

Mit tud és mit nem tud a mesterséges intelligencia jogi kontextusban? – didaktikai realitások

A mesterséges intelligencia jogi oktatásban való megjelenése körüli viták jelentős része abból fakad, hogy az eszköz képességeit vagy túlértékeljük, vagy félreértjük. A jogi gondolkodás szempontjából nem az a kérdés, hogy az MI „okos-e” (azaz milyen a normatív jogra vonatkozó tudással rendelkezik), hanem az, hogy milyen típusú műveletekre alkalmas, és ezek hogyan illeszthetők a jogtanulás logikájába. A jogi oktatásban ugyanis nem minden kognitív művelet egyenértékű, és nem mindegy, hogy melyeket végez el a hallgató, illetve melyeket delegál egy technikai eszközre.

A mesterséges intelligencia kiemelkedően hatékony a nyelvi és strukturális műveletekben. Képes nagy mennyiségű jogi szöveget áttekinteni, fogalmakat egymáshoz rendelni, tipikus érvelési mintákat felismerni és reprodukálni. Ez különösen hasznos lehet a jogi tanulmányok korai szakaszában, amikor a hallgató még küzd a jogi nyelv sűrűségével, a mondatszerkezetek bonyolultságával és a fogalmak egymásra épülésével. Ebben az értelemben az MI nyelvi közvetítőként működik a jogi szöveg és a tanuló között.

Ugyanakkor fontos látni, hogy az MI által létrehozott jogi szöveg nem jogi állásfoglalás, hanem statisztikai alapon generált nyelvi válasz. Az MI nem rendelkezik a hatályosság tudatával, nem érzékeli a jogrendszer belső időbeliségét, és nem képes megkülönböztetni az aktuálisan irányadó jogot az elavult vagy hatályon kívül helyezett normáktól. Ez a hiányosság a jogi oktatásban nem technikai probléma, hanem didaktikai kockázat, amennyiben a hallgató az MI válaszát autoritatív jogi forrásként kezeli.

Az MI másik lényeges korlátja, hogy nem képes normatív mérlegelésre. A jogi érvelés egyik központi eleme az, hogy az alkalmazó felismeri az ütköző érdekeket, és ezek között – a jogszabályi keretek figyelembevételével – súlyozást végez. A mesterséges intelligencia ezzel szemben csak létező érvelési mintákat kombinál, de nem tud felelősséget vállalni egy adott megoldás mellett. A jogászképzés szempontjából ez azt jelenti, hogy az MI nem válhat a jogi kérdések érdemi megítélőjévé, legfeljebb gondolkodási és érvelési katalizátorként működhet.

Didaktikai szempontból különösen fontos felismerni, hogy az MI által generált jogi válaszok gyakran túlzottan magabiztosak. A nyelvi forma koherens, a szerkezet meggyőző, miközben a tartalom mögött nincs pontos jogismeret és tényleges jogi felelősség. Ez könnyen elfedheti a jogi gondolkodás bizonytalanságait, amelyek pedig a tanulási folyamat természetes és szükséges részei. A jogi oktatás egyik célja éppen az, hogy a hallgató megtanulja kezelni a bizonytalanságot, felismerni az értelmezési mozgásteret, és indokolni saját álláspontját.

Mindezek alapján a mesterséges intelligencia jogi oktatásban betöltött szerepe akkor tekinthető legitimnek, ha nem válaszadóként, hanem kérdésfelvetőként jelenik meg. Az MI akkor támogatja a tanulást, ha alternatív megoldásokat kínál, tipikus hibákra világít rá, vagy segít strukturálni a gondolatmenetet, miközben a végső jogi értékelés és döntés mindig a hallgató és az oktató feladata marad. Ebben a keretben az MI nem veszélyezteti, hanem erősítheti a kontinentális jogi oktatás alapvető célját: az önálló, felelős jogi gondolkodás kialakítását.

Vizsgarendszer, beadandók és szakdolgozatok az MI korában – az értékelés új alapjai

A mesterséges intelligencia megjelenése a jogi oktatásban nem elsősorban a tanulást, hanem az értékelést állítja kihívás elé. A hagyományos vizsgarendszerek és írásbeli teljesítményformák jelentős része abból a feltételezésből indult ki, hogy a hallgató által benyújtott szöveg egyben a hallgató gondolkodásának közvetlen lenyomata. Ez a feltételezés a nagy szövegkorpuszos MI-eszközök mellett már nem tartható fenn változtatás nélkül. A helyszíni, felügyelet alatt zajló vizsgatechnikákat (papír alapú vagy számítógépes rendszerekkel támogatott tesztek, mini esszék, jogesetmegoldás) az MI alapvetően nem érinti: az open book rendszerű vizsgák kivételével itt a segédeszközök használata általánosan kizárt, így az MI igénybevételére sem kerülhet sor.

A klasszikus nagy terjedelmű beadandó dolgozatok esetében az elsődleges probléma nem az, hogy „készülhetnek-e MI-vel”, hanem az, hogy mit mérnek valójában. Egy összefoglaló vagy leíró jellegű dolgozat – még ha formailag korrekt is – ma már nem alkalmas annak megállapítására, hogy a hallgató önálló jogi gondolkodást végzett-e. Ezek a feladatok az MI számára különösen könnyen automatizálhatók, ezért az értékelési funkciójuk jelentősen gyengült.

A jogi oktatás számára ebből nem az következik, hogy az írásbeli munkákat el kellene hagyni, hanem az, hogy másra kell használni őket. A beadandók szerepe eltolódik a produktum értékeléséről a gondolkodási folyamat dokumentálása felé. Gyakorlatias megoldás lehet például, ha a hallgatónak nem csak a végső szöveget kell benyújtania, hanem a jogi problémafelvetés indoklását, az alkalmazott szempontokat, a kizárt alternatívákat és az érvelési döntések magyarázatát is. Ezek olyan elemek, amelyek nem generálhatók hitelesen automatikusan, viszont jól tükrözik a tanulási folyamatot.

A szakdolgozatok esetében a kihívás még élesebb. A szakdolgozat hagyományosan az önálló kutatómunka bizonyítéka, miközben az MI kiválóan alkalmas hosszú, koherens szövegek előállítására. Ez azonban nem jelenti a szakdolgozat intézményének végét, hanem annak funkcionális újragondolását teszi szükségessé. A hangsúly egyre inkább a kutatási kérdés megfogalmazására, az anyagválasztás indoklására, az érvelési struktúra következetességére és a reflexióra helyeződik át. A szakdolgozat értékelése ebben a modellben nem a „szöveg eredetiségét”, hanem a gondolkodás minőségét vizsgálja.

A vizsgarendszer egészét tekintve felértékelődnek azok a formák, amelyek helyzethez kötött, időben korlátozott vagy magyarázatot igénylő teljesítményt mérnek. Ilyenek a szóbeli vizsgák, a jogesetmegoldásra épülő, felügyelet alatt zajló írásbeli számonkérések, valamint azok a feladatok, ahol a hallgatónak meg kell indokolnia, miért azt az utat választotta, amit. Ezekben a helyzetekben az MI nem iktatható ki teljesen, de nem is tudja átvenni a hallgató szerepét. Nem az MI kizárása a cél, hanem helyes alkalmazásának az egyetemi évek során való elsajátítása a jogi munkában való tudatos alkalmazásra való felkészülés érdekében.

Ez a hallgatók számára azért is kiemelten fontos, mert a képzés befejezését követően nem elméleti kérdésként, hanem konkrét munkavégzési eszközként találkoznak ezekkel a technológiákkal. Az ügyvédi irodákban, vállalati jogi osztályokon, bírósági háttérmunkában vagy akár közigazgatási környezetben az MI-alapú eszközök már ma is megjelennek kutatási támogatásként, dokumentum-előkészítésben, jogszabályi háttér feltárásában vagy nagy terjedelmű szöveganyagok áttekintésében. A hallgatók számára ezért nem pusztán az a kérdés, hogy „szabad-e” MI-t használni, hanem az, hogy miként lehet azt szakmailag megalapozottan, felelősen és ellenőrzötten bevonni a jogi gondolkodás és döntés-előkészítés folyamatába.

Az értékelés új alapokra helyezése így nem technikai ellenőrzést jelent, hanem értékelési szemléletváltást. A kérdés nem az, hogy „használt-e MI-t a hallgató”, hanem az, hogy látható-e a jogi gondolkodás, felismerhetők-e a mérlegelési pontok, és következetes-e az érvelés. Az MI jelenléte ebben az értelemben nem rombolja, hanem élesebbé teszi az értékelési szempontokat: csak az a teljesítmény marad értékelhető, amely mögött valódi jogi megértés áll.

A mesterséges intelligencia oktatói használata a jogi képzésben – tanítási helyzetekre bontott gyakorlati útmutató

A jogi oktatásban a mesterséges intelligencia használata nem önmagában technológiai kérdés, hanem oktatásszervezési és módszertani döntések sorozata. Az MI akkor illeszthető be jogszerűen és didaktikailag értelmesen a jogászképzésbe, ha konkrét oktatási helyzetekhez kapcsolódik, és nem a tanítás tartalmát, hanem annak előkészítését, variálását és ellenőrzését támogatja.

Az oktatói munka egyik időigényes eleme a tananyag strukturálása és szintre igazítása. Ebben a fázisban az MI használható arra, hogy egy adott jogintézményt vagy témakört különböző mélységű bontásban jelenítsen meg: alapfogalmi szinten, haladó dogmatikai szinten vagy kifejezetten jogeset-orientált megközelítésben. Ezek a bontások nem kerülnek változtatás nélkül a tananyagba, hanem ellenőrző vázként szolgálnak az oktató számára annak megítéléséhez, hogy az adott kurzuson mely elemek kapjanak hangsúlyt, és melyek maradjanak háttérben.

A szemináriumi oktatás egyik kulcseleme a jogeset-alapú tanulás. Az MI ebben a helyzetben hatékonyan használható tényállás-variációk előállítására. Az oktató egy alapjogesetet kiindulópontként kezel, majd az MI segítségével több, finoman eltérő tényállási változatot generáltat, amelyek más-más jogkérdést aktiválnak. Ezek a variációk lehetővé teszik, hogy a hallgatók ne egyetlen „mintamegoldást” tanuljanak meg, hanem felismerjék a jogi minősítés érzékenységét a tényállás módosulásaira.

Az MI különösen jól használható az oktatásban hibás vagy problematikus megoldások tudatos előállítására. Az oktató kérhet olyan érveléseket, amelyek látszólag koherensek, de dogmatikailag pontatlanok, tárgyilag tévesek, hiányosak vagy félrevezetők. Ezek elemzése során a hallgatók megtanulják felismerni az érvelési hibákat, fogalmi csúsztatásokat és nem megfelelő normaalkalmazást. Ebben a helyzetben az MI nem válaszadó, hanem didaktikai eszköz, amely a kritikai gondolkodást erősíti.

Az előadások és tananyagok előkészítésekor az MI alkalmazható a hangsúlyok ellenőrzésére. Az oktató az MI segítségével felmérheti, hogy egy adott témakör mely elemei jelennek meg tipikusan vizsgakérdésként, jogesetként vagy gyakorlati problémaként. Ez nem jelenti a tananyag „vizsgacentrikus” átalakítását, hanem azt segíti, hogy az oktatás jobban illeszkedjen a tényleges tanulási és értékelési helyzetekhez.

Az értékelés előkészítése során az MI szerepe szintén jól körülhatárolható. Az oktató használhatja arra, hogy ellenőrizze: egy beadandó feladat vagy vizsgakérdés valóban azt a kompetenciát méri-e, amelyet mérni kíván. Az MI ebben az esetben nem értékel, hanem teszteli a kérdésérthetőséget és a lehetséges félreértéseket. A tényleges értékelés minden esetben oktatói döntés marad.

A jogi oktatás sajátosságai miatt kiemelt jelentősége van az átláthatóságnak. Az MI oktatói használata akkor jogszerű és etikus, ha világos, hogy az eszköz nem szerző, nem forrás és nem döntéshozó. Az MI által előállított tartalmak legfeljebb segédanyagként, vitaindítóként vagy módszertani háttérként jelenhetnek meg. Ez a transzparencia nemcsak jogi, hanem nevelési kérdés is: a hallgatók számára mintát ad a felelős eszközhasználatra.

Az adatvédelem és anonimizálás szempontja az oktatói MI-használat elengedhetetlen része. Valós ügyek, jogesetek feldolgozásakor az oktató feladata, hogy a személyes adatokat eltávolítsa, és az MI-t kizárólag elvont vagy megfelelően módosított tényállásokkal használja. Ez nem adminisztratív teher, hanem a jogi felelősség oktatásának része.

A mesterséges intelligencia hallgatói használata

A jogtanulás egyik legnagyobb kihívása a tananyag mennyisége és komplexitása. A mesterséges intelligencia ebben a környezetben akkor hasznosítható, ha egyértelmű tanulási műveletekhez kapcsolódik, és nem az értelmezést, hanem a feldolgozás szervezését segíti.

Egy tipikus tanulási helyzetben a hallgató egy nagyobb joganyagegységgel szembesül, például egy jogintézmény teljes dogmatikai felépítésével. Ebben a fázisban az MI strukturáló funkciót tölthet be. Konkrétan arra használható, hogy az adott témát logikai elemekre bontsa: fogalmi alapok, keletkezési feltételek, tartalmi elemek, jogkövetkezmények, kivételek, tipikus jogeseti megjelenések. Az így kapott bontás nem tananyag, hanem tanulási váz, amelynek célja kizárólag az, hogy a hallgató eldöntse, az anyag hány tanulási egységre bontható, és mely részek igényelnek mélyebb feldolgozást.

A tanulás következő szakaszában a kulcsszavak azonosítása kerül előtérbe. Itt az MI használata szigorúan ellenőrző jellegű. A hallgató először önállóan dolgozik: olvas, jegyzetel, kiemel. Ezt követően az MI bevonható annak feltárására, hogy az adott témában mely fogalmak jelennek meg rendszeresen jogesetekben vagy vizsgakérdésekben. A saját és az MI által jelzett kulcsszavak összevetése segít annak felismerésében, hogy mely fogalmak alulreprezentáltak a jegyzetekben, és hol szükséges célzott ismétlés.

A tanulókártyák (flashcards) alkalmazása során az MI használata szintén pontosan körülhatárolható. A kártyák tartalmát a hallgató fogalmazza meg, mert ez maga a tanulási aktus. Az MI ebben a folyamatban arra használható, hogy egy-egy fogalomhoz tipikus kérdésformákat, elhatárolási problémákat vagy gyakori félreértéseket jelezzen. Így a tanulókártyák nem pusztán definíciókat rögzítenek, hanem jogi problémákra készítenek fel.

A jogesetek feldolgozásánál az MI használata kizárólag utólagos. A hallgató először önállóan végigmegy a jogesetmegoldás klasszikus lépésein: tényállás rögzítése, releváns norma kiválasztása, érvelés felépítése. Az MI ezt követően használható arra, hogy alternatív érvelési irányokat vagy tipikus hibákat mutasson be. Ebben a szerepben az MI ellenőrző tükör, nem megoldásforrás.

A jogi tudás sajátossága, hogy rendszerszerű, nem lineáris. A fogalmak, jogintézmények és kivételek egymásra épülnek, egymásra reagálnak, ezért a pusztán szöveges tanulás sok esetben nem elegendő. Ebben a tanulási helyzetben a vizualizáció – különösen az elmetérképek és infografikák – kulcsszerepet kap, és a mesterséges intelligencia itt is konkrét, jól körülhatárolt módon vonható be.

Az elmetérkép készítése során az MI nem a térkép „rajzolására” szolgál, hanem az összefüggések feltárásának előkészítésére. A hallgató az MI-től kérhet felsorolást arra vonatkozóan, hogy egy adott jogintézmény milyen más fogalmakkal, kivételekkel, ellenfogalmakkal vagy speciális esetekkel áll kapcsolatban. Ezek az elemek azonban nem automatikusan kerülnek fel a térképre: a hallgató dönt arról, mely kapcsolatok relevánsak az adott tanulási cél szempontjából, és milyen szerkezetben jelenjenek meg.

Az MI különösen hasznos lehet akkor, amikor a hallgató elveszik a részletekben, és nehezen látja az egész rendszert. Ilyenkor az MI segítségével azonosíthatók a fő csomópontok, amelyek köré a vizuális struktúra felépíthető. Maga az elrendezés, a hierarchia és a kapcsolatok iránya azonban továbbra is aktív tanulási döntés, amelyet nem célszerű kiszervezni.

Az infografikák készítése a jogtanulásban elsősorban akkor hasznos, amikor egy jogintézmény belső logikája – például lépések, feltételek vagy jogkövetkezmények sorrendje – vizuálisan jobban átlátható. A mesterséges intelligencia ebben a helyzetben arra használható, hogy strukturált listát adjon a folyamat elemeiről, amely alapján a hallgató saját vizuális ábrát készít. Az infografika célja nem az esztétikum, hanem a gondolkodás tisztázása.

A vizualizáció különösen hatékony az összehasonlító tanulásnál, például rokon jogintézmények vagy elhatárolási kérdések esetén. Az MI segíthet az összehasonlítás szempontjainak azonosításában, de az összevetés tényleges elvégzése – és annak grafikus megjelenítése – a tanulási folyamat része marad.

Hatékony hallgatói felkészítés

A hallgatók mesterséges intelligenciára való felkészítése akkor tekinthető hatékonynak, ha egyértelműen elkülöníti, mely jogi munkafázisokban használható legitim módon az MI, és melyek azok, amelyek nem delegálhatók technikai eszközre. Ennek első eleme a munkafázis-alapú gondolkodás elsajátítása: a hallgatónak meg kell tanulnia külön kezelni a jogi problémafelismerést, a releváns norma kiválasztását, az érvelés felépítését és a végső jogi következtetést. Az MI kizárólag az előkészítő és ellenőrző szakaszokban jelenhet meg, soha nem a minősítés és mérlegelés helyett.

A célirányos felkészítés része az ellenőrzési rutinok kialakítása. A hallgatónak gyakorolnia kell, hogyan kell egy MI által generált jogi állítást visszavezetni konkrét jogszabályhelyre, bírói gyakorlatra vagy kommentárirodalomra, és miként kell azonosítani azokat a válaszokat, amelyek nyelvileg koherensek, de jogilag nem megalapozottak.

Külön felkészítési elem a promptolás jogi logikája. A hallgatónak nem „jó kérdéseket” kell tanulnia feltenni, hanem azt, hogyan lehet egy jogi problémát dogmatikailag helyesen körülírni: tényállási elemek elkülönítése, jogintézményi keret megjelölése, kizárások és alternatívák feltüntetése. A rosszul strukturált jogi gondolkodást az MI nem javítja, csak elfedi.

A célirányos képzésnek tartalmaznia kell az MI-használat dokumentálásának gyakorlatát is. A hallgatónak képesnek kell lennie megjelölni, hogy az MI milyen szerepet játszott a munkában (vázkészítés, ellenőrzés, alternatívák feltárása), és mit végzett el saját maga. Ez a gyakorlat közvetlenül átvezet a szakmai életbe, ahol az MI használata felelősségi kérdés.

Végül elengedhetetlen az integrált jogeset-gyakorlat, ahol a hallgató ugyanazt a feladatot MI nélkül, majd MI-t kontrolláltan bevonva oldja meg, és összeveti az eredményt. A tanulási cél nem a gyorsabb válasz, hanem annak felismerése, hol erősítette és hol torzította az MI a jogi gondolkodást. A célirányos felkészítés így nem eszközhasználatot tanít, hanem szakmai önkontrollt.

Ebben a keretben az MI megtanulása a felelős jogászi munka feltétele, amely segíti a hallgatókat abban, hogy az egyetemi képzés során megszerzett tudásukat a későbbi szakmai gyakorlatban tudatosan, átláthatóan és ellenőrzötten alkalmazzák.

 Az írás a mesterséges intelligencia közreműködésével készült. 

Elkészült az MI által létrehozott tartalmak átláthatóságáról szóló európai gyakorlati kódex első változata

 

Az Európai Bizottság  2025 december 17-én közzétette a mesterséges intelligencia által generált tartalmak átláthatóságáról szóló gyakorlati kódex (Code of Practice) első tervezetét, amely az AI Act 50. cikkének (2) és (4) bekezdéseire építve kíván iránymutatást adni a szolgáltatók és felhasználók számára. A több száz iparági, akadémiai, civil és tagállami szereplőt bevonó, nyilvános konzultációkon és munkacsoportokon alapuló dokumentum célja, hogy technikailag detektálható, egyértelműen jelölt és a nyilvánosság számára értelmezhető módon kezelje az MI által generált és manipulált tartalmakat. Írásunk bemutatja a kódex keletkezésének körülményeit, szabályozási logikáját és két fő pillérét, majd külön kitér arra, miként érinti mindez az iskolák és egyetemek mindennapi működését, pedagógiai felelősségét és intézményi szabályozását egy MI-vel átszőtt nyilvánosságban.

A Code of Practice on Transparency of AI-Generated Content első tervezete egy olyan szabályozási pillanatban született meg, amikor az Európai Unió mesterséges intelligenciára vonatkozó keretrendszere már elfogadásra került, de annak gyakorlati alkalmazása még formálódóban van. Az EU AI Act hatálybalépésével világossá vált, hogy a mesterséges intelligencia által előállított vagy manipulált tartalmak átláthatósága nem pusztán technikai kérdés, hanem demokratikus nyilvánosságot, alapjogokat és közbizalmat érintő szabályozási kihívás. E kihívásra reagálva indult el az a folyamat, amelynek eredményeként 2025 végére elkészült a most bemutatott First Draft, első tervezet, melyre 2026. január 23.-ig várják az észrevételeket.

Jogalap és keletkezés

Mint azt korábbi írásunkban már részletesen kifejtettük, a dokumentum közvetlen jogalapját az AI Act 50. cikke adja, amely külön kötelezettségeket állapít meg az MI által generált vagy manipulált tartalmak jelölésére, detektálhatóságára és a nyilvánosság felé történő közzétételére. A jogalkotó ugyanakkor tudatosan nem kizárólag részletes, merev végrehajtási szabályokat alkotott, hanem teret hagyott önszabályozó, szakmai alapú eszközöknek. A Code of Practice ebben a rendszerben nem jogszabály, hanem olyan referenciakeret, amelyhez az érintett szereplők – szolgáltatók és felhasználók – igazodhatnak, és amely alkalmas lehet a megfelelés alátámasztására, anélkül, hogy azt automatikusan igazolná.

A tervezet kidolgozása két, jól elkülönített, mégis szorosan együttműködő munkacsoport keretében zajlott. Az egyik csoport a technikai jelölési és detektálási megoldásokkal, a másik a társadalmi kommunikációval, címkézéssel és nyilvánosságvédelemmel foglalkozott. A folyamat kifejezetten multi-stakeholder jellegű volt: iparági szereplők, akadémiai kutatók, civil szervezetek és tagállami szakértők egyaránt részt vettek benne. A nyilvános konzultációk, workshopok és írásos visszajelzések nem csupán legitimációs szerepet töltöttek be, hanem ténylegesen formálták a szöveg szerkezetét és hangsúlyait.

A Code of Practice intézményi beágyazottságát tovább erősíti az AI Office, az Európai MI-hivatal valamint az Európai Bizottság és az AI Board, a Mesterséges Intelligenciával Foglalkozó Európai Testület párhuzamos munkája. A tervezet kifejezetten számol azzal, hogy az 50. cikkhez kapcsolódó bizottsági iránymutatások a későbbiekben pontosítják majd a fogalmi és hatálybeli kérdéseket. Ebből következően a First Draft nem lezárt norma, hanem iránykijelölő dokumentum, amely egy folyamatosan alakuló végrehajtási környezetbe illeszkedik.

Mindezek alapján a Code of Practice első tervezete nem csak technikai ajánlásként értelmezhető, hanem az EU mesterségesintelligencia-szabályozás „élő” rétegének részeként: olyan eszközként, amely a jogi kötelezettségek és a gyorsan változó technológiai gyakorlat között teremt közvetítő hidat.

A szabályozás első pillére: jelölés és detektálhatóság az AI Act 50. cikk (2) bekezdése alapján

Az AI Act 50. cikk (2) bekezdése a mesterséges intelligencia által generált vagy manipulált tartalmak átláthatóságát elsősorban technikai kötelezettségként fogalmazza meg. A jogalkotó előírja, hogy az ilyen tartalmaknak géppel olvasható módon jelöltnek és megbízhatóan detektálhatónak kell lenniük, ugyanakkor nem rögzít egyetlen kötelező technológiai megoldást sem. A Code of Practice első tervezete ezt a nyitott jogi formulát bontja ki, és fordítja le konkrét, mégis rugalmas végrehajtási elvekre.

A dokumentum egyik központi felismerése, hogy a jelenlegi technológiai állás szerint egyetlen önálló jelölési technika sem képes maradéktalanul teljesíteni az AI Act által megkövetelt hatékonyság, megbízhatóság, robusztusság és interoperabilitás együttes követelményeit. Ennek következtében a kódex a többrétegű jelölési megközelítést (multi-layered marking) teszi meg alapelvvé. Ez a megoldás különböző technikai rétegek kombinációjára épül, amelyek egymást erősítve képesek biztosítani a tartalom eredetének nyomon követhetőségét.

A többrétegű modell egyik alappillére a metaadat-alapú jelölés, amely lehetővé teszi a tartalom származására, az alkalmazott MI-rendszerre és az elvégzett műveletekre vonatkozó információk strukturált rögzítését. Ezt egészíti ki az észrevétlen vízjelezés (watermarking), amely a tartalomba közvetlenül beágyazott, nehezen eltávolítható jelekkel dolgozik. Amennyiben ezek a megoldások önmagukban nem elegendők, a kódex számol a fingerprinting és naplózási technikák alkalmazásával is, különösen a szöveges tartalmak esetében.

A jelölés önmagában azonban nem tekinthető elégségesnek. A Code of Practice hangsúlyosan kezeli a detektálhatóság követelményét, amely szerint a felhasználóknak, platformoknak és hatóságoknak ténylegesen képesnek kell lenniük annak ellenőrzésére, hogy egy adott tartalom MI által generált vagy manipulált-e. Ennek érdekében a tervezet előírja, hogy a szolgáltatók ingyenesen hozzáférhető detektáló eszközöket vagy interfészeket biztosítsanak, és lehetőség szerint támogassák közös, aggregált verifikátorok kialakítását. Ez az elem különösen fontos az interoperabilitás szempontjából, hiszen a tartalmak a gyakorlatban platformokon és rendszereken átívelve terjednek.

A szabályozás további hangsúlyos eleme a megbízhatóság és robusztusság. A kódex részletesen foglalkozik a tipikus módosításokkal – például tömörítés, átméretezés, parafrazálás – és az ellenséges támadásokkal szembeni ellenálló képesség kérdésével. A megfelelés nem egyszeri aktus, hanem folyamatos tesztelést, monitoringot és frissítést igénylő kötelezettség, amely a teljes életciklusra kiterjed.

E szabályozási pillér összességében azt mutatja, hogy az EU nem pusztán azt várja el a mesterséges intelligencia szolgáltatóitól, hogy „jelezzenek”, hanem azt, hogy a jelölés és a detektálás ténylegesen működő, ellenőrizhető és hosszú távon fenntartható rendszerré váljon. A Code of Practice ebben a tekintetben az AI Act technikai magjának részletes, mégis adaptív értelmezését adja.

A szabályozás második pillére: közzététel, címkézés és a nyilvánosság védelme

Míg az AI Act 50. cikk (2) bekezdése elsősorban technikai jellegű kötelezettségeket ró a mesterséges intelligencia rendszerek szolgáltatóira, addig az 50. cikk (4) és (5) bekezdései már kifejezetten a nyilvánosság védelmére és a természetes személyek tájékoztatására fókuszálnak. E szabályozási pillér középpontjában nem az áll, hogy egy tartalom miként azonosítható technikailag, hanem az, hogy a felhasználók mikor, hogyan és milyen egyértelműséggel szereznek tudomást arról, hogy mesterséges intelligencia által generált vagy manipulált tartalommal találkoznak.

A Code of Practice e kötelezettségeket a deployerek, vagyis az MI-rendszereket ténylegesen alkalmazó szereplők oldaláról konkretizálja. Ide tartoznak mindazok, akik deepfake-eket előállító vagy közérdekű tájékoztatásra szánt szöveget generáló rendszereket használnak, és a tartalmat a nyilvánosság számára hozzáférhetővé teszik. A kódex egyik alapelve a „first exposure” követelménye, amely szerint az MI-eredetre vonatkozó tájékoztatást legkésőbb az első találkozáskor, világos és megkülönböztethető módon kell megadni.

A gyakorlati megvalósítás kulcseleme a közös taxonómia és az ehhez kapcsolódó ikonhasználat. A tervezet egyértelműen különbséget tesz teljesen MI által generált és MI-asszisztált tartalmak között, felismerve, hogy a megtévesztés kockázata nem kizárólag a „teljes automatizmus” esetében áll fenn. Az ideiglenes ikonrendszer – nyelvfüggetlen „AI” jelöléssel – átmeneti megoldásként szolgál, amíg egy uniós szintű, interaktív és akadálymentes ikon véglegesítése meg nem történik. Az interaktív jelleg különös jelentőséggel bír, mivel lehetőséget ad arra, hogy a felhasználó további információt kapjon arról, pontosan mely elemek származnak MI-ből, összekapcsolva a technikai jelöléssel.

A Code of Practice ugyanakkor nem abszolutizálja a közzétételi kötelezettséget. Kiemelten kezeli az arányosság és kontextusérzékenység elvét, különösen a művészeti, kreatív, szatirikus vagy fiktív tartalmak esetében. Ezekben az esetekben a közzététel célja nem a tartalom élvezeti értékének csökkentése, hanem annak biztosítása, hogy a nyilvánosság ne váljon megtévesztetté. Hasonlóképpen fontos kivételt jelent az a helyzet, amikor emberi felülvizsgálat és szerkesztői felelősség érvényesül: ilyen esetekben a jogalkotó nem kíván automatikus címkézési kötelezettséget előírni.

A nyilvánosság védelméhez szorosan kapcsolódik az akadálymentesség és hozzáférhetőség követelménye. A kódex részletesen kitér arra, hogy az ikonoknak, hangjelzéseknek és szöveges tájékoztatásoknak a fogyatékossággal élő személyek számára is érzékelhetőnek és érthetőnek kell lenniük. Ez a szempont egyértelműen jelzi, hogy az MI-átláthatóság nem pusztán információtechnológiai, hanem alapjogi kérdésként is megjelenik.

Az MI alkalmazása az oktatási intézményekben - a Code of Practice tükrében

Napjaink gyakorlatában az oktatási intézmények egyszerre jelennek meg tartalom-előállítóként és MI-rendszerek alkalmazójaként. Az iskolák és egyetemek mindennapi működésében egyre nagyobb szerepet kapnak az MI-vel támogatott szöveg-, kép- és videógeneráló eszközök, legyen szó tananyagfejlesztésről, online kurzusokról, tudománykommunikációról vagy intézményi tájékoztatásról. E kettős szerep miatt az AI Act 50. cikkéhez kapcsolódó átláthatósági kötelezettségek az oktatási szférában különösen érzékeny és pedagógiailag releváns módon jelennek meg.

Az oktatási intézmények tartalom-előállítóként gyakran hoznak létre olyan anyagokat, amelyek a nyilvánosság számára is hozzáférhetők, és nem ritkán közérdekű tájékoztatási funkciót töltenek be. Ilyenek lehetnek például felvételi tájékoztatók, szakmai ismertetők, nyilvános kurzusleírások vagy tudományos-ismeretterjesztő tartalmak. Amennyiben ezek előállításában mesterséges intelligencia vesz részt, a Code of Practice logikája szerint az MI-eredet egyértelmű jelzése nem kizárólag jogi megfelelési kérdés, hanem az intézményi hitelesség és a nyilvánosság iránti felelősség része.

Ezzel párhuzamosan az iskolák és egyetemek deployer szerepben is megjelennek, amikor külső MI-rendszereket használnak fel tananyagkészítésre, adminisztratív kommunikációra vagy akár oktatási célú demonstrációkra. A Code of Practice ebben az esetben nem ír elő mechanikus címkézést minden helyzetben, de világos elvárást fogalmaz meg az arányosság, a kontextusérzékenység és az emberi felelősség tekintetében. Különösen hangsúlyos az a kivétel, amely szerint emberi felülvizsgálat és szerkesztői felelősség fennállása esetén a közzétételi kötelezettség más megítélés alá eshet. Ez az oktatási intézmények számára lehetőséget ad arra, hogy az MI-t támogató eszközként, ne pedig autonóm tartalom-előállítóként pozícionálják.

A pedagógiai dimenzió azonban túlmutat a jogi megfelelésen. Az MI által generált tartalmak látható és értelmezhető jelölése közvetlenül hozzájárul a tanulók kritikai gondolkodásának és MI-műveltségének fejlesztéséhez. Amikor egy hallgató vagy diák világos jelzést kap arról, hogy egy szöveg, kép vagy videó milyen mértékben támaszkodik mesterséges intelligenciára, az nem gyengíti, hanem erősíti az oktatási folyamat transzparenciáját. Ebben az értelemben a Code of Practice elvei pedagógiai alapelvvé is válhatnak.

Végül az oktatási intézmények számára a Code of Practice normatív hivatkozási alapként is szolgálhat belső MI-szabályzatok, etikai kódexek és intézményi irányelvek kialakításakor. Bár a dokumentum formálisan önszabályozó eszköz, tartalma alkalmas arra, hogy az iskolák és egyetemek strukturált, jogilag megalapozott keretet kapjanak az MI-használat átláthatóságához. A felsőoktatás különösen fontos szerepet tölthet be ebben a folyamatban: az egyetemek nemcsak követői, hanem mintát adó alakítói is lehetnek az MI-vel átszőtt nyilvánosság új normáinak.

 Az írás a mesterséges intelligencia közreműködésével készült. 

Bontcheva, K., Bechmann, A., Pedreschi, D., De Gregorio, G., Riess, C., & Botan, M. (2025). First draft: Code of practice on transparency of AI-generated content. European Commission, AI Office.

https://digital-strategy.ec.europa.eu/en/library/first-draft-code-practice-transparency-ai-generated-content