Generatív mesterséges intelligencia a digitális oktatásban – fókuszban az OECD 2026-os jelentése

2026-ra a digitális átalakulás új szakaszába lépett az oktatás: a generatív mesterséges intelligencia megjelenése a technológiai innováció és egyben a tanulás, az értékelés és az intézményi működés átfogó újragondolásának kihívásává vált. Írásunk az OECD Digital Education Outlook 2026 című, 2026 januárjában megjelent nemzetközi jelentésére épül, mely generatív mesterséges intelligencia oktatási hatásait vizsgálja nemzetközi empirikus kutatások alapján. A jelentés azt elemzi, hogyan befolyásolja a GenAI a tanulási eredményeket, a feladatmegoldási teljesítményt, a metakognitív folyamatokat, a tanári autonómiát és az oktatási rendszerek irányítását, valamint milyen feltételek mellett támogatja a valódi tudásépülést. Kiemelt figyelmet fordít a pedagógiailag tervezett alkalmazásra, az értékelési rendszerek átalakulására és a 2030-ig kirajzolódó kompetenciakövetelményekre. Írásunk célja, hogy az OECD jelentés kutatási eredményeire támaszkodva az áttekintés igényével bemutassuk a generatív MI oktatási integrációjának napjainkra jellemző fő dilemmáit, és feltárjuk magyar oktatásügyet közvetlenük érintő következményeit. Külön figyelmet szentelünk a tanulási minőség, a tanári szakmai autonómia, az értékelési kultúra és a szakpolitikai keretalkotás kérdéseinek, melyek a felelős és minőségközpontú tovább haladás lehetséges irányait a jelentés szerint meg fogják határozni – meggyőződésünk szerint Magyarországon is.

Az OECD Digital Education Outlook című kiadványsorozata a digitális átalakulás oktatásra gyakorolt hatásainak nemzetközi elemzésére jött létre. Indulását az a felismerés vezérelte, hogy a digitalizáció az oktatásban is alapvető szerkezeti változásokat indít el: az adatok egyre meghatározóbb szerepet kapnak az oktatási rendszerek és intézmények irányításában, a szakpolitikai beavatkozások célzásában és az innováció ösztönzésében. A mesterséges intelligenciával támogatott technológiai eszközök mind gyakoribbá válnak az osztályteremben és az otthoni tanulásban, miközben az oktatástechnológiai vállalatok új megoldásokat fejlesztenek. Az oktatás módja és tanulási élménye gyors ütemben alakul át, ami egyaránt jelent lehetőségeket és kihívásokat a szakpolitikai döntéshozók és az érintettek számára. A 2021-ben indult, s eddig három részt megért sorozat célja, hogy átfogó és nemzetközi összehasonlító referenciapontot nyújtson az oktatáspolitikai szakemberek és kutatók számára a digitális technológia és az adatalapú működés oktatási alkalmazásának legújabb trendjeiről és szakpolitikai irányairól (OECD Shaping Digital Education, 2023, OECD Digital Policy Outlook 2025).

Hogyan használják az európai diákok a mesterséges intelligenciát tanulás közben? (2024) - Mit használ jelenleg mesterséges intelligencia-alkalmazásokat, amikor az iskolán kívül tanul, és nem a tanárai irányítása mellett?

Keletkezési háttér, intézményi és tudományos kontextus

A 2021-es OECD Digital Education Outlook fókuszában annak vizsgálata állt, hogy miként alakítják át az oktatást az olyan „okos technológiák”, mint a mesterséges intelligencia, a learning analytics, a robotika és más digitális megoldások, különös tekintettel a személyre szabott tanulásra, a speciális tanulási igények támogatására és az innovatív hitelesítési rendszerekre. A 2023-as OECD Digital Education Outlook középpontjában az országok digitális oktatási ökoszisztémáinak összehasonlító elemzése állt, s annak vizsgálata, hogy az oktatási rendszerek miként tudják a digitális technológiát és az AI-t megbízható, hatékony és méltányos módon integrálni, s ebben az infrastruktúra, az irányítás, az adatkezelési rendszerek és a tanári digitális kompetenciák milyen szerepet tudnak betölteni.

A 2026-os OECD Digital Education Outlook középpontjában kifejezetten a generatív mesterséges intelligencia (GenAI) áll, amely a kiadvány egyik alapvető tézise szerint az oktatási környezetet a tanításon és tanuláson túl is átalakítja. A 2026-os Outlook az új kutatási eredményeket elemezve azt vizsgálja, milyen feltételek mellett képes a GenAI valódi tanulási támogatást nyújtani, és rámutat arra, hogy pedagógiai iránymutatás nélkül az eszközhasználat pusztán teljesítménynövekedést eredményezhet tényleges tudásgyarapodás nélkül, miközben bemutatja a GenAI szerepét tutorként, partnerként és asszisztensként, valamint összegzi azokat a tervezési és szakmai kritériumokat, amelyek biztosítják hatékony és felelős oktatási alkalmazását.

A kiadvány a Smart Data and Digital Technology in Education: AI, learning analytics and beyond projekt keretében készült, az OECD Centre for Educational Research and Innovation (CERI) szervezésében, az Education and Skills Directorate (EDU) irányítása alatt. A projektet Stéphan Vincent-Lancrin, a CERI helyettes osztályvezetője és vezető oktatásközgazdásza vezette. A projektcsapat tagjai voltak Quentin Vidal (OECD elemző), Yixi Wang (korábbi secondee), Jennifer O’Brien és Federico Bolognesi. A kötet szerkesztője Vincent-Lancrin; az áttekintő fejezet szerzői Vincent-Lancrin és Vidal. A további fejezeteket nemzetközileg elismert kutatók jegyezték, s az interjúfejezetekben is neves szakemberek működtek közre.

A tanulási nyereség és a teljesítmény egyensúlya a generatív mesterséges intelligencia használatában - A zöld görbe a kívánatos állapotot jelzi: a teljesítmény növekedése együtt jár a tanulás mélyülésével. A piros görbe a nem kívánatos helyzetet mutatja: a teljesítmény javulása nem eredményez valódi tudásgyarapodást.

A jelentés szakpolitikai irányultsága és problémamegközelítése

Mint a kiadvány bevezetője hangsúlyozza, hogy a jelentés középpontjában a generatív mesterséges intelligencia a tanulói tudásépítésre, a személyre szabott oktatásra, a tanári autonómiára és az oktatási rendszerek hatékonyságára gyakorolt hatása áll. A dokumentum a pedagógia-első megközelítést tekinti irányadónak, és azt vizsgálja, miként erősítheti a GenAI az emberi szakértelmet, a tanulási mélységet és az oktatási rendszerek minőségét felelős irányítás mellett.

Az OECD Digital Education Outlook 2026 három nagy szerkezeti egységre és összesen tizenhárom fejezetre tagolódik. A részek és fejezetek beosztása nem lineáris technológiai narratívát követ, hanem problémaközpontú elemzést alkalmaz. A szöveg maga sem monografikus, az egyes fejezeteket más-más szerzők jegyzik, az elemzések és következtetések minden esetben kutatási adatokra támaszkodnak. A kötetben interjúk is helyet kaptak, ezek a digitális oktatás terén dolgozó, nemzetközi rangú szakértők – köztük Stanfordon kutató Demszky Dóra – megszólaltatásával engednem szubjektív bepillantást a gyakorlat fontos kérdéseire. A generatív MI megjelenése a könyvben a tanulási folyamatok, az értékelési rendszerek és a pedagógiai döntések kontextusában kerül értelmezésre. A dokumentum a technológiai fejleményeket a tanulásminőség, a kognitív erőfeszítés, a pedagógiai támogatás és az intézményi irányítás összefüggésében tárgyalja.

Az első rész a generatív mesterséges intelligencia oktatási hatásainak empirikus vizsgálatát mutatja be: elemzi a feladatmegoldási teljesítmény (task performance) és a valódi tanulási eredményesség (learning gains) közötti eltérést, valamint a metakognitív bevonódás (metacognitive engagement), vagyis a gondolkodási folyamat tudatos irányításának szerepét. A második rész a pedagógiai tervezésre és a tanári szerepre fókuszál: tárgyalja az intelligens tutor rendszereket (Intelligent Tutoring Systems), az emberközpontú tervezést (human-centred design), továbbá a tanári szakmai autonómia (teacher agency) kérdését. A teacher agency a generatív MI használatának kontextusában a tanári szakmai autonómia, döntési kompetencia és szakmai mozgástér összességét jelenti. A dokumentum részletesen tárgyalja a teacher-AI teaming jelenségét is, amely a pedagógus és a generatív MI rendszerek együttműködésének szervezeti és pedagógiai dimenzióit írja le. A forrás nem használja a „co-agency” kifejezést, ezért a pontos terminológia a tanári autonómia és a tanár–MI együttműködés fogalmain alapul. A harmadik rész rendszerszintű perspektívát ad: vizsgálja a generatív MI felsőoktatási alkalmazását, az értékelési kultúra átalakulását és a tudományos kutatásban betöltött szerepét.

Az Outlook 2026 a generatív MI oktatási alkalmazásait nemzetközi adatok, empirikus kutatások és rendszerszintű elemzések alapján értelmezi. A jelentés a tanulási folyamatokra, a pedagógiai gyakorlatra és az oktatási rendszerek működésére gyakorolt hatásokat egységes keretben vizsgálja, és a generatív MI-t az oktatási innováció szélesebb kontextusában helyezi el. Hivatkozik a TALIS 2024 (Teaching and Learning International Survey) adataira, amelyek szerint a pedagógusok jelentős része már használ generatív MI-eszközöket a tanítás előkészítésében, az értékelésben vagy a tanulói támogatásban. A dokumentumban szerepel egy törökországi mezőnykísérlet, amely a generatív MI rövid távú teljesítményhatásait vizsgálta. Megjelennek amerikai kutatások a kognitív és metakognitív folyamatokról, továbbá kínai felsőoktatási vizsgálatok, köztük Fan et al. (2025) és Huang et al. (2025) tanulmányai, amelyek a tanulási eredmények és a metakognitív aktivitás összefüggéseit elemezték.

Az SPL funkcióinak áttekintése - Az SPL-rendszer fő működési elemei: az automatizált forgatókönyv-építés (külső ciklus), az interaktív szokratikus párbeszédmotor (belső ciklus), az interaktív tanulási módok, a fejlett pedagógiai és értékelési logika, valamint a több szakterületre kiterjedő skálázhatóság és adaptivitás alapjai.

A módszertani háttér többféle kutatási megközelítést integrál. A jelentés hivatkozik randomizált kontrollvizsgálatokra, designalapú fejlesztésekre, kvalitatív elemzésekre és szakpolitikai keretvizsgálatokra. A különböző módszerek együttes alkalmazása a generatív MI oktatási hatásainak összetett természetéből következik. A dokumentum szerkezete tükrözi ezt a pluralitást, és az empirikus eredményeket összeveti a pedagógiai és irányítási kérdésekkel. A kötetet gazdag vizuális apparátus egészíti ki: számos ábra és táblázat támogatja az elemzés értelmezését.

Fő empirikus megállapítások - a tanulási paradoxon

A generatív MI terjedésének a jelentésben való leírása a technológiai adaptáció gyorsaságára és az intézményi alkalmazkodás folyamatára fókuszál. A dokumentum rámutat arra, hogy a pedagógiai gyakorlat, az értékelési rendszerek, az adatkezelési normák és az etikai keretek folyamatos fejlesztést igényelnek a generatív MI használatának fényében. A használat intézményi és egyéni szinten egyaránt megfigyelhető, a szabályozási és irányítási keretek pedig párhuzamosan formálódnak.

Az Outlook 2026 fontos sajátossága a fogalmi precizitás és következetesség. A jelentés terminológiája pontosan elkülöníti a teljesítménymutatókat és a tanulási eredményeket, a pedagógiai eszközhasználatot és a szakmai döntéshozatalt, valamint a tanári autonómiát és a technológiai támogatást. A dokumentum ezzel olyan elemzési keretet alakít ki, amelyben a generatív MI használata az oktatás komplex rendszerében, többdimenziós módon értelmezhető.

A jelentés egyik központi megállapítása, hogy különbség lehet a feladatmegoldási teljesítmény (task performance) és a tartós tanulási eredmény (learning gains) között. A generatív mesterséges intelligencia képes javítani az azonnali feladatteljesítményt – például jobb szövegek vagy pontosabb válaszok születnek –, ám ez nem mindig jár együtt mélyebb megértéssel vagy hosszú távon megmaradó tudással.

A generatív mesterséges intelligencia lehetséges szerepei az együttműködésen alapuló tanulás támogatásában -  Információs társként, személyre szabott tananyagok készítőjeként, feladatvégrehajtóként, tanári vagy facilitátori szerepben, tutor vagy párbeszédpartnerként, illetve mesterséges csoporttagként működhet közre.

Az Outlook 2026 ezt a teljesítmény és a valódi tanulás közötti eltérésként írja le. Ezt támasztja alá egy a jelentésben bemutatott törökországi kísérlet is: a GPT-4 használata jelentősen növelte a rövid távú eredményeket, különösen tutor jellegű beállítás mellett, ám amikor az eszközt elvették, a korábban MI-t használó tanulók gyengébben teljesítettek. Ez arra utal, hogy a technológia által támogatott siker nem mindig épül be tartós tudássá. A jelentés hangsúlyozza a metakognitív bevonódás (metacognitive engagement) szerepét, vagyis azt, hogy a tanuló mennyire tudatosan irányítja saját gondolkodását. Ha az MI kész megoldásokat ad, a mentális erőfeszítés csökkenhet; ha viszont pedagógiailag strukturált módon alkalmazzák, támogathatja a mélyebb tanulást.

A „tanulási paradoxon” (the paradox of generative AI in skill acquisition) kifejezés a fenti empirikus eredmények összefoglaló megjelöléseként használható: a generatív MI jelentős rövid távú teljesítményjavulást eredményezhet, miközben a tartós tudásmegtartás és a fogalmi mélység alakulása differenciált képet mutat. A jelentés hangsúlyozza, hogy a pedagógiai konfiguráció, az eszközhasználat módja és a tanulási környezet szerkezete meghatározó tényező a hosszú távú eredmények szempontjából.

Az empirikus fejezetek azt igazolják, hogy a generatív MI hatása nem értelmezhető egységes mutatók mentén. A rövid távú teljesítménymutatók, a metakognitív folyamatok, valamint a tartós tanulási eredmények eltérő irányú változásokat mutathatnak. A dokumentum ezzel olyan analitikus keretet alakít ki, amelyben a generatív MI oktatási alkalmazásai mérhető, számszerűsíthető adatok és kognitív folyamatokra vonatkozó kutatások alapján értékelhetők.

„Sok tanár kísérletezik, de sokan még mindig nem tekintenek magukra kreatív személyként. Általános nézet – a pedagógusok körében is –, hogy a gyerekek kreatívabbak a felnőtteknél. Ez a meggyőződés problematikus. Sokan úgy gondolják, hogy a gyerekek szabadabbak, többet játszanak, ezért kreatívabbak. Valójában azonban összekeverik a kreativitást a puszta eredetiséggel. Igaz, hogy a fiatalok gyakran állnak elő meghökkentő, merész ötletekkel. Ahogy azonban idősebbek leszünk, megismerjük a világ korlátait és realitásait. A kreativitás viszont nem korlátlan újdonság, hanem korlátok közé ágyazott eredetiség: az adott feladathoz illeszkedőnek kell lennie, és tudásban kell gyökereznie.” Ron Beghetto, Arizonai Állami Egyetem

Újdonságok: pedagógiailag tervezett generatív MI

Az Outlook 2026 egyik hangsúlyos újítása a generatív mesterséges intelligencia eszközeinek pedagógiai konfiguráció szerinti megkülönböztetése. A dokumentum világosan elkülöníti a general-purpose GenAI tools, vagyis az általános célú chatbotokat és nyelvi modelleket azoktól a rendszerektől, amelyeket kifejezetten oktatási célra fejlesztettek vagy oktatási környezetben, pedagógiai struktúrába ágyazva alkalmaznak. A jelentés elemzése szerint a tanulási eredmények alakulása jelentős mértékben függ az eszköz tervezési logikájától és pedagógiai beágyazottságától.

A dokumentum külön fejezetben tárgyalja az Intelligent Tutoring Systems (ITS) fejlődését és szerepét. Az intelligens tutor rendszerek a tanulói válaszokra reagáló, adaptív visszajelzést nyújtó, strukturált tanulási útvonalat támogató megoldásokként jelennek meg (B. Rodrigues, R. Pinto, G. Gonçalves, 2025). A generatív MI integrációja ezekben a rendszerekben a személyre szabott visszacsatolás és a differenciált tanulási támogatás lehetőségét bővíti. A jelentés bemutatja, hogy az oktatási célra konfigurált eszközök esetében a tanulási eredmények stabilabb mintázatot mutatnak, különösen akkor, ha a rendszer a tanulói gondolkodási folyamatokat irányított kérdésekkel és lépésenkénti támogatással segíti.

A pedagógiai tervezés kérdése a dokumentumban a közös alkotás (co-creation) és a szakmai bevonás fogalmához kapcsolódik.  A jelentés szerint a generatív mesterséges intelligencia oktatási alkalmazásai akkor működnek hatékonyan, ha nem pusztán technológiai fejlesztés eredményeként kerülnek be az iskolákba, hanem a pedagógusok és a tanulók aktív részvételével formálódnak. A „teachers and students co-created” megközelítés azt jelenti, hogy a tanárok és diákok nem csupán felhasználói az eszközöknek, hanem visszajelzéseikkel, tapasztalataikkal és igényeikkel alakítói is azoknak. A jelentés szerint e két perspektíva integrálása javítja az eszközök használhatóságát, pedagógiai relevanciáját és tanulástámogató funkcióinak pontosságát. A közös tervezés így nem csupán technikai fejlesztési módszer, hanem pedagógiai alapelv: biztosítja, hogy a generatív MI valóban a tanulási folyamat szolgálatába álljon, és illeszkedjen az adott oktatási környezet szakmai kultúrájához.

MI-megoldás az esszék javításának támogatására - Egy alkalmazás digitalizálja a tanulók kézzel írt dolgozatait, majd internetkapcsolat esetén feltölti azokat egy szerverre, ahol természetesnyelv-feldolgozó rendszer (NLP) automatikus, strukturált visszajelzést generál az írás formai, tematikus és retorikai jellemzőiről, valamint a szöveg kohéziójáról.

A generatív MI pedagógiai alkalmazásának egyik központi eleme a tanári autonómia (teacher agency) megőrzése: ezt a jelentés VII. fejezete a generatív mesterséges intelligencia oktatási integrációjának kulcstényezőjeként tárgyalja. A tanári autonómia ebben az értelmezésben nem pusztán módszertani szabadságot jelent, hanem a pedagógus azon képességét, hogy tudatos szakmai döntéseket hozzon a digitális eszközök használatáról: mikor, milyen célra és milyen mértékben vonja be a generatív MI-t a tanítási folyamatba. A jelentés hangsúlyozza, hogy a GenAI nem helyettesíti a pedagógiai ítélőképességet, hanem olyan környezetet teremt, amelyben a tanári döntések súlya és felelőssége megnő.

A dokumentum részletesen elemzi a tanár–MI együttműködés (teacher-AI teaming) fogalmát is. Ez az együttműködés nem technikai integrációt jelent, hanem valódi munkamegosztást: a generatív MI támogathatja az óratervezést, a differenciált feladatkészítést, a visszajelzések megfogalmazását vagy az értékelési folyamat egyes elemeit, miközben a tanár határozza meg a pedagógiai célokat, a tanulási elvárásokat és az értelmezési kereteket. A jelentés szerint azok a modellek bizonyulnak eredményesebbnek, ahol a tanár aktív irányító szerepben marad, és az MI használata illeszkedik a tanulási folyamat strukturált felépítéséhez.

A tanári autonómia jelentősége különösen akkor válik láthatóvá, amikor a generatív MI képes kész megoldásokat előállítani. Ilyen helyzetben a pedagógus feladata annak meghatározása, hogy az eszköz a gondolkodást támogassa, ne pedig kiváltsa. A jelentés arra is rámutat, hogy a tanári kompetenciák fejlesztése – beleértve a digitális és etikai tudatosságot – alapfeltétele annak, hogy a generatív MI valóban a tanulás minőségét szolgálja. A teacher agency tehát a felelős, pedagógiailag megalapozott technológiahasználat garanciája az oktatásban. Ebben az értelmezési keretben a generatív MI olyan támogató eszközként jelenik meg, amely a pedagógus szakmai döntéseit kiegészíti, a tanulási folyamat szervezésében és az értékelésben új lehetőségeket nyit.

A dokumentum kitér arra is, hogy az oktatási célra tervezett rendszerek fejlesztése során kiemelt figyelmet igényel az adatvédelem, az etikai megfelelés és az átláthatóság. A tanulói adatok kezelése, a modell működésének érthetősége és a döntéstámogató funkciók felelősségi keretei a pedagógiai alkalmazás integráns részét képezik. A jelentés ezeket a kérdéseket a szakpolitikai és intézményi irányítás összefüggésében vizsgálja.

A komplementaritás paradigmája a tanári autonómia és az automatizáció tengelyén - A bal felső mező a komplementaritás paradigmáját mutatja, ahol az MI-modellek a gondolkodás reprezentációinak átalakítását támogatják, és a tanár aktív szereplő marad (H → A). A jobb alsó mező a helyettesítési paradigmát jelzi, ahol az MI az emberi feladatok automatizált kiváltására törekszik (H ← A). A bal alsó terület a hagyományos oktatástechnológiák világát reprezentálja, alacsony automatizációval és korlátozott transzformatív hatással.

A pedagógiailag tervezett generatív MI rendszerek a dokumentumban a tanulási minőség javításának kontextusában jelennek meg. A strukturált, tanulásorientált konfiguráció hozzájárulhat a metakognitív folyamatok aktiválásához, a problémamegoldó gondolkodás támogatásához és a személyre szabott visszajelzés erősítéséhez. A jelentés ezzel a generatív MI alkalmazását a tanulási folyamat tudatos tervezésének és a pedagógiai innovációnak a keretébe helyezi.

Rendszerszintű hatások és hosszú távú perspektíva

Az Outlook 2026 a generatív mesterséges intelligencia hatásait nem kizárólag osztálytermi szinten vizsgálja, hanem egy, az oktatási rendszerek egészére kiterjedő elemzés keretében. A dokumentum értelmezési kerete a tanulási folyamatok, az intézményi irányítás, a szakpolitikai szabályozás és a digitális infrastruktúra összefüggéseit egyaránt figyelembe veszi. A generatív MI beépülése az oktatásba strukturális következményekkel jár, amelyek a tanulási eredményektől az irányítási mechanizmusokig terjednek.

A jelentés központi elemzési szempontja itt a feladatmegoldási teljesítmény (task performance) és a tartós tanulási eredmény (learning gains) viszonya. A feladatmegoldási teljesítmény azt mutatja, hogy a tanuló egy adott helyzetben milyen jól old meg egy konkrét feladatot, míg a tanulási eredmény a hosszabb távon megmaradó tudást és megértést jelenti. A generatív mesterséges intelligencia jelenléte átalakítja az értékelési rendszereket, a vizsgagyakorlatot és a tantervi elvárásokat, ezért újra kell gondolni, mit és hogyan mérünk. A dokumentum kiemeli az autentikus tudásmérés, vagyis a valódi megértést és alkalmazási képességet vizsgáló értékelési formák jelentőségét. A generatív MI használata így arra készteti az oktatási rendszereket, hogy a látható teljesítmény és a mélyebb tudás közötti kapcsolatot tudatosan újraértelmezzék.

Ember–MI automatizációs modell - A bal oldalon a tanár kizárólagos irányítása jelenik meg, ahol a technológia legfeljebb támogató információt nyújt. Ezt követi a tanári asszisztencia, ahol a tanár továbbra is teljes kontrollt gyakorol, a technológia pedig kiegészítő szerepet tölt be. A középső szakaszban részleges és feltételes automatizáció látható: a technológia egyes vagy tágabb feladatköröket önállóan kezel, miközben a tanár monitoroz, és szükség esetén visszaveheti az irányítást. A jobb oldalon a magas és teljes automatizáció jelenik meg, ahol a technológia a feladatok többségét, illetve mindegyikét önállóan végzi, a tanári beavatkozás  csak kivételes vagy egyáltalán nem szükséges.

A rendszerszintű hatások egyik területe a kognitív infrastruktúra kérdése. A jelentés nem használja szó szerint ezt a fogalmat, ugyanakkor tartalmilag tárgyalja azt a jelenséget, hogy a generatív MI beépül a tanulási környezetekbe, mint digitális támogató struktúra. A tanulói információfeldolgozás, az írásbeli teljesítmény és a problémamegoldás szerveződése átalakul a generatív rendszerek elérhetőségének fényében. A tanulási folyamat technológiai környezete a tanulás feltételrendszerének részévé válik.

A jelentés kitér a digitális egyenlőtlenségek kérdésére is. A generatív MI hozzáférhetősége, az eszközök minősége és a digitális kompetenciák szintje eltérő mértékben áll rendelkezésre az egyes országokban és intézményekben. A szakpolitikai irányítás feladata a hozzáférési különbségek mérséklése és az inkluzív digitális környezet kialakítása. A dokumentum a digitális infrastruktúra, a pedagógusképzés és a tanulói támogatás összekapcsolását javasolja a fenntartható bevezetés érdekében.

2030-ra előre tekintve az Outlook 2026 nem egy részletes, számszerű előrejelzési modellt ad, hanem irányjelző jövőképet vázol fel a generatív mesterséges intelligencia oktatási szerepéről. A dokumentum szerint a következő években – a 2030-ig tartó időszakban – a generatív MI az oktatási rendszerek strukturális részévé válhat: beépülhet a tanulástámogatásba, az értékelésbe, a kutatásba és az intézményi működésbe. A jelentés nem a pedagógushiány csökkenését prognosztizálja, hanem azt hangsúlyozza, hogy az MI eszközök bizonyos terheket mérsékelhetnek, például az adminisztráció és a visszajelzés területén.

A 2030-as horizont kapcsán a dokumentum kiemeli a nyelvi akadályok enyhülését is a tudományos és felsőoktatási térben: a generatív MI támogathatja a fordítást, a tudományos szövegek szerkesztését és a nemzetközi együttműködéseket. A jövőkép központi eleme azonban a pedagógiailag irányított, felelős integráció: a jelentés szerint 2030-ra azok az oktatási rendszerek lehetnek sikeresek, amelyek a generatív MI-t a tanulási minőség, az egyenlő hozzáférés és a tanári szakmai autonómia erősítésének keretében alkalmazzák.

A JeepyTA által javasolt vitaindító kérdések a kvalitatív adatok kódolásáról a „Kvantitatív etnográfia és episztemikus hálózatelemzés” kurzus heti megbeszéléséhez A rendszer a heti olvasmányok alapján strukturált témákat és irányító kérdéseket fogalmaz meg, amelyek a k- ódolási rendszer kialakítására, az automatizáció és a szakértői értelmezés egyensúlyára, az etikai megfontolásokra, valamint a kódolás következetességére és integritására irányulnak.

A rendszerszintű elemzés egyik kulcseleme a szakpolitikai keretalkotás, vagyis annak meghatározása, milyen irányítási, szabályozási és szakmai elvek mentén épül be a generatív MI az oktatási rendszerekbe. Az Outlook 2026 hangsúlyozza, hogy a kormányzati és intézményi döntéshozatal nem korlátozódhat technikai bevezetési kérdésekre: világos etikai normákra, átlátható adatkezelési szabályokra és egyértelmű pedagógiai iránymutatásokra van szükség - ahogy az MI az oktatási adminisztrációba való alkalmazásának területén is.

A jelentés szerint a generatív MI integrációja akkor tekinthető fenntarthatónak, ha a szabályozás összekapcsolódik a szakmai fejlesztéssel: a pedagógusképzés, a digitális kompetenciafejlesztés és az intézményi minőségbiztosítás egységes keretben működik. A szakpolitikai koordináció célja kettős: egyrészt biztosítani kell a tanulási minőség megőrzését és erősítését, másrészt garantálni kell a hozzáférési egyenlőséget, hogy a generatív MI ne mélyítse tovább a digitális különbségeket. Az Outlook jövőképe szerint 2030 felé haladva azok az oktatási rendszerek lesznek stabilak és innovatívak, amelyek a technológiai fejlődést tudatos irányítási és etikai keretek között valósítják meg.

„A motiváció és a kapcsolatépítés olyan kulcstényezők, amelyeket a GenAI valószínűleg soha nem tud olyan jól megvalósítani, mint az ember. Bár további kutatások szükségesek, az oktatási szakértők egyetértenek ebben, és intuitíve is belátható. Az MI nem válik példaképpé. A diákok megoszthatnak vele olyan dolgokat, amelyeket emberrel nem, mert kevésbé tartanak a sebezhetőségtől. Ugyanakkor az érzelmi jóllét támogatására és a felelősség kialakítására az ember alkalmasabb. Az MI esetében nincs valódi elszámoltathatóság. A szociális-érzelmi készségek is inkább emberi tanárral és társakkal fejlődnek. A tanulás jóval több puszta ismeretszerzésnél.” Dora Demszky, Standford Egyetem

A felsőoktatás átalakulása generatív MI használatával

Az Outlook 2026 önálló fejezetekben foglalkozik a generatív mesterséges intelligencia intézményi, s ezen belül kiemelten A felsőoktatási alkalmazásával. A dokumentum szerint a felsőoktatásban a technológiai adaptáció különösen intenzív, mivel a hallgatók és az oktatók egyaránt magas digitális kompetenciaszinttel rendelkeznek, és az írásbeli, kutatási és projektalapú feladatok aránya jelentős. A generatív MI beépülése a felsőoktatási gyakorlatba több dimenzióban értelmezhető: a tanulási folyamatok, az értékelési kultúra, a kutatási tevékenység és az intézményi szolgáltatások szintjén-

A dokumentum kitér az akadémiai integritás kérdésére. A generatív MI használata új etikai és értékelési dilemmákat vet fel, különösen az önálló hallgatói teljesítmény és a technológiai támogatás határainak meghatározásában. A tanulásmódszertan és az értékelési rendszer átalakulása központi elem. A generatív MI jelenléte mellett az oktatási rendszereknek olyan értékelési formákat kell erősíteniük, amelyek a mély megértést, az alkalmazási képességet és a problémamegoldást mérik. A hagyományos, reproduktív tudást ellenőrző vizsgák mellett előtérbe kerülnek az autentikus, komplex feladatok. Az integritási kérdések a beadandó dolgozatok, esszék, kutatási jelentések és vizsgafeladatok kontextusában jelennek meg, és az értékelési módszerek átgondolását igénylik. A jelentés összegzése szerint 2030 felé az oktatás akkor marad minőségi és hiteles, ha a generatív MI használata tudatos pedagógiai keretben, a kompetenciák fejlesztését szolgálva történik. A jelentés hangsúlyozza az átlátható irányelvek, az intézményi szabályozás és a hallgatói tájékoztatás fontosságát.

Egy nagy állami egyetem kurzusainak vetületei (projekciói) - Történeti kurzusfelvételi mintázatok alapján, neurális hálózati reprezentációs modell (kurzusvektor-beágyazás) segítségével készült. A pontok az egyes kurzusokat jelölik, amelyek tematikus és szervezeti közelség szerint klaszterekbe rendeződnek. A középpontban elsősorban az alapképzéshez tartozó, nagy hallgatói létszámú kurzusok koncentrálódnak, míg a periférián inkább specializált, felsőbb éves vagy graduális tárgyak jelennek meg. A vizualizáció kirajzolja a STEM és a bölcsészettudományi területek közötti strukturális mintázatokat, valamint az egyes karok és diszciplínák közötti kapcsolódási pontokat.

A dokumentum tárgyalja a generatív MI szerepét a kutatásban is. A nyelvi modellek hozzájárulhatnak a szakirodalmi áttekintések készítéséhez, a szövegszerkesztéshez és a nyelvi akadályok csökkentéséhez. A jelentés hivatkozik olyan előrejelzésekre, amelyek szerint a generatív MI csökkentheti a nyelvi korlátokat a nemzetközi kutatási együttműködésekben. A kutatási integritás, az átláthatóság és a szerzőségi felelősség kérdései a felsőoktatási szabályozás részévé válnak.

Az oktatói szerep változását elemezve a jelentés kiemeli, hogy a generatív MI használata a felsőoktatásban a tanulási folyamat szervezésének és az értékelési stratégiák kialakításának újragondolását teszi szükségessé. Az oktatók szakmai autonómiája és döntési kompetenciája a digitális eszközhasználat kontextusában értelmeződik. A teacher agency és a teacher-AI teaming fogalmai a felsőoktatásban is relevánsak, különösen a kutatási és oktatási feladatok integrációjában.

Az Outlook 2026 záró fejezeteiben a generatív mesterséges intelligencia már kifejezetten a jövőbeni kompetenciakövetelmények alakító tényezőjeként jelenik meg. 2030 felé haladva egyre inkább alapvető készséggé válik a digitális és MI-műveltség, vagyis annak képessége, hogy a tanulók értsék a generatív rendszerek működésének logikáját, kritikusan értékeljék azok kimeneteit, és tudatosan használják őket tanulási és munkafolyamatokban. A hangsúly a kritikai gondolkodáson, az önszabályozó tanuláson és a metakognitív tudatosságon van: a tanulóknak nem pusztán alkalmazniuk kell az MI-t, hanem érteniük is kell annak korlátait és torzításait.

„Az írásfeladat során az MI csak egyszer avatkozik be: a vizsgázó kap egy témát, ír, majd az MI arra kéri, hogy egy adott részről írjon bővebben. A beszédfeladat ezzel szemben párbeszéd, több interakcióval, ami nehezebbé teszi a lebonyolítást. Az MI-nek „értenie” kell a beszélőt, különösen, ha nem anyanyelvi, eltérő akcentussal és nyelvi szinten beszél. Biztosítani kell, hogy felismerje, értékelje a választ, és megfelelően reagáljon. Ez lényegesen összetettebb, mint az írásfeladat. Tudomásom szerint most először alkalmaznak milliós létszámú, nagy tétű vizsgában ilyen interaktív, adaptív beszédfeladatot.” Alina von Davier, Oxfordi Egyetem

Az MI pedagógiailag irányított integrációja – jövőkép Magyarország számára is

Az OECD Digital Education Outlook 2026 tanulságai alapján A következő évekre előre tekintve a magyar oktatásügy számára is programszerű, de a jelenlegi, az MI oktatási bevezetésének kezdeti szakaszában megrekedt hazai stratégiáktól eltérő irány rajzolható ki. Ennek középpontjában a mesterséges intelligencia pedagógiailag irányított integrációja áll, ahol a cél nem csak eszközhasználat támogatása, hanem a tanulási minőség erősítése is.

Ennek első pillére az értékelési kultúra megújítása: tudatosan külön kell választani a feladatmegoldási teljesítményt és a tartós tanulási eredményt, és olyan autentikus tudásmérési formákat kell előtérbe helyezni, amelyek a megértést, az alkalmazási képességet és a problémamegoldást vizsgálják. Fontos, hogy ez ne rekedjen meg az elvi követelményként való rögzítés szintjén, hanem induljon meg az előkészítő munka a változások szakmai kidolgozására és tényleges bevezetésére is.

A második pillér a tanári szakmai autonómia megerősítése. A generatív MI csak akkor válik minőségerősítő tényezővé, ha a pedagógusok képesek tudatos döntéseket hozni használatáról. Ehhez rendszerszintű – ingyenes, és a pedagógus-továbbképzés rendszeréről szóló kormányrendelet szerinti kreditértékkel elszámolt - képzési és továbbképzési programokra, digitális és MI-műveltségi fejlesztésre van szükség. A tanár–MI együttműködés olyan modelljeit kell kialakítani, amelyek támogatják a differenciálást és a személyre szabott visszajelzést, miközben megőrzik a tanulói gondolkodási erőfeszítést.

A harmadik pillér a világos szakpolitikai és etikai keret kialakítása. Egységes adatvédelmi szabályozásra, átlátható intézményi irányelvekre és a hozzáférési egyenlőtlenségek mérséklésére van szükség. A generatív MI oktatása – a köznevelésben alapozó, a felsőoktatásban mélyebb, diszciplináris beágyazottságú formában – a jövőbeni kompetenciák részévé kell váljon.

 A mesterséges intelligenciával kapcsolatos aktivitás változása a tudományterületeken A függőleges tengely az MI-hez kötődő publikációs vagy kutatási aktivitás százalékos arányát jelzi, míg a vízszintes tengely az időbeli alakulást mutatja az 1980-as évektől napjainkig. A görbe mérsékelt, fokozatos növekedést jelez a 2000-es évekig, majd 2015 után markáns, exponenciális jellegű emelkedés figyelhető meg. Az összesített változás több mint 1200%-os növekedést mutat, ami az MI széles körű tudományos diffúziójára és interdiszciplináris térnyerésére utal.

A magyar oktatásügy számára tehát az irány: minőségközpontú, pedagógiailag szabályozott, szakmailag támogatott MI-integráció, amely a tanulási mélységet, az egyenlő hozzáférést és a tanári szakmai felelősséget erősíti 2030 felé. Ezt azonban csak egy konzisztens, és a gyakorlatban végre is hajtott, jövőközpontú  politikát követve lehet megvalósítani.

OECD (2026), OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education, OECD Publishing, Paris, https://doi.org/10.1787/062a7394-en

Az írás emberi és mesterséges intelligencia együttműködésével készült.

A hallgatók visszaélésszerű MI-használata a szakdolgozatkészítés folyamatában és a problémakezelés módjai

 

A generatív mesterséges intelligencia megjelenése a hallgatói dolgozatkészítésben egyszerre ígér hatékonyságot és hoz létre új kockázatokat: miközben valós segítséget adhat a tájékozódásban és a szerkesztésben, könnyen a megtévesztés eszközévé válik, ha a hallgató kész szöveget generáltat, rejtett parafrázissal „átír” idegen tartalmakat, vagy gépi fordítást emel be saját teljesítményként. Ebből a feszültségből kiindulva a tipikus visszaélési mintázatok feltárása után annak igazolására teszünk kísérletet, hogy az etikus használat nem pusztán szabályzati kérdés: a tanulási folyamat integritását kellene biztosítania. A megoldás kulcsa a helyes MI-használat célzott megtanítása, az MI-alkalmazások ismerete, a kutatásmódszertani követelmények MI-vel támogatott, de emberi kontroll alatt tartott alkalmazása és a megengedett asszisztensi műveletek világos elhatárolása. Az MI által generált tartalmak felismerése azonban már ma is szinte lehetetlen: az új, 2025 utáni modellek már a természetes emberi nyelvhasználatot szinte tökéletesen követő szövegeket hoznak létre, s vannak külön alkalmazások a szöveg humanizálására, meghatározott szempontok szerinti újraírására is. A hangsúlynak így a szöveg „előállításáról” a benne lévő tudás megértésére, alkalmazására és bemutatására kell áttevődnie: az MI az etikus és jogszerű egyetemi használat feltételeinek keretei között elfogadható alkotópartner, de a hallgató szakmai jelenlétét és felelősségét nem helyettesítheti.

A generatív mesterséges intelligencia egyre elterjedtebb használata az egyetemi tanulmányok során számos új lehetőséget kínál a hallgatók számára. Az, hogy az MI az egyetemi beadandó munkák elkészítéséhez is használható, közismertté vált, az MI hallgatói használatára vonatozó egyetemi szabályok még mindig sok helyen hiányoznak, s úgy a hallgatók, mint az oktatók részéről sokszor még hiányzik a helyes, etikus és jogkövető alkalmazáshoz szükséges tudás is. Általánosan elmondható, hogy a ChatGPT-t (annak is elsősorban az ingyenes, szabadon elérhető, viszont funkcionalitásában korlátozottabb változatát), a nagyobb volumenű dolgozatok, például projektmunkák vagy szakdolgozatok esetében nem csak segédeszközként, hanem tartalmat előállító forrásként alkalmazzák. Ebben az esetben a mesterséges intelligencia eszközként szolgál egy teljes dokumentum, vagy annak jelentős részei automatikus létrehozásához, amit aztán a hallgató sajátjaként nyújt be – anélkül, hogy abban érdemi, értelmező vagy kritikai munka megjelenne.

Ebben nem feltétlenül a csalás vagy egy nehéz feladat könnyű letudásának szándéka vezeti őket: a teljes szöveg generáltatása gyakran olyan helyzetekhez kapcsolódik, amikor a hallgató úgy érzi, nem képes egyedül megfelelni a tanulmányi követelményeknek. Ezt az érzést kiválthatja a határidők halmozódása, a párhuzamosan teljesítendő kurzusok túlterhelése, valamint munkahelyi vagy magánéleti nehézségek. A mesterséges intelligencia ebben a helyzetben egyfajta kiút, amely lehetővé teszi, hogy a hallgató látszólag megfeleljen az elvárásoknak anélkül, hogy a feladathoz valódi erőfeszítést társítana. A szakszerűtlen, és nem megfelelő eszközzel történő használat azonban szükségszerűen rossz minőségű szövegek előállításához vezet, melyek az elérni kívánt célra alkalmatlanok lesznek – az oktatók számára pedig plusz munkaterhet jelentenek (szöveges visszajelzések részletes megfogalmazása, visszautasítás indokolása).

Teljes dolgozatgenerálás – a „késztermék” illúziója és a hallucinált tudományosság

A gyakorlatban ez a típusú használat általában közvetlen, céltudatos utasítások révén történik. Az üzleti-gazdasági képzésekből vett példával a hallgató olyan promptokat ad meg a ChatGPT számára, mint: „Írj egy 38 oldalas szakdolgozatot a fejlesztő állam koncepciójáról, történeti és kortárs példák felhasználásával”, vagy „Kérlek, állíts össze egy projektmunkát a magyar állami gazdasági beavatkozások hatásairól az elmúlt húsz évben, irodalmi hivatkozásokkal kiegészítve”. Erre a ChatGPT, vagy más generatív mesterséges intelligencia a működési elveiből adódóan „alapból” nem lesz képes: nagyobb terjedelmű anyagok generálása csak több lépésben, folyamatos emberi ellenőrzés és irányítás mellett lehet sikeres. Az eredmény színvonala függ a használt alkalmazástól és annak modelljétől is: az ingyenes- vagy próbaváltozatok jóval kevesebbet tudnak, mint a fizetősök, és nem rendelkeznek valós idejű, webes keresési funkciókkal sem. Az ilyen szövegek még stílusjegyek, szóhasználat, mindenekelőtt azonban a szakmai tartalom hiányosságai miatt még viszonylag könnyen felismerhetők, különösen egy nagy gyakorlattal rendelkező tanárnak.

Az első eredményeket látva aztán a kérés így aztán sok esetben tovább pontosodik: a hallgató felszólítja a mesterséges intelligenciát arra, hogy a szöveg megfeleljen egyetemi dolgozatra jellemző stílusnak, tartalmazzon bevezetést, tartalomjegyzéket, és alkalmazza például az APA hivatkozási rendszert. Ezek a kiegészítések azt a célt szolgálják, hogy a mesterségesen létrehozott szöveg formai szempontból minél inkább hasonlítson a hallgatói munkák tipikus megjelenésére.

Az így létrejött szövegek struktúrája általában logikus, stilárisan egységes és felületesen tekintve tudományos jellegű. Ugyanakkor tartalmilag többnyire középszerűek: olyan általános megállapításokat tartalmaznak, amelyek nem építenek szaktudományos diskurzusra, nem reflektálnak a primer szakirodalomra, nem fogalmaznak meg eredeti álláspontot, és/vagy nem a konkrét vizsgált üzleti probléma összefüggéseit érintik. Különösen gyakori jelenség, hogy a szövegben elvétve vannak hivatkozások, vagy azok nem létező művekre, esetleg olyan forrásokra utalnak, amelyek a megadott formában nem lelhetők fel – ez a mesterséges intelligencia „hallucinációs” működésének következménye. A nyelvezet sima, szinte már túlzottan is kifinomult, tankönyvszerű, és sok esetben felismerhetően „gépi” karaktert mutat: a szöveg jól hangzó fordulatokat tartalmaz, de hiányzik belőle a szerzői szándék, az érvelés finomhangolása, a nyelv és a tartalom közti személyes kapcsolat.

Egy ilyen szöveg például az alábbi mondattal kezdődhet: „A fejlesztő állam koncepciója a II. világháború utáni kelet-ázsiai gazdasági csodák kapcsán került a közgazdasági gondolkodás fókuszába. E modell kulcseleme az erős, célzottan beavatkozó állam, amely a piaci logikával párhuzamosan iparpolitikai célokat valósít meg.” Bár ez a bevezetés első ránézésre tartalmilag helytállónak és nyelvtanilag korrektnek tűnik, valójában nem tartalmaz sem forráskritikát, sem kutatási kérdést, sem értelmező keretet. Hiányzik belőle minden olyan szerkezeti és tartalmi elem, amely a hallgató egyéni gondolkodására, koncepcionális jelenlétére utalna.

Pedagógiai szempontból ez a típusú felhasználás különösen káros. A hallgató nem vesz részt a tudás konstruálásában, nem tanulja meg az érvelés, a szintézis vagy a forrásfeldolgozás alapvető módszereit. A mesterséges intelligencia nem csupán kiváltja ezeket a lépéseket, hanem elfedi a tanulási folyamat hiányát is. Ez félrevezetheti az oktatót, aki a benyújtott szöveg alapján azt feltételezi, hogy a hallgató teljesítette az elvárt gondolati és módszertani műveleteket. Amennyiben azonban az oktató érzékeli a stílusbeli, vagy tartalmi inkoherenciát, felismeri az MI nem megengedett használatára utaló stílusjegyeket, helytelen tényállításokat, nem létező forrásokat stb. az eset súlyos következményekkel járhat. A hallgató ekkor nemcsak a beadott munka visszautasításával, hanem fegyelmi eljárással, sőt akár tanulmányi felfüggesztéssel is szembesülhet.

A teljes szöveg automatikus generálása tehát nem csupán etikai és jogi szempontból elfogadhatatlan, hanem a tanulás, a tudásépítés és az egyéni fejlődés szempontjából is kontraproduktív. A felsőoktatás célja nem a látványos szövegek előállítása, hanem az önálló gondolkodás, a kritikai érzék és a tudományos párbeszédbe való bekapcsolódás képességének fejlesztése. Ez pedig kizárólag emberi munkával érhető el – a mesterséges intelligencia nem helyettesítheti az értelmező, reflektív jelenlétet, amely minden tudományos szöveg hitelességének alapja. Ezt hallgatóinkban a hallgatói konzultációk során is tudatosítani kell.

Rejtett átvétel módjai – a „rewrite”, a fordításátvétel és humanizálás, mint plágiumkerülő technikák

A generatív mesterséges intelligencia helytelen alkalmazásának második, ugyancsak elfogadhatatlan formáját azok az esetek alkotják, amikor a hallgató nem egy teljes dolgozatot vagy fejezetet írat meg a ChatGPT-vel, hanem külső, már meglévő tartalmakat ültet át a saját szövegébe úgy, hogy azt parafrazálással, vagy gépi fordítással teszi. Ehhez több, kifejezetten erre kifejlesztett (részben ingyenes) rewrite alkalmazás és fordítóprogram állhat a hallgatók rendelkezésére – pl. a cudek.ai, ahrefs.com, Google Translate, DeepL), és a ChatGPT vagy más nagy nyelvi modellek ingyenes verziója is kiválóan alkalmas rá. Ezekben a helyzetekben a mesterséges intelligencia nem önállóan generálja a dolgozat egészét, hanem a hallgató számára már elérhető szövegeket dolgoz fel és alakít át olyan módon, hogy azok formailag illeszkedjenek a saját munkába, miközben a gondolati struktúra és a tartalmi vezérfonal eredete megmarad. Noha ezek a műveletek a hallgató részéről bizonyos technikai beavatkozást (és tudást) feltételeznek, a szerzői jelenlét ezekben az esetekben is illuzórikus marad: a tartalom idegen, a gondolkodásmenet nem a hallgatóé, és az értelmező aktivitás legfeljebb a gépi szövegmanipuláció irányítására korlátozódik.

A parafrázis célú felhasználás során a hallgató olyan szövegeket visz be a ChatGPT-be, amelyek vagy korábban már feldolgozásra kerültek – például egy előadási diasor szövege, egy tankönyv fejezete vagy egy cikk kivonata, jogi dolgozat esetében a jogszabály szövege –, vagy más hallgatók által készített dolgozatokból, internetes forrásokból származnak. Ezeket a tartalmakat a hallgató azzal a céllal adja meg az MI-nek, hogy azokat stílusában és szókincsében újrafogalmazva visszakapja, elkerülve így az esetleges plágiumvádakat. A promptolás gyakran általános nyelvi utasításokra épül: „Kérlek, fogalmazd át ezt a szöveget más szavakkal”, „Írd át ezt a bekezdést akadémikusabb nyelvezetűre, de ne legyen azonos az eredetivel”, vagy „Készíts belőle egy új szöveget, amely ugyanazt fejezi ki, de máshogy van megfogalmazva”. A cél tehát nem a szöveg jelentésének megváltoztatása, hanem az eredeti tartalom láthatóságának csökkentése, formális átalakítása révén.

A parafrazált szövegek jellemzője, hogy bár nyelvileg eltérnek az eredeti forrástól, tartalmi struktúrájuk gyakran teljes egészében megmarad. A bevezetés felveti ugyanazokat a kérdéseket, az alfejezetek sorrendje változatlan, a logikai lépések egymást követő érvei azonos sorrendben bukkannak fel, és még az alátámasztásként felhozott példák is megegyezhetnek az eredeti dokumentuméval. A ChatGPT által generált parafrázis emellett egy sajátos stiláris homogenitást eredményez: a szöveg gördülékeny, retorikailag jól szerkesztett, de steril, mentes a személyes állásfoglalás nyomaitól. Így az írásmű – bár formálisan eredeti – tartalmilag továbbra is más szerzők gondolatvilágát közvetíti, anélkül, hogy a hallgató ténylegesen értelmezte volna azt.

Hasonló problémát jelent, ha a hallgató idegen nyelvű szakirodalmat – például angol vagy német nyelvű tanulmányokat, disszertációkat vagy külföldi hallgatók dolgozatait – fordíttat le magyar nyelvre fordító alkalmazás segítségével. Ez történhet a fordítás teljes egészében történő átvételével (egy fejlett fordító program az eredeti szövegképpel- és szerkezettel mindenben egyező, lábjegyzetekkel ellátott anyagot is képes előállítani), vagy pl. a ChatGPT használatával: utóbbi esetben a gyakorlat lényege itt is az, hogy a tartalom készen rendelkezésre áll, és azt a hallgató nem saját maga dolgozza fel, hanem a mesterséges intelligencia által történő nyelvi átalakításon keresztül integrálja azt saját munkájába. A megadott utasítások itt például így hangozhatnak: „Fordítsd le ezt a szöveget magyarra úgy, hogy az megfeleljen egy tudományos dolgozat stílusának”, vagy: „Alakítsd át ezt a tanulmányt magyar nyelvű szakdolgozattá, bevezetővel, alfejezetekkel és irodalomjegyzékkel”. Gyakori, hogy a hallgató több rövidebb angol nyelvű szöveget dolgoztat át így, majd ezeket egy közös keretbe illesztve egyfajta „összeollózott” dolgozatot készít.

A gépi fordítás utóbbi módon történő felhasználása nem tekinthető szöveghű fordításnak, hiszen célja nem a jelentés pontos közvetítése, hanem az idegen tartalom beemelése egy magyar nyelvű munkába, úgy, hogy az annak szerzőjeként nevesített hallgató munkájaként jelenjen meg. Ilyen esetekben nem ritka, hogy a fordított szöveg stílusa és terminológiája élesen elüt a dolgozat más részeitől, különösen, ha azok ténylegesen a hallgató saját fogalmazásában születtek. Ez különösen feltűnő lehet a magyar akadémiai írásművek esetében, ahol a stílusváltozatosság, a szóhasználat és a mondatszerkezetek különbségei gyorsan szemet szúrhatnak. Az ilyen szövegrészek gyanút kelthetnek az oktatóban, különösen, ha azok aránytalanul fejlettek a dolgozat többi részéhez képest, vagy ha a magyarra fordított kifejezések és szakkifejezések szokatlan, „szótárszerű” formában jelennek meg. Ebben a körben gyakoriak a terminológiai hibák, amikor a program nem a megfelelő magyar műszót használja, hanem kreatív módon újat teremt („hungarianizálja” az angol megjelölést). Árulkodó lehet a források használata is: bár pontosak, konzisztensek, de aligha kapcsolódnak a hallgatói munka indulásakor megjelölt releváns szakirodalomhoz, a nem open acess/online elérhetőségű irodalomhoz való hozzáférés kérdése pedig azonnal felmerülhet az oktatóban. Mindezekről a kérdésekről korábban ebben bejegyzésben írtunk részletesebben.

A parafrázis és a gépi fordítás átvétele is egyaránt azt a célt szolgálják, hogy a hallgató tartalmat emeljen át idegen forrásból, miközben formailag elrejti ennek nyomait. A hallgatói kreativitás, gondolkodás és szakmai fejlődés szempontjából ezek a technikák végső soron kontraproduktívak. A tanulási folyamat láthatatlanná válik, a szöveg stilárisan esetleg sima, tartalmilag viszont gyakran idegen testként van jelen. A tudományos munkának azonban éppen az a lényege, hogy a szerző értelmező módon viszonyuljon a világ tudásanyagához – nem csupán közvetítse azt, hanem új szempontokat emeljen be, kapcsolatokat hozzon létre, kérdéseket tegyen fel, és reflektáljon az összefüggésekre. A parafrázison vagy fordításon alapuló, gépi közvetítéssel végzett „tartalomkivonás” ezt a szerepet nem tölti be – legfeljebb illúzióját nyújtja annak.

Etikai szempontból ezek az eljárások a megtévesztés különböző formáit képviselik. Az intézményi szabályzatok egyre gyakrabban nevesítik is ezeket az eljárásokat a plágium tágabb értelmezési körében: a „gondolati lopás”, illetve a „rejtett forráshasználat” éppen ebbe a kategóriába tartozik. A megelőzés kulcsa azonban nem egyszerűen a tiltás, hanem annak tudatosítása, hogy a tudományos munka értéke a tanulási folyamatban keletkezik. A hallgató számára az etikus MI-használat határvonalai ott válnak érthetővé, ahol felismeri: az MI nem „megoldja” helyette a feladatot, hanem legfeljebb támogatja a saját kérdésfeltevést, az ellenőrzést és a módszertani döntéseket – mindazt, ami a kompetenciafejlődés magja. Vagyis az etikai megfelelés nem önállóan lebegő normarendszer, hanem a tanulás integritásának védelme: annak biztosítása, hogy a dolgozat mögött valódi megértés, saját érvelés és vállalt felelősség álljon.

Ebből következik, hogy a helyes MI-használatot nem elég deklarálni, hanem tanítani kell, mégpedig úgy, hogy a hallgató számára világos legyen, milyen alkalmazások, mely kutatásmódszertani lépések és milyen megengedett asszisztensi műveletek férnek bele a szakmai és intézményi keretekbe. A tanítás ezért speciális hallgatói felkészítés formájában valósul meg – minikurzusként vagy a szakmódszertani bevezető részeként –, amely nem általános elveket ismétel, hanem a tényleges dolgozatírási helyzetekhez kötött, gyakorlati döntési pontokat dolgoz fel. Ennek fókusza az, hogy a hallgató konkrét példákon és feladatokon keresztül megtanulja: az MI hol segíti érdemben a kutatási munkát (például kérdésfinomítás, ellenőrző szempontok, szerkezeti kontroll), és hol lépi át azonnal a megtévesztés határát (például kész szöveg előállítása, rejtett parafrázis, ellenőrizetlen „források” beemelése).

A hallgatói és oktatói felkészítés folyamatának kulcsponti kérdései

A hallgatói „helyes MI-használat” megtanítása akkor lehet csak sikeres, ha a hallgató pontosan érti, milyen MI-alkalmazáscsaládok léteznek, és melyik mire való a tudományos munkában. Ennek megfelelően a képzés elejére érdemes beépíteni egy rövid, kötelező „alkalmazásismereti” mini-modult, amelyben a hallgató ugyanazon témán kipróbálja a szöveggeneráló rendszert, a kereső/összegző jellegű MI-t és a kutatási célú eszközöket, majd az oktatóval közösen megfogalmazza, miben más a kimenet megbízhatósága és ellenőrizhetősége. A cél itt nem a „tudj mindent az MI-ről”, hanem az, hogy rögzüljön: a generált szöveg valószínűségi eredetű, forrásai nem automatikusan azonosíthatók, ezért a hallgató csak olyan választ fogadhat el, amelyet képes hiteles adatbázisokból ellenőrizni.

A második, érdemi tanítási pillér a kutatásmódszertani helyes használat. A hallgatókat nem „promptolni” kell megtanítani általában, hanem módszertani döntéseket hozni MI-támogatással: hogyan pontosítják a kutatási kérdést, milyen adatgyűjtés illeszkedik hozzá, majd milyen statisztikai vagy kvalitatív eljárás alkalmas az adott adatra, és milyen előkészítő lépések szükségesek az adattisztítástól az értelmezésig. Ezt egy konkrét gyakorlat viszi át a valóságba: a hallgató hoz egy tervezett kutatási kérdést és egy vázlatos adatforgatókönyvet, az MI-től pedig nem „írj fejezetet” jellegű kérést kérünk, hanem módszertani javaslatot az adatok típusához és a célhoz illeszkedő elemzési lehetőségekről, majd az oktató kötelezően visszakérdez: melyik javaslat miért releváns, hol a torzítási kockázat, mi az a pont, ahol az MI nem helyettesíti a statisztikai szoftvereket és az emberi elemzést. Így a hallgató megtanulja, hogy az MI legfeljebb előzetes keretrendszert adhat, de az eredmények kritikátlan átvétele és a „kitalált források” hivatkozása módszertani zsákutca.

A harmadik pillér a megengedett asszisztensi alkalmazások kijelölése úgy, hogy azok ténylegesen csökkentsék a visszaélések terét. Az MI a témaválasztástól a véglegesítésig támogathatja a folyamatot, de a teljes vagy jelentős terjedelmű generált szöveg átvétele plágium, és a hallgató nem spórolhatja meg a kutatási kérdés, a szakirodalom-feldolgozás, a módszertan és a saját eredmények kidolgozását. Ezt a gyakorlatban úgy lehet tanítani, hogy a hallgató ugyanarra a fejezetre két „terméket” készít: egy vázlatot, amelyben az MI csak szerkezeti és ellenőrző kérdés-segítséget ad, majd egy rövid, saját szövegrészt, amelynél az MI legfeljebb nyelvi és stiláris simítást végez már meglévő hallgatói tartalmon. Az oktató itt nem detektort használ, hanem a szakmai koherenciát kéri számon: a dolgozat fejezetei illeszkednek-e a template-hez, a módszertan levezethető-e a kutatási kérdésből, és az érvek visszavezethetők-e a valóban megismert szakirodalomra.

Nem maradhat el az oktatók felkészítése sem az MI-használat felismerésére és a plágiumproblémák kezelésére; ez azonban akkor lehet eredményes, ha a fókusz nem a „lebuktatás” technikáin, hanem a tanulási folyamat védelmén és a helyes használat támogatásán van. Ennek első eleme egy közös, intézményi szinten egységesített értelmezési keret: az oktató pontosan lássa, milyen tipikus visszaélési útvonalak léteznek (teljes generálás, rejtett parafrázis, fordításátvétel, humanizálás), és miért nem megbízhatóak a detektorlogikák a 2025 utáni modellek mellett. Írásunkban – csak a legfőbb kérdéseket érintve – ennek megalapozására tettünk kísérletet, a későbbi részletesebb kibontás reményében. A felkészítés második eleme a gyakorlat: az oktató ne stílusjegyeket „vadásszon”, hanem tartalmi koherenciát és módszertani következetességet ellenőrizzen, mégpedig úgy, hogy a konzultációkon és a beadási folyamatban rendszeresen rákérdez a kutatási kérdés indokaira, a választott szakirodalom relevanciájára, az alkalmazott módszertan logikájára és az eredmények értelmezésére. A harmadik elem a kezelési protokoll: gyanú esetén a beszélgetés ne vádként induljon, hanem támogató tisztázásként („mutasd meg, hogyan jutottál ide, és mi a saját álláspontod”), majd csak akkor következzen formális lépés, ha a hallgató nem tudja a munka szakmai tartalmát megvédeni. Így az oktató egyszerre tudja csökkenteni a megtévesztés ösztönzőit, és megerősíteni azt az üzenetet, hogy az MI a megengedett keretek között hasznos partner lehet - de a hallgató megértését, módszertani döntéseit és felelősségét nem helyettesítheti.

Az MI a dolgozatírásban való megjelenésének köszönhetően a hallgatói értékelés gyakorlata szükségszerűen átalakul, de az otthon elkészített, nagy szöveges munkák (szakdolgozatok) szerepe továbbra is megmarad a felsőoktatásban, hiszen ezek nélkülözhetetlen eszközei annak, hogy a hallgató strukturáltan gondolkodjon, érveljen és szaknyelven fogalmazzon. A hangsúly azonban eltolódik magáról a szövegről arra a tudásra, amely a szövegben megjelenik: arra, hogy a hallgató valóban érti-e az általa használt fogalmakat, képes-e azokat új helyzetekben alkalmazni, és képes-e saját kutatási döntéseit, módszertani választásait és következtetéseit világosan bemutatni és megvédeni.

Ebben a megközelítésben a mesterséges intelligencia nem tiltott eszköz, hanem – a megengedett keretek között – elfogadott és hasznos alkotópartner, amely hozzájárulhat a gondolkodás tisztázásához, az érvelés ellenőrzéséhez vagy a prezentáció minőségének javításához. Ugyanakkor világos határ marad, hogy az MI nem válhat a tudás hordozójává a hallgató helyett: nem érthet meg, nem dönthet, nem vállalhat felelősséget, és nem képviselheti hitelesen a dolgozat szakmai tartalmát. A felsőoktatási értékelés lényege ezért továbbra is az, hogy láthatóvá váljon az emberi megértés, az önálló gondolkodás és az elsajátított tudás alkalmazása.

Mindez az oktatói szerepet is újrasúlyozza: az oktató nem „detektor”, hanem a tudományos munka minőségi kapuőre, aki a megértést, a módszertani következetességet és a felelős szerzőséget kéri számon, miközben a megengedett MI-használatot tanulástámogatóan keretezi. Ehhez az oktatókkal szemben új, kifejezett követelmény jelenik meg: az MI-eszközök ismerete, a tipikus visszaélési mintázatok felismerése, valamint a gyanú esetén alkalmazható, arányos és dokumentálható eljárásrend biztonságos használata. Éppen ezért az oktatói felkészítés nem opcionális kiegészítő, hanem az értékelés hitelességének és a hallgatói tanulási integritásnak a feltétele: nélküle sem a korrekt támogatás, sem a következetes elvárásrendszer nem tartható fenn.

Az írás és az illusztrációk a mesterséges intelligencia közreműködésével készültek. A képek háttereként szolgáló módszertani prezentációk itt és itt érhetők el. 

Tanítás, értékelés, mesterséges intelligencia – egyetemi jövőképek és oktatói szerepek 2030-ban

 

Az egyetemek döntő többsége már ma is kiterjedt digitális infrastruktúrára épít – tanulásmenedzsment-rendszerekre, videóplatformokra, online vizsgaszoftverekre –, miközben az alaplogika továbbra is kurzusközpontú: szemeszterek, tantárgyak, nagyelőadások, záróvizsgák. A tanulásanalitika és az MI-alapú támogató rendszerek sok helyen megjelentek, de többnyire háttéreszközként működnek, szigetszerű projektekben, erős intézményi és országok közötti különbségekkel. A hallgatói generáció egyre inkább hibrid tanuláshoz szokott, az oktatói szerep viszont sok intézményben még a frontális óratartás és a hagyományos vizsgáztatás köré szerveződik. Írásunkban nemzetközi kutatási eredményekre, szakpolitikai dokumentumokra alapozva a következő évek várható alakulását vizsgáljuk, s különösen a tanári, oktatói szerep változásait próbáljuk röviden áttekinteni – egy mélyebb, jóval nagyobb terjedelmű munkában való folytatás előre bocsátott szándékával.

A 2030-ra készült nemzetközi forgatókönyvek ennél jóval előrébb járnak. A felsőoktatást moduláris tanulási ökoszisztémaként írják le, ahol a klasszikus képzési programok mellett rövid ciklusú modulok, mikro-képesítések, munka melletti tanulási egységek és digitális tanúsítványok alkotnak összefüggő tanulási utakat. Az egyetem digitálisan szuverén tudásközpontként működik, amely közös platformokra és szabályozott adatkezelésre támaszkodva szervezi a tanulást. A vizsgarendszerben felértékelődik a kompetenciaalapú, folyamatos, e-assessmenttel támogatott értékelés, a portfólió és a moduláris tanúsítás. Mindez új oktatói kompetenciákat kíván: adatműveltséget, digitális didaktikát, vizsgatervezési és etikai tudást, közösségszervező készségeket, Hogyan illeszthetők össze a jelenlegi gyakorlatok és a 2030-as elvárások? Milyen kompetenciákkal kell a jövő oktatóinak egy, a mesterséges intelligencia által egyre inkább átszőtt egyetemi közegben rendelkezniük? Milyen intézményi és rendszerszintű döntések, valamint milyen célzott oktatói felkészülés szükséges ahhoz, hogy a felsőoktatás megfeleljen az új működési és értékelési követelményeknek? – írásunkban ezekre a kérdésekre keresünk válaszokat.

Felsőoktatás 2030-ban – jövőkép és oktatói szerepek

A 2030-ra vetített nemzetközi forgatókönyvek a felsőoktatást nyitott, moduláris tanulási ökoszisztémaként írják le. A 2020-ban megjelent Higher Education Landscape 2030  az úgynevezett tanulási utak köré szervezte ezt a jövőképet: a hagyományos, intézményhez kötött képzési formák mellett olyan rugalmas modelleket vázolt fel, amelyekben a hallgatók időben szétszórt, egymásra épülő tanulási epizódokat kapcsolnak össze – rövidebb kurzusok, szakirányú modulok, munka melletti tanulás és online egységek kombinációjaként. A tanulmány négy markáns modellt különített el, amelyek a személyre szabott, erősen digitalizált tanulási környezetek felé mutatnak, és a klasszikus „egyetemi” tanulást egy sokszereplős hálózat egyik elemévé teszik.

Ebben a jövőképben a felsőoktatás olyan tanulási pályákat kínál, amelyek tartalmazzák az első diplomát, a munka melletti továbbképzést, az átképzést és a speciális szakmai elmélyülést is. A lineáris „tanulás–foglalkoztatás–karrier” séma helyét fokozatosan a ciklikus tanulási életpálya veszi át, amelyben a hallgatók többször visszatérnek az egyetemekhez különböző mikro-képesítések és moduláris programok formájában. A felsőoktatási intézmények feladata, hogy ezeket a pályákat összehangolt struktúrába rendezzék, és olyan elismerési rendszert működtessenek, amelyben a kisebb egységek világosan illeszkednek egy átlátható kompetenciakeretbe.

A 2022-es osztrák Universities and Digital Transformation 2030 című stratégiai dokumentum az egyetemeket autonóm, digitálisan szuverén tudásközpontokként jeleníti meg, amelyek saját jogon döntenek adatkezelési és technológiai kérdésekben, miközben közösen fejlesztett infrastruktúrákhoz csatlakoznak. A jövőképet áthatja a digitális társadalomért viselt felelősség gondolata: az egyetemek egyszerre kutatják a digitális transzformáció társadalmi hatásait és olyan digitálisan kompetens állampolgárokat képeznek, akik képesek technológiákat alkotó módon használni, kritikusan értelmezni és továbbfejleszteni. A dokumentum szerint 2030-ra a digitalizáció minden egyetemi funkciót érint – kutatást, oktatást, szervezetirányítást, infrastruktúrát –, ezért az intézmények küldetésnyilatkozataiban is megjelenik a digitális humanizmus és a digitális egyenlőség elve.

Egy 2024-ben megjelent, dél-afrikai szerzőktől (Naudé és Southerland) származó tanulmány, a 2030: Future Scenarios for Learning and Teaching Models in Higher Education kifejezetten a jövő hallgatói generációra, a Gen Alpha csoportjára épít. A szerzők a „glass generation” kifejezéssel utalnak arra, hogy ez a nemzedék üvegfelületű eszközökön, hibrid médiakörnyezetben nő fel, és magától értetődőnek tekinti az online–jelenléti kombinációt, a többcsatornás információkeresést és a személyre szabott tanulást. A forgatókönyvek egy olyan 2030-as felsőoktatást írnak le, ahol a hallgatók már a belépéskor erős technológiai elvárásokkal érkeznek: gyors visszajelzésre, adaptív tanulási útvonalakra, rugalmas kurzusformákra számítanak, és természetesnek érzik a virtuális és kiterjesztett valóság, valamint a mesterséges intelligencia jelenlétét a tanulási környezetben.

A tanulásszervezés 2030-ra több szinten strukturálódó tanulási terekre épül. A Landscape 2030 a fizikai campus, a virtuális terek és a munkahelyi tanulási környezet egymásba fonódását emeli ki: a hallgatók életútjuk során eltérő kontextusok között mozognak, miközben a tanulást kísérő adat- és tanulásanalitikai rendszerek végig jelen vannak. A Naudé–Southerland-féle forgatókönyv-négyes – hagyományos, hibrid, szelektív és meta-tanulási modell – ugyanezt a sokszálú szerkezetet rajzolja meg, és arra számít, hogy a hibrid és meta-tanulási modellek súlya fokozatosan nő a felsőoktatásban. Ezekben a modellekben a tanulási útvonalak személyre szabottak, tanulásanalitikára és rugalmas tartalomszervezésre épülnek, a vizsgarendszer pedig mikro-képesítésekhez és digitális tanúsítványokhoz kapcsolódik.

Az oktatói szerep 2030-ra ehhez az összetett struktúrához igazodik. Az oktatókról szóló nemzetközi dokumentumokban egyre gyakrabban jelenik meg a tanulástervező képe: olyan szakemberé, aki tanulási útvonalakat komponál, különböző tanulási tereket kapcsol össze, és pedagógiai szempontból értelmezi az adatvezérelt tanulási rendszerek jelzéseit. Az osztrák stratégiai dokumentum szerint 2030-ban az egyetemekben dolgozó oktatók kulcsszerepet játszanak a digitális szuverenitás gyakorlásában: ők döntik el, hogyan illeszkedjenek a technológiai megoldások az intézményi értékekhez, milyen keretek között kapjanak helyet az etikai, jogi és társadalmi kérdések a tanításban, és hogyan biztosítható a digitális méltányosság a hallgatók között (KI-Zukunftsfonds 2026-230, 2026).

A Santiagoban 2025. augusztus 28–29-én a tanári hivatásról megrendezett világszintű politikai csúcstalálkozó, a World Summit on Teachers koncepciója ugyanezt a képet erősíti, amikor a tanári szakmát magas státuszú, jól támogatott, nagy felelősséggel járó hivatásként írja le a 2030-ig tartó időszakra. A dokumentum egy globális pályamodell körvonalait rajzolja meg: olyan tanárokra épít, akik felkészültek a technológiai és társadalmi átalakulás kezelésére, részt vesznek a szakpolitikai párbeszédben, és a tanulók jóllétét, valamint az inklúziót tartják szem előtt. A felsőoktatás szempontjából ez azt jelenti, hogy az oktatói professzió 2030-ra olyan komplex kompetenciacsomagra épül, amelyben a diszciplináris tudás, a pedagógiai kreativitás, a technológiai írástudás és az etikai érzékenység egyaránt nélkülözhetetlen.

A 2030-as vízió tehát olyan felsőoktatási rendszert rajzol fel, amely tanulási utakra, digitális szuverenitásra és emberközpontú technológiahasználatra épül (Hochschule 2030, 2025). Ebben a környezetben az oktatók szerepe kulcsfontosságú: ők tartják össze a különböző tanulási terek logikáját, ők értelmezik a tanulási adatokat, és ők őrzik az akadémiai közösségek értékalapú működését is.

Oktatói kompetenciák és a szakmai felkészülés útjai

A 2030-ra körvonalazott felsőoktatási modellek közös feltétele, hogy az egyetemekben dolgozó oktatók összetett, egymásra épülő kompetenciaprofillal rendelkeznek (Bildung 2030, 2025).A digitális átalakulás nem pusztán eszközhasználati kérdés: a felsőoktatás sikeressége azon múlik, hogy az oktatók hogyan képesek tanulási elrendezéseket tervezni, kipróbálni és reflektíven értékelni. Szükség van a felsőoktatási didaktika megújítására is: az „előadótermi” minta csak akkor marad életképes, ha rugalmasan kapcsolódik webalapú, önirányított és kollaboratív tanulási helyzetekhez (UNESCO Bildungsagenda 2030 Aktionsrahmen, 2017).

Az első kompetenciaszint a digitális és adatműveltség, ezen belül a data literacy. Az egyetemi tanulmányok során minden hallgató – és a velük dolgozó oktatók – képesek legyenek felelősen használni a digitális technológiákat, értsék az adatok keletkezésének körülményeit, és tisztában legyenek az adatvédelem alapelveivel. Ez a kompetencia a gyakorlatban azt jelenti, hogy az oktató olvassa és értelmezi a tanulásanalitika jelzéseit, képes különbséget tenni felszínes aktivitási mutatók és valódi tanulási teljesítmény között, és a kurzusfejlesztés során tudatosan használja az adatokat a tanulási útvonalak átalakítására.

A második nagy terület a didaktikai és tanulástervezési kompetencia. A Landscape 2030 a „Curriculum 4.0” fogalmával írja le azt a kihívást, amelyben a tananyag és a tanítási-tanulási módszerek egyaránt a digitális átalakulás logikájához igazodnak. A didaktikai háromszög – aktív tanulás, technológia, hálózati struktúrák – akkor működik, ha az oktató képes különböző tanulási elrendezések között mozogni: előadóként strukturálja a tartalmat, moderátorként teret ad a közös gondolkodásnak, facilitátorként támogatja az önálló, exploratív munkát. A 2030-as forgatókönyvek (hagyományos, hibrid, szelektív és meta-tanulási modellek) mind olyan helyzeteket írnak le, ahol a tanárnak egyszerre kell jelen lennie fizikai, online és szimulált tanulási terekben, ezért a tanulás tervezése önálló szakmai tudásként jelenik meg.

A harmadik kompetenciacsoport a jogi és etikai érzékenység. Az osztrák stratégia szerint a digitális transzformáció kutatásának és oktatásának része a digitális humanizmus, amely az új technológiák társadalmi, etikai és jogi következményeit tárja fel. Az oktatóknak érteniük kell az adatvédelem, a technológiaértékelés és az akadémiai integritás alapfogalmait, és ezeket a kurzusok tartalmába is be kell építeniük. A tananyagban megjelenő szerzői jogi kérdések, a hallgatói munkák eredetiségének megítélése, a tanulási adatok felelős kezelése mind olyan területek, ahol a tanár döntései közvetlenül befolyásolják az egyetem hitelességét és a hallgatók bizalmát. Az osztrák dokumentum külön kitér arra, hogy az olyan technológiák használatakor, mint a learning analytics, a felhasználók adat-tulajdonjoga és döntési szabadsága elsődleges elvként jelenik meg.

A negyedik terület a relációs, mentori és közösségszervező kompetencia. A World Summit on Teachers 2025 koncepciója a tanári szakmát olyan hivatásként mutatja be, amelynek jövője a tanári jóllét, a pálya vonzereje és a professzionális tanulóközösségek minősége köré szerveződik. A dokumentum három, egymásra épülő szakaszt azonosít a tanári szakmai fejlődésben: az alapképzést, a belépési szakaszt mentori támogatással, valamint a folyamatos szakmai tanulást.

A felsőoktatásban ez olyan, a fenntartható fejlődést támogató intézményi gyakorlatokat feltételez, mint a közös kurzusfejlesztés, a tanítási műhelyek, az egymás óráiba való hospitálás, a reflexiós fórumok [Skills für 2030 zur Erreichung der Sustainable Development Goals (SDGs), 2023]. Az oktató nem egyedül próbálkozik a digitális és MI-alapú megoldásokkal, hanem olyan közegben dolgozik, ahol a kísérletezés, a hibák megosztása és a jó gyakorlatok terjesztése támogatott.

A kompetenciák kialakításának módja legalább olyan fontos, mint a tartalmuk. A World Summit on Teachers 2025 háttéranyagai és a magas szintű panel ajánlásai a tanári szakma egészére nézve élethosszig tartó szakmai tanulási pályákról beszélnek, amelyek világos karrierlépcsőkhöz, megbecsült továbbképzési formákhoz és stabil finanszírozáshoz kapcsolódnak. A felsőoktatásban ez olyan belső továbbképzési struktúrákat jelent, ahol a digitális didaktika, az adatalapú tanulástámogatás és az etikai kérdések nem alkalmi workshopok témái, hanem tervezett, egymásra épülő tanulási utak, amelyekben az oktatók lépésről lépésre alakítják át saját gyakorlatukat.

A nemzetközi anyagok egybehangzó üzenete, hogy a digitális és MI-eszközökkel támogatott felsőoktatás nem „technológiahasználó oktatókat”, hanem tanuláskutató szakembereket igényel. Az oktatói kompetenciák fejlesztése ezért nem szűkülhet technikai tréningekre; olyan professzionális identitást kell támogatnia, amelyben a tanár számára magától értetődő, hogy a tanulási elrendezések tervezése, az adatok értelmezése, az etikai dilemmák kezelése és a hallgatókkal való partneri viszony ugyanannak a szakmai szerepnek az összetartozó elemei.

A vizsgarendszer változása – értékelés, felelősség, oktatói feladatok

A felsőoktatási vizsgarendszer már ma is a digitális átalakulás egyik legérzékenyebb terepe, 2030-ra pedig az értékelés a tanulási ökoszisztéma szervező elvévé válik (Landkarte 2030, 2025). Az értékelés nem lezáró aktus, hanem olyan folyamatként, amely visszacsatolást ad a tanulási utak minőségéről, és iránytűként szolgál az egyéni és intézményi döntésekhez. Új tanulási utak és a tanúsítási formák kapcsolódnak össze: a rövidebb programok, a rugalmas modulok és a részidős tanulmányok csak akkor kapnak valós súlyt, ha mögöttük átlátható, kompetenciaalapú értékelési és elismerési rendszer áll.

A vizsgákhoz jogi keret kapcsolódik, amely kifejezetten számol digitális vizsgaformákkal; a leírás szerint az értékelés célja a megértés, az összefüggések felismerése és a kompetenciák igazolása, nem pusztán a reprodukció ellenőrzése. 2030-ra már várhatóan széles körben elterjedtek lesznek az „open book” vizsgák, a komplex, több lépéses projektfeladatok, a portfólióra épülő értékelés, valamint a folyamatos, kurzusba ágyazott e-assessment megoldások. Az anonimizált vizsgáztatást az egyenlő bánásmód eszköze, a digitális vizsgarendszert pedig az inklúzió egyik kulcsa lehet - feltéve, hogy az adatvédelem és a hallgatói jogok védelme végig érvényesül (Strategische Vorausschau: Transformation 2030, 2023).

A 2030-as tanulási forgatókönyvek a mikro-képesítések és a digitális tanúsítás logikáját illesztik az értékelésbe. A Naudé–Southerland-féle meta-tanulási modell a micro-credentials és a blockchain-alapú bizonyítványok integrációját írja le: a hallgatók kisebb egységek teljesítéséhez kapcsolódó digitális igazolásokat gyűjtenek, és ezekből állítják össze saját tanulási portfóliójukat. Ez a modell olyan vizsgastruktúrát feltételez, amelyben a tanulók nem egyetlen nagy záróvizsga révén igazolják felkészültségüket, hanem soklépcsős, moduláris értékelési folyamaton mennek végig, ahol minden egység egy-egy jól körülhatárolt kompetenciakört fed le.

Az oktatói szerep ebben a vizsgarendszerben átrendeződik (Prüfungskultur, 2026).A vizsgákhoz kapcsolódó oktatói feladatok között kiemelt helyet kap a vizsgatervezés: olyan feladatok kidolgozása, amelyek képesek megragadni a komplex problémamegoldást és az interdiszciplináris gondolkodást, miközben illeszkednek a program tanulási kimeneteihez. Az oktató feladata az is, hogy átlátható kritériumrendszert állítson fel, rubrikákat dolgozzon ki, és úgy alakítsa a visszajelzések nyelvét, hogy az fejlesztő jellegű legyen. A digitális vizsgákhoz kapcsolódóan megjelenik egy új kompetenciaterület: az e-assessment pedagógiai tervezése, amelynek része a kérdéstípusok technikai beállítása, a tesztbiztonság és az akadálymentesség szempontjainak összehangolása.

A tanári munkaterhelés kérdése nem kerülhető meg. A tanárhiány és a pályaelhagyás a 2030-ig tartó időszak egyik fő kihívása lehet, az új értékelési formák bevezetése gyakran további jelentős élőmunka-igénnyel jár. A vizsgarendszer átalakításáról szóló döntések ezért a tanári szakma fenntarthatóságának kérdésével is összefüggnek: a részletesebb, kompetenciaalapú értékelés, a folyamatos visszajelzés és a portfólióra épülő vizsgaformák olyan intézményi támogatást igényelnek, amely nélkül a tanári túlterheltség tovább nő. Az értékelés megújításának csak akkor van értelme, ha mellette erősödnek a továbbképzési, mentorálási és szakmai támogató struktúrák is.

Az értékelési rendszerekhez ugyanakkor politikai és jogi döntések is kapcsolódnak, maga az értékelés pedig a governance nyelvén azt jelenti, hogy milyen vizsgákhoz milyen következmények társulnak. Az, hogy hogyan ismerik el a különböző tanulási formákat, és miként kezelik a formalizált és nem formalizált tanulás eredményeit, egyszerre tanuláselméleti és kormányzási kérdés. A vizsgarendszer így a felsőoktatási rendszer egyik „kemény magjává” válik: az intézmények akkor tudnak hitelesen reagálni a 2030-ig tartó átalakulásra, ha értékelési gyakorlataik összhangba kerülnek a nyitottabb, moduláris, élethosszig tartó tanulási pályákkal, és közben megőrzik az akadémiai integritás, a méltányosság és a hallgatói jogok védelmét.

Az oktatói szerep az MI-környezetében: új szakmai profil építésének igénye

2030-ra az egyetemi oktatói szerep több pillérre támaszkodik. A szaktudás mellé olyan MI- és adatműveltség társul, amely lehetővé teszi a különféle rendszerek működésének megértését, az algoritmusok mögötti logikák, torzítások és korlátok felismerését. A UNESCO 2024-es AI competency framework for teachers keretrendszerének öt dimenziója – emberközpontú szemlélet, MI-etika, MI-alapok és alkalmazások, MI-pedagógia és MI a szakmai tanulásban – világos referenciapontot ad arra, milyen tudásokra és attitűdökre épül ez az új profil. Az oktató olyan szakember, aki érti a modellkészítés fő lépéseit, tisztában van az adatvédelem és az emberi jogok kockázataival, és a saját tárgyában képes mérlegelni egy-egy MI-eszköz használatának következményeit.

A MI-hez kötődő kompetenciák következő rétege a kritikus MI-műveltség. Az Open University Critical AI Literacy kerete (2025) azt hangsúlyozza, hogy az oktatónak nem elég a technológia működését ismernie, képesnek kell lennie kritikusan értékelni az MI-kimeneteket a méltányosság, az egyenlőség és az inkluzivitás szempontjából. A nagy nyelvi modellek tartalmai gyakran stabilizálnak bizonyos nézőpontokat, és háttérbe szorítanak más tudásformákat; az oktatói kompetenciaprofilhoz ezért hozzátartozik az a képesség, hogy az ilyen mintákat felismerje, és tudatosan korrigálja a kurzus tartalmában, a példák megválasztásában, a hallgatóknak adott feladatokban. Ez a kritikus nézőpont része a társadalmi igazságosságra érzékeny pedagógiai gondolkodásnak is (Large Language Models und ihre Potenziale im Bildungssystem, 2024).

A digitális környezethez igazodó profil harmadik pillére a MI-pedagógia. A generatív MI-ről szóló nemzetközi szakirodalom (például Pratschke: Generative AI and Education, 2024) úgy írja le a helyzetet, hogy az oktatónak tudatosan a tanulási folyamatra kell fókuszálnia. A lényeg az, hogy a hallgatók megtanulják a kutatás, az elemzés, a szintézis, a vázlatkészítés és a reflexió lépéseit, és ezeket a lépéseket láthatóvá tevő, tevékenységalapú értékelés kapcsolódjon a kurzushoz. A MI eszközöket ebbe a folyamatba célszerű beágyazni: ötletelésre, példák generálására, ellenpéldák keresésére, vázlatok kritikai felülvizsgálatára. Az oktató feladata, hogy a tanulási útvonalat úgy tervezze meg, hogy a hallgató aktív szereplője maradjon a gondolkodásnak, és ne kiszervezze a feladat értelmi részét a rendszernek.

A negyedik kompetenciaterület az etikai és jogi érzékenység. A UNESCO Recommendation on the Ethics of Artificial Intelligence (2022) és kompetencia keretrendszere egyaránt hangsúlyozza a humán felelősség elsődlegességét, a nem-diszkrimináció, az átláthatóság és a biztonság elveit. Az oktatónak értenie kell, hogyan kapcsolódnak ezek a saját vizsgarendjéhez, a tananyagválogatáshoz, az adatkezeléshez, illetve az automatikus értékelőrendszerek használatához. Az etikai kompetencia a gyakorlatban azt jelenti, hogy az oktató képes konkrét esetekben mérlegelni: melyik megoldás védi jobban a hallgatói jogokat, hogyan előzhetők meg a rejtett torzítások, milyen tájékoztatás szükséges az MI-bevonás előtt.

Végül szerves része az új profilnak az oktatói szakmai cselekvőképesség és önálló alakító szerep (agency) és a kollektív szakmaiság. Az OECD Teaching Compass (2025) a tanári hivatást olyan szakmaként írja le, amelyben a pedagógus tantervi változásokat formáló szereplőként működik, komplex környezetben navigál, és szakmai közösségekben dolgozik. A MI-vel átszőtt felsőoktatás ezt erősíti fel: az oktatók együtt alakítanak ki új kurzusformákat, kísérleteznek vizsgamódszerekkel, adatot gyűjtenek a tanulási folyamatokról, és megosztják egymással a tapasztalatokat. Ehhez olyan kompetenciákra van szükség, mint a rendszerszintű gondolkodás, az adaptivitás, a reflexió és a szakmai együttműködés. Az oktató ebben a keretben a tanulási ökoszisztéma egyik kulcsszereplője, aki a technológiai változások között is képes következetes szakmai irányt tartani.

Az oktatói kompetenciák megszerzése 2030-ig – tanulási utak és intézményi feltételek

A felsorolt kompetenciák reális kialakítása 2030-ig csak akkor várható, ha az oktatók számára jól látható szakmai tanulási utak állnak rendelkezésre, és ezekhez stabil intézményi háttér társul. A UNESCO keretrendszere kifejezetten úgy fogalmaz, hogy a keret „globális referenciapontként” szolgál a nemzeti és intézményi tanárképzési programok számára; a feladat az, hogy ebből a referenciából helyi tanulási útvonalak jöjjenek létre.

Az első szint az alapképzés: az egyetemi oktatói pályára készülő szakemberek (tanárszakos hallgatók, doktoranduszok, junior oktatók) képzési programjaiba be kell épülniük a MI-alapismereteknek, a kritikus MI-műveltségnek és az etikai alapelveknek. A UNESCO keretrendszere ehhez konkrét tanulási célokat ad, például a tanárok legyenek képesek kockázat–haszon elemzést végezni egy adott MI-eszköz oktatási használatáról, és felismerni a túlzott eszközfüggés gondolkodást gyengítő hatását. Az Open University Critical AI Literacy kerete rámutat: az alapképzésben külön figyelmet érdemes fordítani a hatalmi viszonyok, az egyenlőtlenségek és az inkluzív használat kérdéseire, mert ezek később meghatározzák, hogyan alakítja az oktató a saját kurzusainak értékrendjét.

A második szint a belépő oktatók támogatása. Az OECD Teaching Compass szerint a tanári ügyneműség és szakmai identitás kialakulása a pálya első éveiben különösen érzékeny; ebben az időszakban a mentorálás, a vezetői támogatás és a biztonságos kísérleti tér döntő tényező. A MI-vel átszőtt környezetben ez azt jelenti, hogy a fiatal oktatók nem magányos próbálkozóként terveznek MI-t is használó kurzusokat, hanem tapasztalt kollégákkal közösen, strukturált co-teaching, közös kurzusfejlesztés és reflektív megbeszélések formájában. Az ilyen gyakorlatok lehetővé teszik, hogy a kezdő oktató éles helyzetben próbálja ki az új eszközöket, miközben szakmai visszajelzést kap, és nem veszít a saját pedagógiai felelősségének tudatából.

A harmadik szint a tapasztalt oktatók számára kialakított folyamatos szakmai tanulás. Az Open University Critical AI Literacy kihangsúlyozza, hogy az MI-hez kapcsolódó készségek gyorsan változnak, ezért a hagyományos, egyszeri továbbképzési formák kevésbé hatékonyak. A gyakorlatban eredményesebb olyan moduláris képzési rendszert kiépíteni, amelyben külön egységek foglalkoznak az MI-alapfogalmakkal, a tanítási integrációval, az értékelés átalakításával, az adatkezelési és etikai kérdésekkel, illetve a saját szakterületre szabott felhasználási esetekkel. Ezekhez érdemes intézményi vagy kari MI-műhelyeket, „laborokat” kapcsolni, ahol az oktatók saját kurzusaikat fejlesztik, vizsgakoncepciókat próbálnak ki, és adatot gyűjtenek a változtatások hatásáról.

A kompetenciafejlesztés sikeréhez hozzátartozik az intézményi tanulási ökoszisztéma kialakítása. Az OECD Teaching Compass a tanárokat olyan szakmai hálózatok részeként írja le, amelyekben a kollégák, a vezetők és a külső partnerek közösen dolgoznak a tanulási környezet formálásán. A felsőoktatásban ez a gyakorlatban országos vagy nemzetközi konzorciumokat, közös irányelveket, megosztható kurzus- és vizsgapéldatárakat jelenthet, amelyekre a helyi fejlesztések épülnek. Az UNESCO keretrendszere külön kiemeli, hogy az emberközpontú megközelítés csak akkor érvényesül, ha az intézmények és a szabályozók is részt vállalnak a kormányzásban, a finanszírozásban és a tanártámogató rendszerek kialakításában, nem tolódik minden felelősség az egyes oktatókra.

A 2030-ig tartó időszakban ezért érdemes a felsőoktatási intézményekben világos kompetenciakeretet, profil-leírást és ehhez illeszkedő továbbképzési architektúrát kialakítani. Ha az oktatók számára átlátható, milyen MI-hez kötődő tudásra van szükség, milyen lépések vezetnek ezek elsajátításához, és milyen támogató struktúrákra számíthatnak, akkor a mesterséges intelligencia nem külső, nyomasztó követelményként jelenik meg, hanem a szakmai fejlődés egyik motorjaként (Nationaler Fahrplan zur Digitalen Dekade, 2024).

Intézményi és rendszerszintű válaszok – az átmenet keretei

Az oktatói szerep változása és a tanulási, vizsgáztatási gyakorlat átalakulása olyan folyamat, amely intézményi és rendszerszintű döntésekhez kötődik. A digitális transzformáció és a mesterséges intelligencia kezelése a governance and steering szintjén dől el: azokon a pontokon, ahol a stratégiák, a finanszírozási mechanizmusok, a minőségbiztosítási eljárások és az adatkezelési szabályok kijelölik az intézmények mozgásterét. A tanulmány öt alapelvet azonosít – többek között a naiv innovációs szemlélet elutasítása és a realista megközelítés elvét –, amelyek arra figyelmeztetnek, hogy a 2030-ig vezető út nem radikális szakítás, inkább evolutív, mégis irányt váltó átalakulás, amelynek része az MI-vel átszőtt vizsgarendszer és az oktatói kompetenciák fokozatos bővítése (Bertelsmann Stiftung: Empfehlungen für eine veränderte Lern- und Prüfungskultur - Plädoyer für mutige Entscheidungen, 2025).

Ebben a jövőképben az egyetemek aktív alakítói a digitális és MI-alapú átalakulásnak. Az intézmények feladata, hogy teret adjanak a digitális átalakulás kritikai vizsgálatának, ugyanakkor támogassák az innovatív kutatást és oktatást, és segítsék a hallgatókat abban, hogy digitálisan és MI-területen kompetens állampolgárokká váljanak. 2030-ban a digitalizáció és az MI minden egyetemi funkciót érinteni fog – kutatást, oktatást, szervezetirányítást, adatgazdálkodást, vizsgáztatást –, ezért az intézmények stratégiáiban a digitális társadalomért viselt felelősség mellett az MI-etikai elvek követése is központi elem (Generative AI in Higher Education: Current Practices and Ways Forward, 2025).

Az intézményi válaszok egyik kulcseleme a tanárpolitika és a szakmai pályák átgondolása. A tanári hivatásnak 2030-ra magas státuszú, jól támogatott, szakmailag vonzó pályává kell válnia, amelyre hosszú távú, stabil finanszírozás és átlátható karriermodell épül. A koncepció három fő tematikus tengelye – tanárpolitika és munkafeltételek, tanárképzés és folyamatos szakmai tanulás, tanári részvétel a döntéshozatalban – olyan keretet ad, amely a felsőoktatási intézmények számára is irányt mutat. A mesterséges intelligencia szempontjából ez azt jelenti, hogy az oktatókra vonatkozó intézményi döntések – munkateher, elismerés, előmenetel, MI-hez kapcsolódó képzési kötelezettségek – egy átfogó, élethosszig tartó szakmai tanulási pályába illeszkednek, amelynek része az MI-pedagógia és a kritikus MI-műveltség fejlesztése. (UNESCO Promoting and protecting teacher agency in the age of artificial intelligence, Position Paper, 2025).

Az intézmények szintjén mindehhez stratégiai tervezés és cselekvési programnak kell társulnia, olyan jövőképek kidolgozásával, amelyek különböző tanulási utakra, demográfiai pályákra, gazdasági környezetre és technológiai (MI-) forgatókönyvekre építenek, és amelyekhez rugalmas irányítási mechanizmusok kapcsolódnak (IAU Strategy 2022-2030, 2022). Az egyetemek sikeres digitális és MI-átállása ott valósul meg, ahol az intézmények nyitnak a peremről érkező innovációk felé – új típusú programok, MI-vel támogatott vizsgamódszerek, külső partnerekkel közös kezdeményezések –, és ezeket stratégiai erőforrásként építik be saját szerkezetükbe.

A rendszerszintű válaszokhoz finanszírozási és szabályozási lépések tartoznak. A tanári szakma támogatása olyan globális feladat, amelyhez innovatív finanszírozási mechanizmusokra, tartós nemzetközi együttműködésre és a tanárpolitika középpontba állítására van szükség. A mesterséges intelligencia miatt ez kiegészül azzal, hogy a nemzeti szintű MI-stratégiák, az adatvédelmi és vizsgaszabályzatok, valamint az AI-kompetenciakeretek (például a tanári MI-kompetenciákra vonatkozó nemzetközi ajánlások) szervesen kapcsolódjanak a felsőoktatási szabályozáshoz. A tanári hiány és a tanári kompetenciák erősítése így egyszerre minőség-, méltányossági és technológiai felkészültségi kérdés, amely közvetlenül érinti az oktatási rendszerek fenntarthatóságát. A digitális és MI-átmenet intézményi és rendszerszintű kezeléséhez hálózati együttműködésekre van szükség. A tanulásanalitika, az adatkezelés, a digitális és MI-érzékeny vizsgarendszerek és a tanárképzés megújítása olyan területek, ahol a közös fejlesztések nemcsak költséghatékonyak, hanem szakmai minőségbiztosítást is jelentenek, és segítenek elkerülni az elszigetelt, ad hoc MI-bevezetések kockázatait.

Az oktatói szerep átalakulásáról és az MI-ről szóló nemzetközi jövőképek így közös horizontot rajzolnak ki: olyan felsőoktatási rendszert, amelyben az intézményi és rendszerszintű döntések emberközpontú, etikus MI-használatot és átgondolt vizsga- és tanulásszervezési megoldásokat támogatnak. Ebben a keretben az oktatók nem végrehajtói a technológiai programoknak, hanem stratégiai partnerei az egyetemeknek és a döntéshozóknak; szakmai tudásuk, etikai érzékenységük, pedagógiai kreativitásuk és MI-műveltségük az a réteg, amely biztosítja, hogy a 2030-ig tartó átalakulás során a felsőoktatás megőrizze közjóként betöltött szerepét, nyitottságát és minőségi elkötelezettségét a mesterséges intelligencia korszakában is.

Az írás és az illusztrációk a mesterséges intelligencia közreműködésével készültek.