Spór o to, czy naukowcy mogą wspierać się AI przy pisaniu tekstów opinii, wybuchł po ujawnieniu użycia narzędzi do redakcji głośnego komentarza o brakach z matematyki. W tle są testy w rekrutacji i problem zaufania do detektorów AI.
Opinia, która uruchomiła lawinę
W amerykańskim środowisku akademickim zawrzało po publikacji obszernego tekstu opinii autorstwa wykładowczyni matematyki z Uniwersytetu Kalifornijskiego w Berkeley. Autorka opisywała „poważny” spadek przygotowania studentów, wskazując, że część z nich jest nawet o kilka lat edukacyjnie „do tyłu” i ma trudności z ułamkami czy podstawową algebrą.
Sednem jej argumentu była teza, że rekrutacja „test-blind” – czyli bez uwzględniania wyników standaryzowanych egzaminów – mogła otworzyć drzwi osobom, które nie są gotowe na rygor programu matematyki na jednym z najbardziej wymagających kampusów. W tekście pojawiło się też odwołanie do zniknięcia dawnych punktów odniesienia, takich jak SAT.
Wykrywanie AI i przyznanie się do wsparcia
Dziennikarze studenckiej gazety zwrócili uwagę, że styl fragmentów komentarza brzmi „jak z AI”. Przepuszczono tekst przez narzędzie do detekcji, które zasugerowało, że około jedna trzecia treści mogła być wygenerowana lub wsparta przez sztuczną inteligencję.
W odpowiedzi autorka przyznała, że użyła AI do redakcji, ale podkreśliła, że materiał powstał w wyniku setek godzin pracy ludzi, w tym kilkudziesięciu godzin jej własnej. Dodała też, że narzędzia AI pomagały jej wyszukiwać dokumenty i artykuły związane z inicjatywą, natomiast wnioski i analiza miały pozostać w pełni po stronie zespołu.
Co właściwie znaczy „AI do edycji”
W praktyce „pomoc w edycji” może oznaczać bardzo różne rzeczy: od korekty interpunkcji i skracania zdań, przez porządkowanie akapitów, po sugerowanie argumentów i doboru źródeł. Bez doprecyzowania granic trudno ocenić, czy mówimy o narzędziu podobnym do zaawansowanego sprawdzania pisowni, czy o współautorze wpływającym na tok rozumowania.
To właśnie brak precyzji jest paliwem dla sporu. Tekst opinii ma szczególny status: nie tylko informuje, ale też buduje autorytet autora i wiarygodność argumentu. Jeśli czytelnik nie wie, czy styl i konstrukcja wywodu są „ludzkie”, czy w istotnej części ukształtowane przez model językowy, zaczyna kwestionować nie tylko formę, lecz także intencje.
Polityka redakcyjna i odpowiedzialność za słowo
Redakcja, która opublikowała komentarz, przekazała, że dopuszcza wsparcie AI, ale oczekuje, iż za każdym tekstem stoją ludzie i że to oni biorą odpowiedzialność za każde zdanie. W praktyce jest to próba pogodzenia dwóch światów: rosnącej popularności narzędzi AI oraz tradycyjnej zasady, że podpis pod tekstem oznacza pełną odpowiedzialność autora.
Tyle że sama deklaracja nie rozwiązuje problemu przejrzystości. Jeśli AI było użyte, pojawia się pytanie, czy i kiedy należy to ujawniać. W przypadku tekstów opinii, gdzie liczy się zaufanie do kompetencji i rzetelności autora, jawność może być równie ważna jak w przypadku konfliktu interesów.
Testy w rekrutacji jako prawdziwe pole bitwy
W tle całej historii jest spór o sens powrotu do standaryzowanych testów w rekrutacji na uczelnie. W 2020 roku w systemie Uniwersytetu Kalifornijskiego zapadła decyzja o wygaszaniu wymogu testów, a podobny kierunek obrały też inne elitarne uczelnie. Część z nich z czasem wróciła do egzaminów, co tylko wzmocniło debatę o tym, czy testy są barierą, czy narzędziem wyrównywania szans poprzez jasne kryteria.
Autorka komentarza przywoływała analizowane przez zespół dane, według których odsetek studentów z „poważnym deficytem” gotowości do kursu rachunku różniczkowego miał wzrosnąć kilkukrotnie po wprowadzeniu rekrutacji bez testów. Jednocześnie sama angażowała się w działania na rzecz przywrócenia egzaminów, podpisując – wraz z tysiącami pracowników naukowych – list popierający testowanie, przy którym również korzystano z AI do redakcji.
Detektory AI: obietnice kontra rzeczywistość
Wątek detekcji jest tu równie istotny jak wątek autorstwa. Członkini uczelnianej rady ds. AI zwracała uwagę, że narzędzia wykrywające „AI-owość” tekstu bywają zawodne i często nie mają niuansu. To ważne, bo w przestrzeni publicznej wynik z detektora bywa traktowany jak dowód, choć w praktyce jest raczej sygnałem ryzyka.
Jednocześnie producenci takich narzędzi chętnie podają imponujące wskaźniki skuteczności, licząc poprawność na poziomie bliskim 100% i minimalną liczbę fałszywych alarmów. Problem polega na tym, że nawet rzadkie „false positive” może mieć duże konsekwencje reputacyjne, zwłaszcza gdy dotyczy naukowca lub instytucji. W efekcie spór o AI łatwo zamienia się w spór o to, komu wierzyć: autorowi, detektorowi czy intuicji czytelników.
Co dalej: zasady, które muszą dogonić praktykę
System Uniwersytetu Kalifornijskiego zapowiedział przegląd, który ma odpowiedzieć na pytanie, czy standaryzowane testy wrócą do rekrutacji; ewentualne zmiany mogłyby wejść w życie najwcześniej dla naboru na jesień 2028. To pokazuje, że instytucje poruszają się wolno, a debata o jakości kształcenia i kryteriach przyjęć będzie jeszcze długo rozgrzewać opinię publiczną.
Równolegle uczelnie i redakcje muszą doprecyzować reguły korzystania z AI w tekstach eksperckich i opiniotwórczych. Najbardziej sensowny kierunek to nie zakazy „zero-jedynkowe”, lecz jasne standardy: co wolno automatyzować, co wymaga ujawnienia, jak dokumentować pracę i jak rozumieć odpowiedzialność autora. Bez tego każda kolejna publikacja wsparta AI będzie ryzykiem – nie tylko dla reputacji pojedynczej osoby, ale też dla zaufania do debaty publicznej o edukacji.
Oryginalny tekst: UC Berkeley professor admits to using AI to edit op-ed about students’ math skills