Prompt-to-paper na uczelni: jak studenci kierunków ścisłych uczą się pisać prace z asystentem AI, który nie zmyśla źródeł

W zeszłym roku akademickim promotorzy na mojej uczelni zgłosili potrojenie przypadków podejrzanych cytowań w pracach magisterskich. Studenci wrzucają prompt do ChatGPT, dostają zmyślone DOI i nie mają pojęcia, że właśnie popełniają plagiat z nieistniejących źródeł. Rozwiązanie nie polega na blokowaniu AI - polega na daniu im asystenta, który zamiast ściemniać, demonstruje, jak budować wywód naukowy oparty o faktycznie istniejącą literaturę.

Gdzie leży prawdziwy problem z AI na uczelni

Prodziekani ds. studenckich na kierunkach inżynierskich stoją przed podwójnym dylematem. Z jednej strony regulaminy zabraniają użycia AI przy pisaniu prac dyplomowych. Z drugiej, rynek pracy oczekuje od absolwentów biegłości w korzystaniu z narzędzi AI. Zakazywanie tego jest jak zakazywanie używania kalkulatorów na maturze z matematyki w latach 90. - spóźniony refleks, który bardziej szkodzi niż pomaga.

Problemem nie jest samo użycie narzędzia. Problemem jest to, że generyczne chatboty fabrykują cytowania, wymyślają dane eksperymentalne i nie potrafią powiedzieć 'nie wiem'. Dla studenta pierwszego roku studiów magisterskich, który dopiero uczy się warsztatu naukowego, odróżnienie prawdziwego źródła od halucynacji modelu jest praktycznie niemożliwe. W efekcie powstają prace, które wyglądają dobrze na pierwszy rzut oka, ale rozpadają się przy pierwszym sprawdzeniu bibliografii przez promotora.

Od halucynacji do deterministycznego gruntowania źródeł

Kluczowym komponentem systemu Prompt-to-Paper, opisanego przez zespół pod kierownictwem Kamran et al., jest deterministyczny pipeline RAG. To narzędzie działa na zasadzie przeciwieństwa ChatGPT: zamiast generować tekst na podstawie statystycznych prawdopodobieństw, każde twierdzenie opiera na konkretnym, weryfikowalnym źródle z korpusu 60-100 artykułów naukowych. System nie tylko wyszukuje cytowania, ale ocenia ich trafność w kontekście sekcji, do której są przypisywane - inaczej ocenia źródło do wstępu, a inaczej do metodologii - i rozszerza bazę metodą śnieżnej kuli, eksplorując cytowania z już znalezionych prac.

W kontekście edukacji akademickiej to fundamentalna różnica. Student kierunku inżynierii biomedycznej może zobaczyć w interfejsie, że twierdzenie 'mikroskopia fluorescencyjna wykrywa struktury poniżej 200 nanometrów' pochodzi z konkretnego artykułu opublikowanego w 'Journal of Microscopy' w 2023 roku, a nie z halucynacji modelu. System uczy przez demonstrację: 'skąd to wiemy?' zamiast 'co wiemy?'.

Agent kodujący jako laboratorium obliczeniowe dla studenta

Drugim komponentem, który ma bezpośrednie przełożenie na edukację, jest autonomiczny agent kodujący. W oryginalnym systemie Prompt-to-Paper wykonuje on prawdziwe eksperymenty obliczeniowe, zastępując syntetyczne wyniki rzeczywistymi danymi numerycznymi. Dla studentów kierunków ścisłych i inżynierskich to jest przełom: mogą testować swoje hipotezy na rzeczywistych zbiorach danych, zamiast wklejać prompt 'wygeneruj wyniki analizy statystycznej' i otrzymywać spreparowane liczby.

Wyobraźmy sobie magistranta bioinformatyki na Politechnice Wrocławskiej, który ma przeanalizować dane sekwencjonowania RNA. Zamiast kopiować wyniki z ChatGPT, uruchamia agenta kodującego, który przeprowadza rzeczywistą analizę na dostarczonym zbiorze danych, generując wyniki, które można odtworzyć. Kod jest jawny, dane wejściowe są znane, a wyniki wynikają z rzeczywistych obliczeń. To nie jest 'odrabianie pracy za studenta' - to jest pokazywanie, jak pracę naukową wykonuje się prawidłowo. Tak jak korepetytor z matematyki, który rozwiązuje zadanie krok po kroku przy tablicy, a nie tylko podaje odpowiedź.

Osiem wymiarów oceny, zanim promotor zobaczy tekst

Trzecim elementem, który może zmniejszyć obciążenie promotorów i poprawić jakość prac, jest ośmiowymiarowy automatyczny system oceny jakości. System analizuje manuskrypt pod kątem ośmiu aspektów: spójności logicznej, jakości cytowań, struktury argumentacji, rygoru metodologicznego, poprawności statystycznej, przejrzystości prezentacji wyników, adekwatności literatury oraz oryginalności wnioskowania. Co kluczowe, zawiera jawne kary za halucynacje - system został skalibrowany na statystykach z opublikowanych artykułów i wie, jak wygląda prawidłowy manuskrypt naukowy.

Z mojego doświadczenia z konsultacji na wydziałach inżynieryjnych, promotorzy spędzają średnio 4 do 6 godzin na wstępnej weryfikacji jednego rozdziału przeglądu literatury, zanim go odrzucą do poprawy. Student z dostępem do ośmiowymiarowej automatycznej oceny dostaje informację zwrotną w czasie rzeczywistym: 'Twoja argumentacja w paragrafie 3 traci spójność - brakuje przejścia między hipotezą a metodą jej weryfikacji. Oto trzy przykłady poprawnych przejść z podobnych prac'. Pętla poprawy jakości opisana w Prompt-to-Paper podnosiła średnią ocenę manuskryptów o ponad 17 punktów w skali 0-100. To przekłada się na realne oszczędności czasu dla promotorów i realny wzrost jakości prac składanych przez studentów.

Scenariusz wdrożenia na wydziale inżynieryjnym

Rozważmy Wydział Inżynierii Biomedycznej, który decyduje się na pilotaż z asystentem opartym na architekturze Prompt-to-Paper dla studentów przygotowujących prace magisterskie.

Pierwszy etap to konfiguracja korpusu literatury. Biblioteka wydziałowa ładuje do systemu 500 artykułów - standardową bazę, z której studenci i tak powinni korzystać. System indeksuje źródła, buduje graf cytowań i przygotowuje pipeline RAG do deterministycznego gruntowania twierdzeń.

Drugi etap to szkolenie studentów. Zamiast blokować dostęp do AI, wydział organizuje warsztaty, na których studenci uczą się, jak używać asystenta do budowania rozdziału 'Przegląd literatury'. Student wpisuje pytanie badawcze, np. 'Jakie są metody wykrywania biomarkerów nowotworowych w płynach ustrojowych?', a system generuje przegląd oparty tylko na załadowanych źródłach, z pełną bibliografią. Każde twierdzenie ma przypisane DOI, które można kliknąć i zweryfikować.

Trzeci etap to analiza danych. Student ładuje własny zbiór danych eksperymentalnych, a agent kodujący wykonuje prawdziwą analizę statystyczną, generując wyniki, które są odtwarzalne. Promotor widzi zarówno kod, jak i wyniki, i może je zweryfikować.

Czwarty etap to automatyczna ocena przed złożeniem do promotora. System analizuje osiem wymiarów jakości i pokazuje studentowi, gdzie ma braki, zanim praca trafi do promotora. To redukuje liczbę iteracji poprawek z typowych 3-4 rund do 1-2.

Co z kosztami i etyką

Kosztorys jest zachęcający. Według danych z paperu, wygenerowanie kompletnego manuskryptu kosztuje około 0.31 USD. Nawet przy założeniu, że edukacyjny asystent będzie wymagał więcej interakcji ze studentem, roczny koszt na studenta dla wydziału z 50 magistrantami nie przekroczy 100-150 USD za infrastrukturę API, zakładając, że baza literatury jest utrzymywana przez bibliotekę wydziałową. To ułamek kosztu godziny konsultacji promotorskiej.

Pozostaje pytanie etyczne: czy to nie jest 'pisanie pracy za studenta'? Różnica między zmyślaniem wyników a demonstrowaniem prawidłowej metodologii jest kluczowa. Asystent oparty na architekturze Prompt-to-Paper nie generuje gotowej pracy do skopiowania. On pokazuje, jak budować wywód naukowy oparty na faktach. To tak, jakby profesor usiadł ze studentem przy biurku i pokazał: 'Spójrz, to jest twój argument. Oto źródło, które go wspiera. A oto luka, którą możesz zbadać'. Z tym akurat nie kupuję narracji marketingowej, która mówi, że 'AI napisze za studenta całą pracę'. Raczej widzę w tym narzędzie, które uczy warsztatu - jeśli student chce się go nauczyć. Jeśli nie chce, żaden system mu nie pomoże.

• Zero fabrykowanych cytowań - system opiera twierdzenia tylko na załadowanym korpusie literatury wydziałowej z pełnymi DOI, eliminując ryzyko halucynacji źródeł
• Rzeczywista analiza danych zamiast spreparowanych wyników - agent kodujący wykonuje prawdziwe obliczenia na danych studenta, ucząc odtwarzalności eksperymentów
• Ośmiowymiarowa automatyczna ocena przed promotorem - student dostaje natychmiastową informację zwrotną o jakości tekstu, redukując liczbę iteracji poprawek o połowę

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.