A generatív mesterséges intelligencia és az irodalomoktatás

 

2026-ban már nem kérdés, hogy a mesterséges intelligencia a mindennapjaink részévé vált. Nem kell tudatosan a ChatGPT-t használnunk ahhoz, hogy az új tartalmakat generáló nyelvi modellek világa jelen legyen az életünkben. Bármit keresünk az interneten, bárkivel tartjuk a kapcsolatot vagy bármilyen weboldalt használunk, lépten-nyomon találkozunk vele: a generatív MI által létrehozott szövegek és képek, a Messenger applikációba beépített Meta AI, a reklámok vagy a Google-keresések mögött álló okos összefoglalók formájában.

A MI teljes tiltása az oktatásban éppen ez miatt illúzió. Ha ki is vonnánk minden digitális eszközt a tanórai munkából, a diákok otthon úgyis megtalálnák a módját annak, hogy a mesterséges intelligenciát hívják segítségül. Ráadásul az oktatási minisztérium is szorgalmazza a technológia beépítését az iskolákba, így a témával való foglalkozás napjainkban elkerülhetetlenné vált.

Szó sincs viszont arról, hogy mostantól minden egyes irodalomórán chatbotokat kellene használnunk. Az MI egy plusz eszközzé válhat a pedagógus eszköztárában, amellyel akkor érdemes élnie, ha az valóban hozzáad valami értékeset a tanórához. Ha teljesen elzárkózunk tőle, magunkat és a diákjainkat is megrövidítjük: ez a technológia ugyanis számtalan módon képes támogatni az oktatást anélkül, hogy átvenné a gondolkodást a diákok vagy a pedagógus helyett. Elvégezheti a monoton, adminisztratív feladatokat – ezzel komoly terhet levéve a tanár válláról –, időt spórolhat, inspirálhatja a kreatív ötletbörzéket és új dimenziókat nyithat meg az irodalmi elemzés és értelmezés folyamatában is.

Ez az integráció már régen nem a távoli jövő – ez a jelenleg is zajló valóság. Az oktatási minisztérium konkrét tervezete alapján a bevezetés ütemterve a 2025 és 2027 közötti időszakban valósul meg. A stratégia központi célja, hogy a diákokat aktívan felkészítse az MI-vel való együttélésre.

Gyakorlati segítség a tájékozódáshoz: A reform részleteiről a minisztérium hivatalos ai.iedu.sk weboldalán olvashatnak bővebben. Ha kérdésük van, az oldal jobb alsó sarkában található Amos AI nevű virtuális asszisztensre kattintva tehetik fel azokat. A chatbot a minisztériumi anyagokból tanulva válaszol az integrációval kapcsolatos felvetésekre, a módszertani kérdésekre, és kiemelendő, hogy magyar nyelven is kifejezetten jól kommunikál.

A technológia működésének megértése segít az MI használatában, valamint a korlátozásában is. Ha tanárként átlátjuk, hogyan generál szöveget a gép, sokkal könnyebben tudjuk kiszűrni és visszaszorítani a jelenlétét azokban a helyzetekben, amikor kifejezetten a diák saját, önálló munkájára és a nyers kreativitására van szükségünk. Ha ismerjük az MI logikáját, egyszerűbben tervezhetünk olyan számonkéréseket – például folyamatkövető jegyzetek bekérésével vagy olyan megosztott dokumentumok (például Google Docs) használatával, ahol pontosan látszik a javítások története és a diák valós gondolatmenete, amelyeknél biztosabbak lehetünk abban, hogy valódi tanulói teljesítményt értékelünk.

Az oktatás igazi feladata most az, hogy megtalálja az arany középutat, vagyis azt, hogyan használhatjuk az MI-t úgy, hogy az ne helyettesítse, hanem támogassa a diákok önálló gondolkodását és az irodalmi élmények feldolgozását. Ezzel kapcsolatban persze rengeteg jogos kérdés merül fel:

• Hogyan ismerjük meg ennek a technológiának a működését?
• Milyen mértékben kell tudatában lennünk az MI korlátainak és képességeinek a célirányos használathoz?
• Honnan tudjuk, hogy biztonságosan és etikusan használjuk ezeket a modelleket?
• Mihez kezdjünk a folyamatos, szinte követhetetlen fejlődéssel?

Ez a cikksorozat megpróbál részben választ adni ezekre a dilemmákra. Mivel azonban egy rendkívül gyorsan fejlődő technológiáról van szó, ez a szöveg sem lehet örök érvényű: a jelenlegi helyzetet térképezi fel az MI és az irodalomoktatás kapcsolatában. A legfontosabb alapelvünk viszont állandó: a technológiát mindig eszközként integráljuk, és tudatosan ügyeljünk arra, hogy mi irányítsuk a modelleket, ne pedig fordítva, megőrizve a saját kognitív folyamatainkat és az önállóságunkat. 

A cikksorozatban három, egymásra épülő témakört szeretnék áttekinteni:

1. Első rész: Részletes betekintést nyújtok a terminológiába, a generatív mesterséges intelligencia működésébe, a promptolás (parancsadás) alapjaiba és a pedagógusok számára szükséges MI-műveltség fogalmába.
2. Második rész: Megismerhetjük a gyakorlati, módszertani oldalt. Konkrét példákkal támasztom alá az integrációs lehetőségeket, figyelembe véve az állami oktatási program céljait és kompetenciarendszerét.
3. Harmadik rész: Kitérek a generatív modellek etikai kérdéseire és veszélyeire. Itt részletezem a modellek kulturális egysíkúságát, az adatvédelmi aggályokat, valamint feltérképezem a plágium és az integritás kérdéskörét.

Első rész: Mi is az az „MI”?

Terminológiai háttér

Ahhoz, hogy biztonságosan és céltudatosan használni tudjuk a mesterségesintelligencia-eszközöket egy oktatási folyamat keretén belül, szükségszerű, hogy alapszinten értsük a modellek működését. Enélkül ugyanis sokkal nehezebb észrevenni a rendszer hibáit, egysíkúságát vagy a gyenge pontjait. Csak az tud hatékonyan és kritikusan együttműködni a modellel, aki maga is érti a folyamatot.

A közbeszédben gyakori tévedésként ekvivalens fogalomként szerepelnek a mesterséges intelligencia, a generatív mesterséges intelligencia és a nagy nyelvi modellek. Ezek a terminusok azonban nem cserélhetők fel, hanem egymás részhalmazai. Ezeknek a fogalmaknak a viszonyát szemlélteti az alábbi ábra:

 

 

 

A cikk szempontjából legfontosabb, fent említett szakszavak rövid magyarázatai a következők (zárójelben megjelölve a leggyakrabban használt rövidítések találhatóak) ⁱ

Mesterséges intelligencia (MI) – Artificial intelligence (AI) 

Az MI egy tág ernyőfogalom, amely minden olyan rendszert magában foglal, amely az emberi gondolkodás vagy cselekvés bizonyos jegyeit – például a tanulást, a logikai következtetést vagy a problémamegoldást – képes matematikai algoritmusok segítségével imitálni. Az MI egy eszközkészlet, nem egy egységnyi technológia (Végh, 2024, 27). A mesterséges intelligencia szó szerinti értelmében (még) nem létezik. Amiket MI-ként emlegetünk, azok valójában nem rendelkeznek intelligenciával, megértéssel, csupán a tanítási adatokban talált nyelvi minták statisztikai alapú összefűzésére képesek. Ezeket a statisztikai alapú modelleket hívjuk nagy nyelvi modelleknek (Bender et al., 2021, 616).

Generatív mesterséges intelligencia (Generatív MI) – Generative Artificial Intelligence (GenAI) 

A generatív modellek képesek új tartalmakat létrehozni, legyen szó szövegről, képről, zenéről vagy akár programozási kódról. Nem korlátozódnak egyetlen típusú adatra: képesek párhuzamosan több módban is „gondolkodni”; jellemző rájuk a multimodalitás. Egy egyszerű mondatból részletgazdag illusztrációt tudnak készíteni vagy egy videóhoz zenei aláfestést komponálni.

A folyamat lelke a gépi tanulás (Machine Learning), amelyet hatalmas adatkészleteken alkalmaznak. A rendszer a gépi tanulás során mintázatokat ismer fel, s miután elsajátította, hogyan épül fel egy mondat, egy festmény vagy egy dallam, képes ezeket a mintákat felhasználva önállóan új adatokat generálni. Gyakorlatilag bármit, ami digitális formátumba önthető, a generatív MI képes értelmezni és reprodukálni (Furze, 2024, 13).

Nagy nyelvi modellek – Large Language Models (LLM) 

Ha a generatív MI-re úgy tekintünk, mint egy esernyőre, amely alá minden tartalomgyártó algoritmus tartozik, akkor a szöveges chatbotok alkotják ennek a családnak a „nyelvi specialistáit”. Ezek a nagy nyelvi modellek (LLM), mint amilyen a ChatGPT, a Gemini, a Claude, a DeepSeek vagy a Grok.

Az LLM-ek képesek emberinek ható szövegeket vagy verseket írni, de valójában ezek csak rendkívül fejlett statisztikai rendszerek. Nem rendelkeznek az emberekéhez hasonló mély világképpel vagy racionális gondolkodással, csupán a tanult mintázatok alapján megjósolják, melyik szó következik a legnagyobb valószínűséggel a másik után. Jelenlegi formájukban nem képesek az emberi agy teljes szimulálására, mivel a két tanulási mód alapjában véve eltér egymástól. A szoftverfejlesztők ugyanis csak az agyműködés analógiáját képesek megalkotni, nem pedig annak közvetlen reprodukcióját (Furze, 2024, 14–16).

A nyelvi modellek tanítási adatai (szavak, szórészletek) kizárólag szöveges karakterláncokból (formából) állnak, ebből következik, hogy nem tudnak valódi nyelvi megértést képezni, a modellnek nincs hozzáférése a külvilághoz, a fizikai valósághoz vagy a társadalmi kontextushoz, amely a szavak mögötti jelentést adná. „Az emberek hajlamosak értelmet tulajdonítani bármilyen szövegnek, amit olvasnak, függetlenül attól, hogyan jött létre – a koherencia és az értelem viszont nem a nyelvi modellben, hanem a befogadó elméjében születik meg, aki saját nyelvi kompetenciája alapján ruházza fel jelentéssel a chatbot kimenetét” (Bender et al., 2021, 615–616).

A cikksorozatban a generatív mesterséges intelligenciával, azon belül is a szöveges nyelvi modellekkel foglalkozom. A szöveg gördülékenysége és közérthetősége érdekében a továbbiakban a „generatív MI” vagy egyszerűen a „nyelvi modellek” kifejezést fogom használni ezekre az eszközökre, hiszen a köznyelvben is így terjedtek el.

Mire használjuk? – És mire ne? 

Ahhoz, hogy a nyelvi modelleket ne téves elvárásokkal közelítsük meg az iskolában, meg kell értenünk a működésükből fakadó előnyöket és hátrányokat. A generatív MI hiába tűnik úgy, mintha már mindenre tudná a választ, még mindig jelentős korlátai vannak – mint fentebb is kifejtettem, nem képes a gondolkodásra olyan módon, mint azt egy ember teszi. Ezzel együtt viszont kiválóan alkalmas lehet az oktatási folyamat kreatív részének kiegészítésére, valamint a mindennapi adminisztratív utómunkálatokra, de teljesen alkalmatlan a mély, kritikus gondolkodást igénylő feladatok elvégzésére. Ez jó hír is a pedagógus kollégáknak, hiszen (egyelőre) nem kell attól tartanunk, hogy a diák minden szellemi munkát áthárít egy generatív MI-re anélkül, hogy a pedagógus ezt egy komplex feladatnál észre ne venné.

Milyen típusú feladatokba vonhatóak be a nyelvi modellek? 

A generatív MI-t a felépítéséből és a tanulási adataiból kifolyólag több oktatási folyamatba is bevonhatjuk. Ilyenek lehetnek például a kreatív feladatok kiegészítései, valamint a brainstorming folyamat segítése. A nyelvi modellek kiválóan működnek ötletadásban vagy a már meglévő ötletek kibővítésében. Szövegek utómunkálatához, formázásához is felhasználhatóak, jól teljesítenek helyesírás-ellenőrzéskor vagy akár egy szöveg stilisztikai transzformálásakor – itt utalva például egy hosszú, szakmai szöveg laikusbaráttá formázására, szakszöveg érthetővé tételére a diákok (vagy akár a pedagógus) számára (UNESCO, 2023, 35–36; Mollick és Mollick, 2023, 8). Természetesen ez nem jelenti azt, hogy innentől fogva minden egyes szöveget le kéne „butítani”, mindössze ez is egy plusz opciót ad a tanárnak arra, hogy a pedagógiai céljaihoz könnyebben illeszthessen hozzá egy adott feladatot vagy órai aktivitást – kiterjesztve ezzel a lehetőségeit.

Milyen típusú feladatoknál kerüljük a nyelvi modellek használatát? 

Mivel a nyelvi modelleknek nincs hozzáférésük a fizikai valósághoz vagy bármilyen társadalmi kontextushoz, amely a szavak mögötti tényleges jelentést adná, ezért több feladattípusnál kimondottan kerülendő a használatuk.

Ide sorolhatók például a mély szövegelemzések vagy az összetett érvelés. A generatív MI nem képes a deduktív vagy többlépcsős logikai láncolatok megbízható követésére. Ha konkrétan egy irodalmi mű szereplőinek a belső motivációit vagy egy regény komplex összefüggéseit kellene szétfejteni, akkor a nyelvi modell felszínes sablonokat kínálna fel nekünk válaszként. A legújabb modellek meglehetősen sok szöveget képesek befogadni, viszont a rendkívül hosszú bemenetek (például egész regények) finom részleteit hajlamosak félreértelmezni vagy figyelmen kívül hagyni (Kostikova et al., 2026, 2).

Szlovákiai magyar kontextusban elengedhetetlen megemlíteni a generatív MI-k kisebbségi korlátait. A modellek nehezen alkalmazkodnak olyan témákhoz, amelyek kívül esnek a tanítási adataikban szereplő globális mintázatokon – hiszen ez a technológia csak azt tudja reprodukálni, amire eredetileg be lett tanítva. A nyelvi modellek túlnyomórészt többségi (nagyrészt angol nyelvű) adatokból tanulnak, a specifikus kisebbségi kontextus, a lokális kulturális és történelmi sajátosságok terén a teljesítményük tartalmilag erősen megkérdőjelezhető és pontatlan. Erre kapcsolódva lényeges tényezőként merül még fel a társadalmi elfogultság és a sztereotípiák erősítése a nyelvi modellek által. Ugyanis a generatív MI kritikátlanul veszi át és erősíti fel a tanulási adatokból összeollózott nemi, kulturális vagy társadalmi előítéleteket, ami elfogult, sok esetben hamis kimenetekhez vezethet (Furze, 2024, 23).

Köztudott tény, hogy a generatív MI hajlamos „hallucinálni”, vagyis nem létező tényeket kitalálni, és teljes magabiztossággal közölni azokat. Sose feledjük: a nyelvi modell soha nem az igazságot keresi, hanem a statisztikailag legvalószínűbb szövegfolytatást. Éppen ebből kifolyólag képes nem létező forrásokra hivatkozni vagy idézeteket, történelmi tényeket kitalálni.

Megemlítendő még az is, hogy a generatív MI mindamellett, hogy már képes képeket elemezni, elbukik a multimodális, művészeti mélységű, metaforikus feladatoknál (Kostikova et al., 2026, 28). Például egy illusztráció és egy ekphraszisz közti kapcsolatot nem tud összefüggésbe hozni. Vagyis amellett, hogy a modell tudja értelmezni, hogy mi van a képen, a mögöttes művészi absztrakciót nem érti. Ebben az esetben még többre megyünk a saját, humán logikánkkal és érzékszerveinkkel.

A legnagyobb kockázat mégis abban rejlik a generatív MI-oktatásban, hogy a felhasználók hajlamosak beleesni a túlzott függőség csapdájába (Dell’Acqua et al., 2026, 408). Mivel a nyelvi modellek szöveggenerálása és nyelvezete rendkívül meggyőző tud lenni, az ember hajlamos kritika nélkül elfogadni a hibás válaszokat – ez pedig jelentős mértékben ronthatja le a szellemi munka és az oktatás minőségét.

Csak akkor nyúljunk MI-hez az oktatásban, ha annak valós és jól definiált pedagógiai célja van, valamint, ha a pedagógus birtokában van annak az alapszintű ismeretnek, amellyel képes ellenőrizni és felülbírálni a nyelvi modellek kimeneteit!

Prompt engineering

Miután betekintést nyertünk abba, hogy miképp működnek a nyelvi modellek, valamint, hogy milyen esetekben használhatóak és mikor kevésbé, térjünk át az utasítástervezés témakörébe. Az interneten leginkább elterjedt „prompt engineering” kifejezés alatt is megtalálható ez a témakör.

A prompt engineering a generatív MI-modellek irányításának a tudománya. Ez olyan pontos és világos utasítások – promptok – megfogalmazását jelenti, amelyek bemenetként szolgálnak az MI-modell számára, meghatározva annak stílusát és válaszait (Edmett et al., 2024, 58).

A hatékony promptok írása viszont nem egy egyszerű feladat. Több konkrét stratégia és keretrendszer is rendelkezésünkre áll, hogy a lehető legjobb eredményt érhessük el egy utasítás adásakor. Az egyik legátfogóbb módszer a CREATE-modell, amely hat strukturális elem segítségével segíti a pontosabb válaszok generálását (Ngo és Hastie in Park, 2025, 19):

1. Character (Szerepkör): Itt határozzuk meg, milyen szakmai szerepet vegyen fel a chatbot. Nem mindegy, hogy egy egyetemi professzor vagy egy kreatív drámapedagógus hangján szólal meg.
2. Request (Kérés): Ez a feladat magva, a konkrét utasítás. Törekedjünk az egyértelmű, cselekvő igékre!
3. Examples (Példák): A modell pontosabban működik, ha lát egy konkrét mintát. Adhatunk neki például egy elemzési szempontot vagy egy jól bevált módszertani technikát.
4. Adjustment (Finomítás): Itt szabjuk rá a szöveget a célcsoportra. Meghatározhatjuk a diákok életkorát, motivációs szintjét, létszámát vagy egyéb osztálytermi összetételi szempontokat.
5. Type of Output (Kimenet típusa): Határozzuk meg a struktúrát, hogy ne egy ömlesztett szövegblokkot kapjunk, hanem akár egy használható órai segédanyagot.
6. Extras (Kiegészítők): Az utolsó simítások, amelyekkel igazodhatunk a kerettantervhez, vagy egy kis plusz színt vihetünk a feladatba.

Komplex prompt
A CREATE-modellt teljes mértékben felhasználó prompt-példa:
 
{Character:} Tegyél úgy, mintha egy innovatív, drámapedagógiában jártas középiskolai magyartanár lennél! {Request:} Készíts egy 45 perces óratervet, amely a diákok vitakészségét és kritikai gondolkodását fejleszti Arany János Ágnes asszony című balladája kapcsán! {Examples:} Olyan provokatív, a karakter lélektanát boncolgató kérdésekre építs, mint például: Felelőssé tehető-e Ágnes a tetteiért, vagy a bűntudat ereje miatt inkább áldozatként kell rá tekintenünk? {Adjustment:} A tervezést gimnáziumi másodikos, nehezen motiválható diákokra szabd! Kerüld a száraz irodalomtörténeti tényeket és évszámokat, fókuszálj a karakter morális döntéseire és a bűnhődés folyamatára! {Type of Output:} A kimenetet egy jól áttekinthető táblázatban formázd, amely a következő oszlopokból áll: időkeret, a tanár feladata/ kérdései, a diákok munkaformája (például páros munka, kooperatív tanulás). {Extras:} A feladatok feleljenek meg a szlovákiai állami oktatási program kompetenciarendszerének. Végül adj hozzá egy tippet, hogy a diákok hogyan használhatják a telefonjukat egy anonim órai szavazáshoz (például Mentimeter) a fő bűnösségi kérdésben! Használd a csatolt dokumentumot! [DOKUMENTUM: Kiegészítések a modellnek a pontosság érdekében: előre összeállított rövid szöveg a kompetenciarendszerről, Ágnes asszony szövege stb.]

A CREATE-modell mellett említésre méltó az a strukturált ötlépcsős folyamat is, amely a generatív modellekkel való interakció módszertanát írja le:

1. a kérdés tisztázása,
2. előzetes önálló gondolkodás az MI bevonása nélkül,
3. interakció az MI-vel és a válaszok formálása,
4. az eredmények kritikai megvitatása,
5. A tartalom beépítése és reflexió (Park, 2025, 12).

A helyes promptolás elsajátítása ma már az MI-műveltség (AI literacy) megkerülhetetlen részévé vált. A pedagógusoknak tisztában kell lennie a megfelelő utasítások adásával és a diákot is tájékoztatniuk kell erről, ugyanis nekik is komoly nehézséget okozhat a hatékony promptok megfogalmazása, hiába tudnak tartalmakat generálni. Gyakori hiba a túl általános vagy felszínes kérések megfogalmazása, nehezükre esik az MI válaszait a specifikus céljaikhoz igazítani (Park, 2025, 8, 11).

MI-műveltség és a pedagógus szerepe

Az MI-műveltség (angolul: AI-literacy) definíciója: „Olyan készségek összessége, amelyek lehetővé teszik az egyének számára az MI-technológiák kritikus értékelését, a mesterséges intelligenciával való kommunikációt, valamint annak hatékony eszközként való használatát” (Long–Magerko in Park, 2025, 3). A generatív MI megjelenése szükségessé tette az ennél konkrétabb keretrendszer kidolgozását. Ez a modell öt, egymást kölcsönösen kiegészítő kulcskompetenciát foglal magában. A felosztás a következő:

1. Ismeretek és megértés: Ez képezi az alapokat. Magába foglalja az MI alapvető működési elveinek az ismeretét, valamint a technológia korlátainak és felhasználási lehetőségeinek a felismerését.
2. Használat és alkalmazás: Elsősorban a tartalomgenerálásra fókuszál, nélkülözhetetlen eleme a prompt engineering.
3. Értékelés és beépítés: A hangsúly a felhasználó és a modell közti együttműködésen van. Része az MI által generált válaszok kritikai ellenőrzése és azok ötvözése a saját gondolatainkkal.
4. MI-etika: Ez a kompetencia az MI felelősségteljes és méltányos használatát takarja. Középponti eleme a plágium fogalma, az adatvédelem és a társadalmi értékek tiszteletben tartása.
5. Attitűdök: Az attitűd érzelmi és motivációs elemeket foglal magában. A kíváncsiság, az érdeklődés és a saját képességekbe vetett hit alapvetően befolyásolja, hogy a felhasználó mennyire elkötelezetten és sikeresen használja ezeket az eszközöket. (Park, 2025, 16-27)

Hogyan tanul az MI? – Élményalapú eszközök 

A nyelvi modellek működését legkönnyebben úgy tapasztalhatjuk meg, ha a gyakorlatban is modellezzük a gépi tanulás (machine learning) folyamatát. A száraz definíciók magolása helyett az alábbi ingyenes, interaktív webfelületek segítségével megfigyelhetjük, hogy hogyan tanul az MI:

• AI for Oceans (Code.org): Egy óceántisztító a mesterséges intelligencia tanításán keresztül mutatja be, hogyan formálják a betáplált adatok a modell döntéseit. Remekül demonstrálja, hogyan vezethet a rossz mintavétel tévedésekhez vagy akár előítéletekhez.
• Google Teachable Machine: A webkamera segítségével, a saját magunk által készített fotókkal másodpercek alatt betaníthatunk egy egyedi képfelismerő modellt. Ennél jobb bizonyíték nem is kell annak szemléltetésére, hogy az MI valójában nem gondolkodik, csupán mintázatokat azonosít.

   

Felhasznált irodalom

Dell’Acqua, Fabrizio – McFowland, Edward – Mollick, Ethan – Lifshitz-Assaf, Hila – Kellogg, Katherine – Rajendran, Saran – Krayer, Lisa – Candelon, François – Lakhani, Karim (2026): Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. In: Organization Science, 37. évf. Elérhető: https:​//doi​.org​/10​.1287​/orsc​.2025​.21838

Edmett, Adam – Ichaporia, Neenaz – Crompton, Helen – Crichton, Ross (2024): Artificial intelligence and English language teaching: Preparing for the future. B.m., British Council. Elérhető: https:​//doi​.org​/10​.57884​/78EA-3C69 (Letöltés ideje: 2025. november 16.)

Furze, Leon (2024): Practical AI strategies: engaging with generative AI in education. Melbourne, Australia, Amba Press, ISBN: 978-1-923116-36-8.

Mollick, Ethan R. – Mollick, Lilach (2023): Using AI to Implement Effective Teaching Strategies in Classrooms: Five Strategies, Including Prompts. In: SSRN Electronic Journal. ISSN: 1556-5068. Elérhető: https:​//doi​.org​/10​.2139​/ssrn​.4391243 (Letöltés ideje: 2026. június 21.)

Park, Joonhyeong (2025): A systematic literature review of generative artificial intelligence (GenAI) literacy in schools. In: Computers and Education: Artificial Intelligence, 9. köt. ISSN: 2666-920X. Elérhető: https:​//doi​.org​/10​.1016​/j​.caeai​.2025​.100487 (Letöltés ideje: 2025. november 18.)

UNESCO (2023): Guidance for generative AI in education and research. B.m., UNESCO, ISBN: 978-92-3-100612-8. Elérhető: https:​//doi​.org​/10​.54675​/EWZM9535 (Letöltés ideje: 2026. június 21.)

Végh János (2024): Mi is valójában a mesterséges intelligencia? In: Rendvédelem, 13. évf., 1. sz., 25–40., ISSN: 2560-2349. Elérhető: https:​//doi​.org​/10​.53793​/RV​.2024​.1​.2

 
Vissza a tartalomjegyzékre