Nem az AI a kérdés, hanem mit kérsz tőle

Kutatási eredményElőzetes USA, Egyesült Királyság

Tíz perc elég ahhoz, hogy feladd

A kísérlet szinte unalmasan egyszerű. Tizenöt törtekkel teli feladatot kapsz, amelyek szépen nehezednek, és a képernyő alján ott egy „kihagyom” gomb. A kutatók külön a lelkedre kötik, hogy a fizetésed nem függ attól, hány feladatot oldasz meg jól, és a rossz válaszért sincs büntetés, így a „kihagyom” nem a tudásodról árulkodik: ha megnyomod, az döntés. A résztvevők egyik fele mellett ott ül egy AI-asszisztens az oldalsávban, amely ismeri a megoldást, a másik fél végig egyedül dolgozik. Aztán figyelmeztetés nélkül elveszik az asszisztenst, és jön még három feladat, mindkét csoportnak pontosan ugyanaz. Akik addig AI-val dolgoztak, kevesebbet oldottak meg jól, ez várható. De volt egy másik különbség is, ami nem a tudásról szólt: gyakrabban nyomták meg a „kihagyom” gombot. Nem rontották el, el sem kezdték. Az egész tizenöt percbe telt. A kutatók 1222 emberrel, három kísérletben csinálták végig, és szövegértési feladatokon is megismételték, ahol ugyanaz jött ki. A magyarázat szerint az AI mellett elcsúszik a viszonyítási pont: ha a válasz általában két másodperc alatt megérkezik, a saját erőfeszítés hirtelen drágának tűnik. Nem azért adod fel, mert nem megy, hanem mert lassúnak érzed magad. És itt a lényeg: a kutatók megkérdezték, hogyan használták az asszisztenst. Hatvanegy százalékuk elkérte a kész választ, huszonhét százalékuk viszont csak tippet vagy magyarázatot. A két csoport ugyanonnan indult, előtte nem volt különbség sem tudásban, sem kitartásban. A végén viszont a visszaesés szinte teljes egészében azoknál jelent meg, akik a kész megoldást kérték. Akik tippet kértek, azok hozták a segítség nélküli csoport szintjét. Vagyis nem az AI-használat a kérdés, hanem hogy mit kérsz tőle.

Miért csak előzetes: még lektorálás alatt. Az utolsó megállapítás pedig nem véletlen besorolásból származik, hanem abból, hogy a résztvevők utólag mondták meg, hogyan használták az asszisztenst, és a szerzők maguk is jelzik, hogy ez a rész nem bizonyít okságot.

Forrás: Liu, Christian, Dumbalska, Bakker & Dubey (CMU, Oxford, MIT, UCLA) · AI Assistance Reduces Persistence and Hurts Independent Performance · arXiv preprint, 2026 — link

Kutatási eredményElőzetes USA

17%-kal gyengébb megértés, és semmivel sem gyorsabb

Fejlesztők tanultak meg egy új Python-könyvtárat, véletlen besorolással: egyik felük AI-asszisztenssel, másik felük kézzel. Az AI-val dolgozók 17 százalékkal rosszabbul teljesítettek a megértési teszten, és érdemben nem is végeztek gyorsabban. A visszaesés a fogalmi megértésben, a kódolvasásban és a hibakeresésben jelent meg. A szerzők hat használati mintázatot különítettek el, és három közülük megőrizte a tanulást: azok, ahol a résztvevők bent maradtak a feladatban, kérdeztek, ellenőriztek. Ugyanaz a következtetés, mint a vezető tételé, más módszerrel.

Miért csak előzetes: preprint, kis minta, egyetlen feladat.

Forrás: Shen & Tamkin (Anthropic Fellows Program) · How AI Impacts Skill Formation · arXiv preprint, 2026 — link

Kutatási eredményKözepes Lengyelország, Norvégia

28,4 → 22,4: az orvos, aki elfelejtett nézni

Négy lengyel endoszkópos központ 2021 végén vezetett be egy AI-eszközt, amely vastagbéltükrözés közben jelzi a polipokat. A vizsgálatokat ezután véletlenszerűen osztották el: hol volt gép, hol nem. Amikor ugyanazok az orvosok AI nélkül dolgoztak, az adenoma-találati arányuk 28,4 százalékról 22,4 százalékra esett, hat százalékpont. Ugyanazok az orvosok, ugyanaz a munka, csak az AI bevezetése előtt és után.

Miért csak közepes: megfigyeléses vizsgálat, nem kísérlet, lehetnek más magyarázatok is, és a szerzők óvatosan fogalmaznak. De itt nem tanulási feladatról van szó, hanem rákszűrésről.

Forrás: Budzyń, Romańczyk et al. (ACCEPT-vizsgálat) · Endoscopist deskilling risk after exposure to AI in colonoscopy · Lancet Gastroenterology & Hepatology, 2025 — link

Kutatási eredményErős USA, Ausztrália

A terápiás chatbotok 84 százalékát soha nem tesztelték klinikailag

Egy tizenegy fős, négy országot átfogó kutatócsoport (Harvard, NYU, Sydney, Deakin) 160 tanulmányt nézett át a mentális egészségügyi chatbotokról, 2020 és 2024 között. A World Psychiatry a szakma egyik legrangosabb folyóirata, és ez a hét legerősebb tétele. A kép kijózanító. A nyelvi modellre épülő chatbotok 2023 előtt még alig szerepeltek a kutatásokban, 2024-re már az új vizsgálatok 45 százalékát adták. Ezeknek a nyelvi modelles vizsgálatoknak mindössze 16 százaléka esett át klinikai hatékonysági tesztelésen, vagyis olyanon, amely azt méri, csökkennek-e ténylegesen a tünetek. A többinél technikai tesztelés vagy felhasználói elégedettség van, tünetjavulás nincs. A szerzők ezért háromszintű értékelési keretet javasolnak: technikai validáció, használhatósági teszt, klinikai hatékonyság. Ma a piac túlnyomó része az első kettőnél megáll.

Miért erős: nagy, szisztematikus áttekintés (160 tanulmány), a terület egyik vezető lapjában.

Forrás: Hua, Siddals, Ma, Galatzer-Levy et al. · Charting the evolution of AI-supported mental health chatbots · World Psychiatry, 2025;24(3):383-394

Szakmai elemzésElőzetes Nemzetközi

Kritika a kognitív adósság tanulmányáról, és miért tartjuk meg mégis

Az MIT Media Lab „Your Brain on ChatGPT” tanulmánya adta a kognitív adósság fogalmát, amely az AI Filter kártyái között is szerepel. Januárban megjelent egy szakmai kritika, amely a kis mintát (54 fő, a negyedik szakaszban 18) és az EEG-elemzés reprodukálhatóságát kifogásolja. Azért hozzuk be, mert a saját érvünk gyenge pontja is idetartozik: a tanulmány nem bizonyít tartós agyi károsodást, csak valós idejű különbségeket dokumentál egy esszéíró feladat közben. Ettől még nem értéktelen, csak nem lezárt.

Miért csak előzetes: ez egy hozzászólás (comment), maga is lektorálatlan, de fontos önkritika: a sokat idézett kognitív adósság tanulmány korlátait mutatja.

Forrás: Stanković, Hirche, Kollatzsch & Doetsch · Comment on: Your Brain on ChatGPT · arXiv preprint, 2026 — link

Szakértői véleményVélemény Egyesült Királyság

Az ellenpont: a kiszervezés nem önmagában árt

Philippa Hardman tanulástervezési kutató a hírlevelében egy 912 diákot vizsgáló, Kínára, Európára és az USA-ra kiterjedő elemzést idéz, amely a szokásos történettel szemben azt találta, hogy a kiszervezés gyakorlása segítheti is a tanulást. Hardman olvasata szerint a kérdés nem az, hogy kiszervezünk-e, hanem az, hogy mi történik a felszabaduló kapacitással.

Miért csak vélemény: ez másodkézből származó ismertetés, az eredeti tanulmányt még nem néztük meg. Az irány viszont egybevág a vezető tétellel: nem a használat számít, hanem a mód.

Forrás: Philippa Hardman · A kognitív tehermentesítés paradoxona · Substack, 2026. április

KönyvajánlóVélemény Egyesült Királyság

Christopher Summerfield: Ezek a különös, új elmék

Summerfield oxfordi kognitív idegtudós, ugyanabból a kutatói körből, ahonnan a vezető tétel két szerzője. A könyv nem az emberi oldalról közelít, hanem magukról a nyelvi modellekről szól: hogyan működnek, és mit jelent, ha azt mondjuk rájuk, hogy gondolkodnak. Summerfield érvelése kellemetlenül józan: szerinte ahhoz, hogy kijelentsük, egy nyelvi modell egyáltalán nem gondolkodik, elég körülményesen kellene újradefiniálnunk magát a gondolkodást.

Megjegyzés: a könyvet még nem olvastam, de a fellelhető recenziók alapján nagyon jónak ígérkezik.

Forrás: Christopher Summerfield · These Strange New Minds (Ezek a különös új elmék) · Viking, 2025

Heti protokoll · AI FIT · Logika-pillér

Kérj tippet, ne oldj meg

A hét kutatásaiból egyetlen gyakorlat következik, és nem az, hogy hagyd abba, hanem hogy mást kérdezz. Amikor legközelebb elakadsz, ne azt írd be, hogy „írd meg” vagy „mi a megoldás”. Előbb írd le egy mondatban, magadnak, nem az AI-nak, hogy pontosan mit nem értesz. Ez a mondat nehezebben jön, mint gondolnád, és pont ezért ér valamit. Aztán ezt kérdezd: „Adj egy tippet, de ne a megoldást.” A kísérletben pontosan ez volt a különbség a két csoport között. Ez a sárga zóna, egyetlen mondatban.

Forrás: AI FIT protokoll · Logika-pillér