Podobně, jako se před několika desetiletími stala samozřejmostí znalost práce s kancelářským softwarem, stává se dnes standardem schopnost smysluplně využívat nástroje generativní AI, reprezentované například ChatGPT, Gemini či specializovanějšími aplikacemi. Akademie věd se prostřednictvím své Strategie AV21 a jejího programu AI: Umělá inteligence pro vědu a společnost rozhodla uspořádat pro vědce sérii workshopů pro výzkumníky s Michaelou Liegertovou.
Zkušenosti z webinářů nazvaných Využití velkých jazykových modelů (LLMs) ve výzkumných workflows potvrzují, že v prostředí výzkumu nestačí obecná znalost nástrojů. Účastníci jak české, tak anglické workshopové série, kterých bylo dohromady přes 900, oceňovali zejména to, že lektorka – Michaela Liegertová, která je současně proděkankou PřF UJEP – má vlastní výzkumnou zkušenost a dokáže mluvit „jazykem vědců“. Právě autenticita a znalost reálných pracovních postupů se ukázaly jako klíčové pro přijetí ze strany účastníků.
„Vědecké prostředí je specifické svými nekompromisními nároky. Nejde jen o efektivitu, ale i o integritu. Zásadní je pro nás faktická správnost, přesnost a transparentnost, kdy musíme umět doložit, jak jsme k výsledku došli. S tím úzce souvisí i výzvy v oblasti reprodukovatelnosti, etiky a bezpečnosti dat, protože pracujeme s citlivým know-how, které vyžaduje mnohem vyšší míru ochrany,“ říká lektorka webinářů Michaela Liegertová, která mimochodem patřila mezi finalisty letošních AI Awards v kategorii vzdělávání.
Webináře tematicky pokryly většinu klíčových fází výzkumného procesu: od literární rešerše, formulace výzkumných otázek a hypotéz, přes práci s daty, až po diseminaci výsledků, popularizaci a také přípravu grantových návrhů.
Ne návod, ale způsob myšlení
Na rozdíl od tradičního softwaru nabízí generativní AI nástroje výrazně více „stupňů volnosti“. Nejde tedy jen o to, jak nástroj používat, ale především jak o jeho využití přemýšlet. Webináře proto kladly důraz na rozvoj kreativity při zadávání úloh, na hledání nových způsobů využití a na pochopení limitů těchto technologií.
Zároveň se ukázalo, že vzdělávání v této oblasti nelze pojímat jako jednorázovou akci. Rychlost změn je extrémní, kdy to, co bylo aktuální před půl rokem, může být dnes překonané. O to důležitější je vyvažovat nadčasové principy (např. kritické hodnocení výstupů, etické aspekty, práce s kontextem) s praktickými dovednostmi vázanými na konkrétní nástroje.
„Při takové rychlosti vývoje radím především zachovat otevřenou mysl a trochu badatelské hravosti. Pokud něco nefunguje dnes, zítra už může být k dispozici aktualizace, která problém vyřeší. Snažím se proto výzkumníky motivovat k vlastnímu experimentování, odměnou jim totiž může být nejen úspora spousty rutinní práce, ale i obohacení samotného způsobu myšlení,” osvětluje svůj postoj lektorka.
Sdílení dobré praxe i slepých uliček
Jedním z největších přínosů se ukázalo být sdílení konkrétních příkladů, a to nejen úspěchů, ale i tzv. pitfalls. Teprve při dosažení určité „nadkritické masy“ účastníků vzniká prostředí, kde se mohou výzkumníci navzájem inspirovat napříč obory a institucemi. Právě tento komunitní rozměr je podle organizátorů jedním z hlavních argumentů pro pokračování a rozšiřování aktivity.
Data pro výzkum: spolupráce s Psychologickým ústavem AV ČR
Velký počet účastníků umožnil realizovat také výzkum mezi uživateli, který probíhá ve spolupráci s Psychologickým ústavem AV ČR v rámci programu Strategie AV21. V datech se začínají objevovat typické „příběhy“, například rozdíly v adopci AI nástrojů mezi obory, generační odlišnosti nebo proměna postojů od počáteční skepse k pragmatickému využívání.
Marek Urban, vedoucí CREAITE lab Psychologického ústavu AV ČR, k tomu doplňuje: „V datech vidíme hlavně posun od obecné zvědavosti nebo předběžného skepticismu k více kalibrovanému používání. Po šesti, resp. pěti školeních byla skupina vědců a vědkyň, která intervencí prošla, celkově více nakloněná využívání generativní AI v práci než skupina bez zkušenosti s naším tréninkem. Zároveň ale když naše tréninková skupina dostala k posouzení konkrétní AI vygenerovaný text, dokázala jej zhodnotit více kriticky než skupina bez tréninku. V praxi to vypadá tak, že se objevuje vzorec „používat, ale ověřovat“. Generativní AI je častěji chápána jako nástroj pro podporu dílčích kroků (návrhy formulací, strukturování, brainstorming, zrychlení rutinních částí), nikoli jako autorita. A roste důraz na kontrolní návyky při kontrole faktů, dohledávání zdrojů, porovnání alternativ, explicitní práce s tím, že výstupy mohou být přesvědčivé a zároveň chybné.”
Michaela Liegertová ještě dodává, že „největší výzvou je překonat představu, že by generativní AI měla být neomylný generátor faktů. Jde o pravděpodobnostní nástroje, u kterých je riziko nepřesností či halucinací všudypřítomné. Výzkumníky se snažím vést k tomu, aby výstupy nevnímali jako finální řešení, ale jako surovinu, jakýsi myšlenkový substrát. Cílem není převzít hotový výstup, ale nechat se jím inspirovat k řešení problému. Právě tento posun od pasivního přijímání k aktivní validaci je ve výzkumném prostředí zásadní.”
Institucionální otázky: licence, flexibilita, systémové limity
Z diskusí opakovaně vyplynula také potřeba systémově řešit licenční otázky. Zatímco dnes se nákup nástrojů často odehrává na úrovni jednotlivých laboratoří, institucionální infrastruktura není plně připravena na pořizování většího množství relativně levných, ale jednoúčelových nástrojů s pravidelnými platbami. To klade nové nároky na flexibilitu nákupních procesů i na strategické rozhodování vedení institucí.
Perspektiva do budoucna: otevřenější a mezinárodní
Zkušenosti z obou běhů potvrzují, že vzdělávání v oblasti generativní AI je Michaela Liegertová. Organizátoři proto plánují v aktivitách pokračovat, rozšiřovat je i z hlediska uživatelského komfortu a postupně je otevírat dalším institucím v ČR i v zahraničí – první spolupráce již vznikla v oblasti školení s konsorciem ELI ERIC.
Autor: Martin Víta
Zdroj: Ústav informatiky AV ČR
- Autor článku: ne
- Zdroj: Akademie věd ČR
