A mesterséges intelligencia a földrajzoktatásban

Bevezetés

Magyarországon a mesterséges intelligencia (MI, angol rövidítéssel AI) köznevelésbeli használata gyerekcipőben jár. Talán elsőre azt gondolhatjuk, hogy miért is lenne másképp, de az MI nem új dolog, már több évtizedes múltra tekint vissza. A 2022 novemberében ránk törő nagy nyelvi modelleken alapuló MI-k iskolai használatának kiterjedt szakirodalma és Európa sok országában szabályozása, illetve javaslatrendszere van. Az OECD 2023-as felmérése szerint Magyarországon nincs semmilyen szabályozás, de még javaslatok sincsenek az MI iskolai használatához (link5). Kettő és fél évvel a ChatGPT 3.5 verzió megjelenése után a Pedagógusok Szakszervezete úgy látja, hogy „ha nem kezdődik meg a mesterséges intelligencia hatékony és etikus használatának beépítése a közoktatásba, azt Magyarország versenyképessége fogja bánni” (R. Kiss K. 2025). Az MI iránt érdeklődő tanárok közösségi médiából (66%), ismerősöktől (9%) vagy a szakirodalom olvasásával (8%) tájékozódnak, 17%-uknak pedig nincsenek részletes ismereteik a mesterséges intelligenciáról (Fehér P. – Aknai D. 2025. Jelen tanulmány egy gyakorló tanár tapasztalatai alapján azt járja körül, hogy milyen ismeretek lehetnek szükségesek egy pedagógusnak ahhoz, hogy hasznosítani tudja az MI nyújtotta előnyöket és lehetőségeket a tanóráin.

A tanulmány összeállítása során a Perplexity.ai programot források keresésére, a Claude.ai-t ábrák létrehozására, a Mindmapai.app-ot pedig gondolattérkép készítésre használtam. Iskolámban a Microsoft 365 rendszer részét képező Microsoft 365 Copilot áll rendelkezésünkre. 

Mi a mesterséges intelligencia?

A mesterséges intelligencia meghatározása Suleyman, M. – Bhaskar, M. (2023) szerint „a gépek betanításának tudománya emberi képességek megszerzésére” (p. 7.). Mustafa Suleymannak hihetünk, hiszen ő a DeepMind – a legjobb go-játékosokat legyőző AlphaGo programot kifejlesztő vállalat – egyik alapítója és jelenleg a Microsoft AI vezérigazgatója. A fogalmak pontos használata az MI esetében is fontos. Tapasztalatom szerint sokszor úgy gondolunk a mesterséges intelligenciára, hogy az a ChatGPT, és csak a ChatGPT-re gondolunk, ha a mesterséges intelligencia szóba kerül. Ez a túlzott leegyszerűsítés félrevezető. Az MI programok hierarchiaviszonyait szemlélteti az alábbi ábra, amit a Claude.ai programmal generáltam. Az ábra nem egy utasítás, azaz prompt eredménye, hanem többszöri tartalmi és formai pontosításon, azaz iteráláson esett át. Tehát azok a mesterséges intelligenciák, amelyek a ChatGPT 2022. novemberi megjelenésével törtek ránk, a mesterséges intelligenciák generatív MI csoportjába és azon belül a nyelvi modellek közé tartoznak.

Az MI történeti áttekintése

Az MI történetéről sok forrást találunk, talán azért érdemes mégis röviden áttekinteni, mert mindenkit rádöbbenthet arra, hogy mennyi minden tartozik a mesterséges intelligencia tárgykörébe.

Jó kiindulás az MI történetéhez Alan Turing 1950-ben publikált Computing machinery and intelligence című tanulmánya. Írásában bevezeti az MI alapfogalmait, köztük a Turing-tesztet, amely során egy embernek el kell döntenie, hogy géppel vagy emberrel cseveg-e, és ha 5 perc után sem tudja eldönteni, akkor a gép átment a teszten. Ezzel kapcsolatban röppent fel az a hír 2024-ben, hogy a ChatGPT 4-es modell átment a Turing-teszten (link4). „Ma azonban a mesterséges intelligencia olyannyira fejlett, hogy ezt a tesztet a kutatók már nem tartják relevánsnak” (Le Cun, Y. 2025 p.18.).

Az 1960-1970-es években jelentek meg és terjedtek el a szakértői rendszerek, amelyek emberi szakértők tevékenységét utánozták emberi beavatkozás nélkül. Ezeket a rendszereket használták például a pénzügyi szektorban, az ábrán megjelenített MYCIN-t bakteriális fertőzések diagnosztizálására, a DENDRAL-t szerves molekulák szerkezetének azonosítására. Szertics G. (2024) megfogalmazásával a szakértői rendszerek létrehozása során „azt tanítjuk (ti. a mesterséges intelligenciának), amit tudunk” (p. 54.). 

A fejlődés nem volt egyenletes, többször is visszaesés következett be (pl. az 1970-es és az 1980-as évek végén), amikor az MI iránti érdeklődés és ezáltal a finanszírozás is jelentősen csökkent. Ezeket az időszakokat nevezik „MI-télnek” (link2).

Az elektronikus levelezés 1990-es években megjelent spamszűrői vagy a vásárlói és egyéb fogyasztói ajánló rendszerek is mesterséges intelligenciák abban az értelemben, hogy gépi tanulási elemeket tartalmaznak. Megtanulják, hogy mit tekintünk kéretlen e-mailnek, vagy milyenek a filmnézési és vásárlási szokásaink, és azok alapján ajánlanak filmeket és termékeket. A 2000-es években megjelent navigációs rendszerek, például a Google Maps és a Waze is folyamatosan tanulnak és fejlődnek a felhasználói adatok és a forgalmi információk alapján, így a tágabb értelemben vett MI-t használó programok kategóriájába tartoznak.

A 2010-es években megjelent képfelismerő alkalmazások, például a Facebookon vagy a Google Fotókban szintén gépi tanulási technológiákat alkalmaznak, amelyek képesek felismerni és kategorizálni a képeken lévő objektumokat, arcokat és helyszíneket. Ugyanennek az évtizednek a termékei a virtuális asszisztensek, pl. Siri, Alexa és Google Assistant, amelyek képesek megérteni és feldolgozni az emberi nyelvet, és ennek alapján válaszolnak vagy hajtanak végre feladatokat. Ezek a technológiák folyamatosan fejlődnek és javulnak az újabb gépi tanulási modellek bevezetésével. 

A számítógépek számítási kapacitásának növekedésének köszönhető a mai értelemben vett mélytanulás (Deep Learning) technológia kialakulása. A mélytanulás a gépi tanulás egy speciális formája, amely mesterséges neurális hálózatokat használ. Az így működő gépek az ember agyi folyamatait utánozzák és lehetővé teszik a rendszerek számára, hogy hatalmas mennyiségű adatból tanuljanak. Szertics G. (2024) megfogalmazásával a gépi tanulás és a mélytanulás az, amikor azt tanítjuk, ahogy tanulunk.

A legutóbbi (de vélhetően nem az utolsó) fontos fejlemény a transzformer alapú modellek, mint a BERT és a legismertebb GPT megjelenése 2018-ban, amelyek forradalmasították a természetes nyelvfeldolgozást. Az OpenAI 2022 novemberében tette nyilvánosan hozzáférhetővé a ChatGPT-t, amely a GPT-3.5 nagy nyelvi modellen alapuló generatív MI-rendszer. A nagy nyelvi modell kifejezés arra utal, hogy óriási információmennyiséggel tanították be a modellt (ezért vannak kis nyelvi modellek is); a generatív jelző pedig azt jelenti, hogy a válaszokat generálja, vagyis csak úgy tűnik, mintha egy emberrel beszélgetnénk, holott valójában számítási folyamat eredményét látjuk. Ezt fogalmazta meg Benedict Evans egy azóta már nem elérhető Twitter (X) posztban (idézi Stockings, K. 2024): „A nagy nyelvi modellek nem válaszolnak a kérdésekre. Olyan dolgokat hoznak létre, amelyek úgy néznek ki, mintha válaszok lennének a te kérdésedhez hasonló kérdésekre” (a szerző fordítása). Szertics G. (2024) megfogalmazásával a generatív MI az, „amikor azt tanítjuk, amit kollektíve megtanulunk” (p. 54.). A továbbiakban figyelmünket a nagy nyelvi modelleken alapuló (large language model – LLM) MI-rendszerekre fordítjuk. Végső soron ezek megjelenése idézte elő, hogy a mesterséges intelligencia oktatási felhasználásával foglalkozunk.

Kell-e foglalkozni az MI-vel az iskolában?

Szűts Zoltán (2020) A digitális pedagógia elmélete című munkájában a digitális technológia diszruptív, azaz bomlasztó jellege mellett érvel. Ha a „hagyományos” digitális technológia diszruptív, akkor az MI végképp felforgató jellegű. Szükségünk van-e arra, hogy az oktatás még jobban fel legyen forgatva, mint ahogy az elmúlt évtizedekben megtörtént? Aki az 1990-es években kezdett el tanárként dolgozni, az tanúja volt az iskolában a számítógép, az internet, a közösségi média és az okostelefonok megjelenésének és elterjedésének. Ezek a technológiák akár akartuk, akár nem, betörtek az iskolába; legfeljebb azt tudtuk eldönteni, hogy a saját munkánkban használjuk-e (a diákoktól kérjük-e) például az okostelefonokat vagy a közösségi médiát. Lehet tehát, hogy nincs is egyértelmű válasz arra a kérdésre, kell-e foglalkozni az MI-vel az iskolában, hanem az fog történni, hogy mindenki a maga munkájában foglalkozik, vagy nem foglalkozik az MI-vel. Két dolog azonban biztos: a gyerekek tudják, hogy van MI, és használják is. Figyelembe véve azt a szempontot, hogy az iskola egyik problémájának tekinthetjük a valóságtól való elszakadását (Prievara T., idézi Bordás G. 2017), érdemes megfontolni, hogy a tiltás vagy az agyonhallgatás helyett az MI használatát válasszuk-e inkább.

Az MI a földrajztanításban – szakirodalmi áttekintés 

A szakirodalmi áttekintés során 2023-ban és 2024-ben írt tanulmányokat és blogbejegyzéseket dolgoztam fel. Egy blogbejegyzés dátum nélküli, de a hivatkozásai alapján vélhetően 2024-ben vagy 2025-ben keletkezett. Olyan írásokat választottam, amelyek a földrajztanítás és -tanulás szemszögéből közelítik meg a mesterséges intelligencia oktatási célú használatát. A források között közoktatásban és a felsőoktatásban dolgozó tanárok, kutatók, a brit földrajztanárok szakmai egyesülete (Geographical Association, GA) és egy AI-portál publikációja szerepel. A GA tanulmánya (Geography.org.uk) hasznos lehet nemcsak az MI, hanem általában az IKT használata iránt érdeklődő tanároknak, mert tágabb összefüggésrendszerbe helyezve tárgyalja a technológia oktatási célú használatát.

A szakirodalmak tanulságait pro és kontra szempontok szerint csoportosítottam. Egyes szempontok több forrásban is megjelennek, ezeket a tömörség kedvéért csak egyszer említem. A feldolgozott források: Chang, C-H. – Kidman, G. 2023; Rakuasa, H. 2023; Stockings, K. 2024; link3, link6, link7.

Pro (előnyök, pozitívumok)

• Villámgyors hozzáférést tesz lehetővé hatalmas mennyiségű földrajzi tartalomhoz anélkül, hogy végtelenül hosszú weboldalakat kellene végigolvasni.
• Személyre szabott tanulási lehetőségeket nyújt, amelyek az egyes diákok igényeihez igazodnak. A tanulók adatainak és viselkedésének elemzésével az AI-rendszerek a tananyagot a tanulók saját erősségeinek, gyengeségeinek és érdeklődési körének megfelelően alakíthatják. Ennek köszönhetően a diákok saját tempójukban, az egyénileg számukra legmegfelelőbb stratégiákat alkalmazva haladhatnak az anyagon. A személyre szabott megközelítés, valamint a ChatGPT kiterjedt tudásbázisa és természetes nyelvi feldolgozási képességei elősegítik a mélyebb bevonódást, a jobb megértést, valamint gyors visszajelzést ad. A fent leírtak miatt végső soron magasabb szintű tanulási eredményekhez vezet.
• A mesterséges intelligencia algoritmusai képesek feldolgozni és elemezni a különböző forrásokból származó adatokat, segítve a diákokat olyan meglátások és összefüggések kialakításában, amelyeket manuálisan nehéz lenne elérni.
• A földrajztanulással összefüggésben a mesterséges intelligencia technológiája lehetővé teszi az összetett térbeli adatok gyorsabb és pontosabb elemzését.
• Személyre szabott szimulációkat és virtuális környezeteket hozhatnak létre, amelyek megkönnyítik és élvezetesebbé teszik a tanulók számára a földrajzi jelenségek megismerését. A virtuális kirándulások és interaktív szimulációk révén a diákok felfedezhetik a helyek fizikai és kulturális jellemzőit, még akkor is, ha fizikailag nem tudják meglátogatni azokat. Ez a módszer segíthet a tanulóknak jobban megérteni a nehéz témákat.

Tanulságok: a pozitív szempontok túlnyomó része nem földrajzi, hanem általános, pedagógiai jellegű. Az információhoz való gyors hozzáférés, a fogalmak magyarázata, a differenciálás és bevonódás tantárgytól függetlenül bármely tanulási folyamat hasznos összetevője lehet.

Kontra (hátrányok, negatívumok, kihívások)

• Fontos az MI válaszainak kritikus vizsgálata. A tanulók túlságosan az MI által generált anyagokra hagyatkoznak, és nem sajátítják el a kritikai gondolkodás készségét. Mivel a ChatGPT mindenképpen választ ad a kérdésekre, kulcsfontosságú, hogy a tanulók megkérdőjelezzék a kapott információkat, és kritikusan gondolkodjanak az információforrásokról.
• A ChatGPT használatakor „csak azt kapod, amit adsz”. Fontos a promptolási készségek (az MI-rendszereknek adott utasítások megfogalmazása) fejlesztése. A válasz minősége arányos a mesterséges intelligenciának feltett kérdés minőségével.
• Az adatvédelmi aggályok, az adatbiztonság és a mesterséges intelligencia algoritmusaiban rejlő elfogultság lehetősége csak néhány olyan etikai megfontolás, amellyel foglalkozni kell. Szigorú szabályozásokra és irányelvekre van szükség annak biztosítása érdekében, hogy a tanulók adataival ne lehessen visszaélni, és a magánéletük ne sérüljön.
• A technológiához való korlátozott hozzáférés elmélyítheti a tanulók különböző csoportjai közötti oktatási szakadékot. A technológiai infrastruktúrába való beruházás elengedhetetlen.
• A tantervekkel és a MI-technológiákkal kompatibilis tananyagok fejlesztésével kapcsolatos kihívások is felmerülnek.
• A pedagógusokat képezni és képessé kell tenni arra, hogy hatékonyan tudják használni ezeket a technológiákat. A vonzó és releváns tanulási tartalmak kifejlesztése is kellő időt és erőforrásokat igényel.
• Az emberi interakció mennyisége és minősége csökkenhet az osztályteremben.
• Az MI nem képes visszaadni azt az árnyalt megközelítést, amelyet számos földrajzi téma megkövetel. Vannak még olyan dolgok, amelyekre a ChatGPT nem képes: innovatív pedagógiai módszerek, különösen a terepmunka, valamint a szöveges, vizuális és auditív módokon túli tanulás, például a földrajzi információs rendszerek (GIS) használata.

Tanulságok: a kihívások nem mindig hátrányok, a kritikus gondolkodás fejlesztése a „hagyományos” internetes tartalomfogyasztás során is fontos szempont volt és ez nem változik meg az MI használatával. A jó kérdésfeltevés (vagy itt inkább utasítás, promptolás) továbbra is fontos. Foglalkozni kell az adatvédelemmel. Képezzük magunkat! Fordítsunk figyelmet arra, hogy a tanulók egymással is beszéljék meg a tapasztalataikat, mutassák be, hogy mit tanultak az MI használata során!

Összegzésként álljanak itt a link3 szerzőjének az MI használatával kapcsolatos  megállapításai és a  12-13. évfolyamos diákjainak adott tanácsai (szabadon fordítva). 

• Mindenekelőtt: ismerd fel a mesterséges intelligencia korlátait!
• Az MI nem geográfus.
• Nagyot tévedhet.
• Nem ismeri az iskolai követelményeket.
• Nem helyettesíti az ismétlést és a vizsgafeladatok tanulását.
• Ismerd meg, hogy hogyan használhatod eredményesen az MI-t az ismétlésben!
• Ha nem értesz valamit, kérd, hogy magyarázza el!
• Kérd a választ téma szerint csoportosítva és pontokba szedve!
• Ha továbbra sem érted, kérdezz tovább, kérdezz másképp!
• Ha túl bonyolult vagy hosszú a válasz, kérd, hogy egyszerűbben, rövidebben válaszoljon!

Hogyan működnek a nyelvi modellek?

Hogyan működnek a nagy nyelvi modelleken alapuló mesterséges intelligencia rendszerek? Úgy tűnik, egész pontosan a készítői sem tudják. „A legnagyobb modellek ma már annyira összetettek, hogy a kutatók úgy tanulmányozzák őket, mintha különös természeti jelenségek lennének: kísérleteket végeznek, és megpróbálják megmagyarázni az eredményeket” (Heaven, W. D. 2024; a szerző fordítása).

Mit tapasztalunk mi egy nagy nyelvi modell használata során? A felhasználó begépeli (vagy mondja) a kérdést, a parancsot, majd néhány másodperc múlva megjelenik a válasz. Mi történik a kérdés és a válasz között? A kérdés feltevése (parancs, prompt) után a következő lépések történnek.

• Tokenizálás: a szöveg számítógépes formátumba, tokenekre történő bontása. Egy token lehet egy szó, egy szótag, néhány karakter vagy akár egy karakter. Az ábrán megjelenő szöveget a Claude.ai írta. Azt kértem, hogy generáljon egy olyan szöveget, amellyel jól tudom szemléltetni a tokenizálást. Angol és egyszerűbb magyar szövegek esetében gyakran a szavak lesznek a tokenek, nincs szükség a szavak felbontására. Azokban a szövegekben viszont, amelyek több hosszú összetett szót, sokféle toldalékot, ritkább vagy speciálisabb kifejezéseket és idegen eredetű szakszavakat is tartalmaznak, egyes szavak akár több tokenre is tagolódhatnak.
• Modell aktiválása: a tokenizált szöveg betöltése a nagy nyelvi modellbe.
• Kontextus elemzése: a modell elemzi a bemenet kontextusát.
• Válasz generálása: a modell a kontextus alapján generál egy választ, ami történhet szószintű vagy mondatszintű predikcióval (a válasz létrehozása során a modell valószínűséget számít a következő szavakra, mondatokra, és közülük a legvalószínűbbeket választja ki).
• Válasz formázása és a kimenet megjelenítése.

A promptolás összetevői és jelentősége

A prompt jelen szövegösszefüggésben a mesterséges intelligencia nyelvi modellnek adott bemeneti szöveg, ami lehet kérdés, utasítás, feladatleírás vagy bármilyen más szöveges input, amire választ várunk a rendszertől. A kimenet, a kapott eredmény szempontjából kiemelkedő jelentőségű, hogy jó promptot írjunk. A promptolás jelentőségét mutatja, hogy léteznek prompt engineering képzések. Justin V. (2024) szerint „A prompt engineering tehát ma már – minden ellenkező vélemény ellenére – messze nem csupán egy divatos szó, hanem egy olyan fejlődő terület, ami az emberi kreativitást és az MI képességeit ötvözi.” Ugyanakkor olyan vélemények is vannak, melyek szerint „sokkal előbb tanul meg az AI érteni abból, amit mi írunk neki, mintsem mi megtanulhatjuk, hogyan is kell vele – a jelenlegi formájában – hatékonyan kommunikálni” (Nádori G. 2025). A jó promptolást mutatja be Bereczki N. (2024) szemléletes blogbejegyzése. Bár úgy tűnik, amellett érvel, milyen fontos az, hogy eleve jó promptot adjunk meg, a fő mondanivalója számomra mégiscsak az, hogy a menet közbeni pontosítás, az iterálás a legfontosabb. Tehát ne féljünk kipróbálni, hogy mi történik, ha valamit kérünk az MI-től! Ha nem jó az eredmény, akkor pontosítsunk, így nem csak pontosabb eredményt kapunk, hanem előbb-utóbb egyre jobb promptokat fogunk írni.

Sok hasznos javaslatgyűjteményt találhatunk a jó promptolás összetevőiről. A tanulmány kedvéért a Adegbuyi, F. 2023) blogbejegyzéséből készítettem egy gondolattérképet a mindmapai.app használatával. (Megjegyzendő, hogy egy 10 pontos felsorolásnak talán nem a gondolattérkép a legpraktikusabb megjelenítési formája, azt az illusztráció kedvéért készítettem. A program ennél összetettebb gondolattérképeket is készít.) A prompt: „Az alábbi blogbejegyzés 10 pontba szedi a prompt tervezés jó gyakorlatait. Egy olyan gondolattérképet szeretnék, amely magyarul megnevezi az egyes pontokat 1-től 10-ig és minden pontban röviden összefoglalja, hogy mi az adott pont lényege. A bejegyzés linkje: https://www.digitalocean.com/resources/articles/prompt-engineering-best-practices.” Az eredményt nem iteráltam, tehát az első eredmény látható az ábrán. Tapasztalatom szerint az iterálás (5. pont), a prompt utólagos finomítása, pontosítása a leghasznosabb, amit diákjainknak is fontos megtanítanunk. Hasonlóan ahhoz, ahogy az internetes keresés során sem mindig az első találat a legjobb, itt sem biztos, hogy az első kérdés után megkapjuk a választ a kérdésünkre, ezért tovább kell kérdezni, tovább kell beszélgetni az MI-vel.

Tanulságos lehet az MI-t megkérdezni, hogy hogyan kell, vagy – rossz válasz esetén – hogyan kellett volna kérdezni (promptolni). Írhatunk metapromptot is, vagyis megkérjük az MI-t, hogy írjon egy promptot, amit mi a diákoknak fogunk megadni példaként, hogy így néz ki egy prompt, amit lehet, hogy jól tudnak használni a tanulás során. Metaprompt írása esetén érdemes a következő formulával próbálkozni: „Viselkedj gimnáziumi oktatásban tevékenykedő gyakorlott MI szakértőként. Hozz létre egy promptot abból a célból…” (Novák K. 2025). És természetesen próbáljuk ki „diákként”, hogy mi történik a prompt használata során.

Nyelvi modellek és applikációk

A ChatGPT 2022. novemberi megjelenése után további fejlesztők sorra jelentkeztek be saját modelljeikkel. Ezeknek mostanra áttekinthetetlen sokaságával szembesülünk. Az alábbi táblázat néhány ismertebb nyelvi modellt mutat be a fejlesztő cég és a kezelői felület (interfész) megnevezésével. A Microsoft 365 Copilot azért lóg ki a sorból, mert nem a Microsoft saját fejlesztésű nyelvi modelljét használja, hanem az OpenAI által fejlesztett valamelyik GPT modellt. (Hogy melyiket, az attól is függ, hogy melyik Copilotot használjuk.) Ez azért van, mert a Microsoft infrastruktúrát és technológiai támogatást nyújtott az OpenAI-nak a modell fejlesztéséhez és betanításához (Foley, M. J. 2020).

Azt, hogy melyik nyelvi modellt használjuk, több tényező is befolyásolhatja. Ha valaki Microsoft 365-öt vagy Google Classroomot használ iskolai rendszerként, vélhetően a Copilotot, illetve a Geminit használja. Ez azért is praktikus, mert a Microsoft és a Google kinyilvánította, hogy a diákok adatait nem használják fel a modellek betanítására (Jaspreet é. n.). A ChatGPT-t ellenben az elmúlt időszakban sok támadás érte a felhasználói adatok gyűjtése miatt (Gróf J. 2024, Mauran, C. 2024, Miklós P. – Németh A. 2025). Ha nincs lehetőségünk iskolai rendszerbe integrált nyelvi modell használatára, érdemes elgondolkodni azon, hogy ingyenes modellt, modelleket veszünk-e igénybe, vagy előfizetünk-e valamelyikre. Az egyes modellek között lehetnek különbségek abban, hogy miben jók. Arról, hogy érdemes-e előfizetni, személyes beszélgetéseim alapján megoszlanak a vélemények. Az alapmodelleket is nagyon jól használhatónak tartják, ugyanakkor a fizetős változatok nem véletlenül fizetősek. Az előfizetés jellemzően nem csak korlátlan hozzáférést biztosít, hanem jobb minőségű válaszokat is, mert az adott nyelvi modell nagyobb tudású (nagyobb számú paraméterrel betanított) változatához férhetünk hozzá.

A nyelvi modelleken kívül rengeteg MI alapú applikációt is találunk és mostanra szinte kötelező lett, hogy minden online program rendelkezzen valamiféle MI-vel. Már nemcsak MI alapú applikációból van rengeteg, hanem gyűjtőoldalakból is, a legismertebb valószínűleg a There’s An AI For That. Egyes gyűjtőoldalak ezért aztán azzal próbálkoznak, hogy ők csak a nagyon jó appokat veszik fel a gyűjteményükbe, ilyen pl. a Futurepedia, és vannak olyan oldalak, amelyek a tanári munka sok területére kínálnak MI alapú megoldásokat, például a MagicSchool, vagy a diákok munkájának nyomon követését, személyre szabott tanulást kínáló oldalak, például a SchoolAI. Természetesen érdemes lehet keresgélni a gyűjtőoldalakon, főleg, ha van egy konkrét probléma, amit szeretnénk megoldani, amihez keresünk egy alkalmazást.

Ám mielőtt nekiállunk, érdemes végiggondolni a következőket. Sok MI-szolgáltatás, mint például a SchoolAI vagy a MagicSchool a nagy nyelvi modellekre épül, például a GPT-4-re. Ezek a cégek előfizetnek az adott nyelvi modell API-jára – ez az Application Programming Interface rövidítése; egy program azon összevetője, amely lehetővé teszi más szoftverek számára, hogy kommunikáljanak vele, adatokat kérdezzenek le, funkciókat hívjanak elő –, majd erre építenek egy felhasználói felületet és testreszabott funkciókat. Azzal, hogy a cégek promptokat írnak a nyelvi modell használatára, jobb minőséget nem tudnak elérni, mint az eredeti nyelvi modell. Az appok tehát inkább kényelmet és időmegtakarítást kínálnak azzal, hogy előre elkészített megoldásokat biztosítanak. Lehet, hogy jobban járjunk, ha saját magunk próbáljuk meg elérni az eredeti nyelvi modellel, amit szeretnénk (Nádori G. – Prievara T. 2025). Ha van hozzáférésünk egy nyelvi modell legnagyobb tudású verziójához (ami jellemzően egy fizetős változat), érdemes azt használnunk, főleg, ha tapasztalt felhasználók vagyunk, vagy azok szeretnénk lenni.

A Microsoft 365 Copilot-ban megjelent a saját ügynök létrehozásának lehetősége. Az ügynök egy testre szabható segéd, amelyet különböző célokra promptolhatunk, azaz taníthatunk be. Előnye, hogy nem kell mindig leírni a csetben, mit szeretnénk, elég csak bemásolni a feldolgozandó tartalmat. A nyelvi modellek egy beszélgetésben (jó esetben) ismerik és figyelembe veszik az előzményeket, de a kérdés-feleletek száma korlátos, az ügynök viszont korlátlanul használható. Jelen tanulmány írása során létrehoztam egy „Hivatkozás ügynököt”, amelynek megmutattam a kívánt hivatkozási formát és ezután már minden magyarázat nélkül csak bemásoltam a felhasznált források adatait, az ügynök pedig a kívánt formába rendezte.

Szabályok – MI házirend iskolai-tanórai szinten

Az iskolai, diákok általi MI-használat módjával természetesen szükséges foglalkozni. Adatvédelmi szempontból aggályosnak tűnik egy szabadon elérhető ChatGPT használata a korábban említett okok miatt. Akinek az iskolai keretrendszer lehetővé teszi, mindenképpen érdemes a rendszerben elérhető nyelvi modellt igénybe venni és erre bíztatni a diákokat is. Tapasztalatom szerint a tanulók jellemzően (ahogy minden másban is) egymástól és a médiából tájékozódnak, és nincsenek tisztában azzal, hogy az iskolai rendszerben esetleg egy jobb minőségű nyelvi modell érhető el, mint ha az ingyenes ChatGPT-t használják. Az adatvédelmi dolgokkal jellemzően nem foglalkoznak, de ettől még a tanárok nem kérhetik a GDPR (az Európai Unió Általános Adatvédelmi Rendelete) szempontjából problémás felhasználást.

A házirend nemcsak tiltást, hanem egy tanuláson és megértésen alapuló javaslatcsomagot is jelenthet. Erre találunk példákat azokban az országokban, ahol hivatalosan foglalkoznak az MI iskolai használatával. Ilyen például az AI for Education által készített Student Guide for AI Use (link1), de találunk házirendjavaslatot a tanárblogon is (Nádori G. 2024). A fenti házirendek közös jellemzője, hogy tartalmaznak olyan részt, amely az MI teljes kizárását javasolja bizonyos munkafolyamatokból, és konstruktív javaslatokat tartalmaznak arra nézve, hogy melyik munkafázishoz milyen szintű és típusú MI-használatot tartanak lehetségesnek. Támogatott például az ötletelés, a félkész munka továbbfejlesztésében nyújtott segítség vagy a bonyolult folyamatok, jelenségek magyarázata. Feltételesen támogatott a források keresése, mert ez már ellenőrzést igényel. Nem támogatott – természetesen – a teljes munka elvégzése.

Miben jók, miben kevésbé jók a nyelvi modellek? Jobb lesz-e az MI-vel végzett munka?

Az erősségek összefoglalása több okból is problémás. Egyrészt a különböző modellek eltérő területeken teljesítenek jól, másrészt az egyes fejlesztők (1. táblázat) nemcsak általános célú, hanem specializált modellekkel is jelentkeznek. Az OpenAI általános célú modelljei a GPT-k (pl. GPT‑4.0, GPT‑4.1), de vannak reasoning, azaz érvelő modellek (pl. o3, o4‑mini), amelyek olyan területeken jók, ahol a mélyreható logikai elemzés elengedhetetlen (Kwatra, S. 2025). Ezért amikor arról olvasunk, hogy az OpenAI új javaslatcsomaggal állt elő, hogyan promptoljunk (allglenn, 2025), akkor érdemes észrevenni, hogy a reasoning modellekről van szó, tehát nem biztos, hogy az általános célú modellekre is ugyanez érvényes. Bonyolult! Tanárként talán egy olyan kutatás szemléletes számunkra, amely az egyes modellek teljesítményét mérte le a kompetenciamérések feladatai alapján. „Összességében elmondható, hogy bár az érvelő (reasoning) modellek lassabbak és drágábbak, minden kategóriában jobban teljesítettek, mint a többi. Az eredmények azt mutatják, hogy a nagy nyelvi modellek a problémamegoldó és analitikus készségeket igénylő területeken még nem képesek egyértelműen helyettesíteni az embereket” (Fekete K. 2025).

Az MI-vel végzett munka eredményére nagyon találó megfogalmazást ír Nádori G. – Prievara T. (2025): „a generatív AI alkalmazások értékajánlata NEM az, hogy semmiből azonnal jót csinál, hanem az, hogy talán picivel kevesebb idő ráfordításával, de komoly munkával, sokkal jobb esszé fog születni, mint születne AI nélkül”.

A nyelvi modellek megjelenésével összefüggésben a prompt mellett a másik sokat emlegetett kifejezés a hallucináció. Ez azt jelenti, hogy a modell akkor is ad választ, ha nincs információja a témáról. Ennek oka a működésben rejlik: a tokenizálás során a valószínűségszámítás alapján akkor is keletkezik egy eredmény, ha annak nincs semmi valóságalapja. Ezt tekinthetjük a nyelvi modellek fő korlátjának, ami arra int, hogy mindig kritikusan fogadjuk a válaszokat, ellenőrizzük a forrásokat és erre bíztassuk tanítványainkat is.

Jó gyakorlatok, tanórai használat

Az MI oktatási célú felhasználását röviden és mindenre kiterjedően természetesen nem lehet bemutatni, ezért néhány kiragadott példával illusztrálom a lehetőségeket.

Tanórai használat

Tanulságos megfigyelni, hogy diákjaink hogyan használják az MI-t. Természetesen kérhetjük az MI cset elküldését, bár ha az a célunk, hogy ellenőrizzük a diákok tanulási folyamatát, akkor célszerű lehet egy erre fejlesztett alkalmazást, például a SchoolAI-t használni.

Tapasztalatom szerint az egyik legjobb lehetőség az MI használatában a differenciálás megvalósítása. A differenciálást itt érthetjük tartalom szerinti, érdeklődés szerinti és tudásszint szerinti differenciálásként is. Az alábbi példában a diákok azt a feladatot kapták, hogy csoportokban készítsenek prezentációt egy jellegzetes geológiai helyszín bemutatására. Munka közben a Vezúv csoport prezentációjában az láttam, hogy „a Földközi-tenger nagy jelentőséget játszik ebben a folyamatban”, ahol a folyamat a vulkán kitörése. Megkérdeztem, hogy pontosan mi a Földközi-tenger jelentősége és azt a választ kaptam, hogy nem tudják, csak olvasták valahol. Megkértem az egyik csapattagot, hogy beszélgessen a Copilottal és próbálja meg kideríteni ezt a jelentőséget. Kicsit később az alábbi beszélgetést láttam.

Érdemes megfigyelni, hogy a diák csak keresőszavakat használ, mintha hagyományos internetes keresést folytatna. A második kérdés nem pont arról szólt, amire kíváncsiak voltunk, nem is kerültünk közelebb a megoldáshoz.

Javasoltam, hogy kérdezzen tovább, pontosan arra, amit szeretne megtudni. Azt gondolom, hogy a következő ábra 1. pontja egy releváns válasz a kérdésre, középiskolás szinten teljesen érthető és elfogadható. A képernyőképeken azt is látjuk, hogy a Copilot kérés nélkül megadja a forrásokat, ahol ellenőrizhetjük, hogy valóban az szerepel-e, amit megfogalmazott nekünk, illetve azt is, hogy az internetes keresésekhez hasonlóan a Wikipédia az első források között szerepel.

Értékelés, visszajelzés

A nyelvi modell szövegösszefoglaló képességét használhatjuk például feladatok, projektek értékelésének egyszerűsítésére. A fenti, csoportmunkában készített prezentáción diákjaim több órán keresztül dolgoztak. A beküldött részfeladatokra az órák előtt írásban visszajeleztem a Teams Feladatban. Az előadások után az órán szóban is értékeltünk, majd írtam egy végső értékelést szintén a Teams Feladatban. Amikor eljött a projekt értékelésének ideje, a Teams-ben rengeteg adat gyűlt össze a projektről, amit egyszerűen ki lehet exportálni egy Excel fájlba. Ebből a fájlból az értékeléseket kimásoltam egy Word fájlba, ami egy kb. 16 000 karakteres dokumentum lett és az összefoglalását kértem a Copilottól. (Azt is megtehettem volna, hogy közvetlenül az Excel fájl megadott oszlopainak összefoglalását kérem, de a biztonság kedvéért jobbnak tűnt csak a szükséges tartalmat megmutatni a Copilotnak.) Az ellenőrzésre itt nem kellett sok időt fordítanom, hiszen én írtam ezeket a visszajelzéseket, az MI csak rendszerezte és tömörítette a szöveget. Bonyolultabb feladatok esetén valószínűleg eleinte többet kell foglalkoznunk az MI által adott eredmény ellenőrzésével, de ha azt tapasztaljuk, hogy pontosan dolgozik, akkor előbb-utóbb meg fogunk bízni benne, ha pedig azt, hogy nem pontos, akkor változtatnunk kell a prompton (esetleg elgondolkodni azon, hogy nem kérünk-e lehetetlent.) Rendszeresen kért MI feladatra érdemes lehet egy ügynököt létrehozni.

Diagramkészítés

A Copilottal nagyon jól lehet adatokból diagramokat készíteni. Természetesen diagramot Excellel is lehet készíteni, de egy Wikipédia oldalról kimásolt adathalmazt néha még rendszerezni is nagy munka, az MI viszont (jó esetben) tudja értelmezni a bemásolt adatokat. És egy éghajlati diagramot nem is olyan könnyű Excelben összerakni. (Éghajlati diagram letöltésére vannak jó weboldalak, most arról van szó, hogy az adatokból hogyan lehet a diagramot elkészíteni.) További haszna egy ilyen „kalandnak”, hogy a promptolási készségünket is jól fejleszthetjük.

Kódolás, programozás

Ha valaki eddig nem tudott programozni, vagy akár csak egyszerű kódokat írni, most lehetősége nyílik arra, hogy az MI használatával, szövegesen megfogalmazva a célt, különböző kódokat, scripteket, akár programokat írjon. Egy Ammaar Reshi (2023) nevű Claude.ai felhasználó 5 prompttal írt egy kígyó játékot Apple Watch-ra. Persze nem az okosórákra történő játékkészítés lesz a leghasznosabb, de engem például az alábbi módon húzott ki a csávából. Azt ígértem a diákoknak, hogy aki egy anyagrész során az összes, 10 kérdéses, gyakorló módra beállított Forms kvízt elvégzi hibátlanul, az kap egy ötöst. Csak később jöttem rá, hogy ennek az ellenőrzése nem is lesz egyszerű. Itt jött a Copilot, amivel rövid úton tudtam készíteni egy olyan scriptet, ami a Forms-ból letöltött és egy fájlba másolt Excel adatokból kibogarássza, hogy melyik diák felel meg a kritériumoknak. Ezzel a kóddal pontosan úgy jártam, ahogy a korábbi bekezdésben írtam: először mindig egyesével ellenőriztem, hogy jó-e az eredmény, és mivel mindig jó volt, most már megbízom benne. Érdemes kipróbálni a html-kód írását is (Prievara T. 2024).

Hol és hogyan tanuljuk a mesterséges intelligencia használatát?

A bevezetésben hivatkozott forrás (Fehér P. – Aknai D. 2025) szerint a tanárok jelentős része a közösségi médiából tájékozódik a mesterséges intelligencia használatáról. A Facebookon sok tematikus csoport elérhető, melyek részben kifejezettem MI tematikájúak (MI az oktatásban, Mesterséges intelligencia az oktatásban), máskor tágabb IKT csoportokban (Microsoft 365 a közoktatásban) és persze a szaktárgyi csoportokban (Földrajztanárok Klubja) is téma az MI használata. Jelen tanulmányban a saját próbálkozás mellett (is) letesszük a voksunkat. Mielőtt bevisszük órára, természetesen érdemes tesztelni, úgy kipróbálni, mintha mi lennénk a diákok, és azt a feladatot megoldani „diákként”, amit kérni fogunk. Az MI-től kapott válaszok szinte biztos, hogy nem ugyanazok lesznek, amit majd a diákok kapnak, de az MI már csak ilyen. És itt is igaz, amit az IKT tanítási-tanulási célú használata során megszoktunk: kérjük a tanulókat, hogy mutassák be, mondják el, hogy mit tapasztaltak, tanuljunk együtt velük. A mesterséges intelligencia által generált tartalmak hivatkozása amúgy is problémás. Érdemes azt kérni diákjainktól, hogy ne csak a használt modellt tüntessék fel, hanem mondják el, hogy mire használták és mire jutottak vele. Az interneten találunk ingyenes (Mesterséges intelligencia az oktatásban) és fizetős továbbképzéseket. Érdemes olvasni a tanárblogot, ahol rendszeresen jelennek meg posztok az újdonságokról, a bevált gyakorlatokról és webináriumokat is szerveznek. Továbbá különösen hasznosnak és érdekesnek tűnik Suleyman, M. – Bhaskar, M. (2023), Harari, Y. N. (2024), Szertics G. (2024) és Le Cun, Y. (2025) könyveinek tanulmányozása.

Néhány javaslat a mesterséges intelligencia tanórai használatával kapcsolatban

• Támogassuk diákjaink tanulási célú MI használatát! 
• Próbáljuk az adatvédelmi szempontból kevésbé aggályos modellek használata felé terelni a tanulókat!
• Tanórai használat előtt próbáljuk ki, hogy mi történik, ha a diák az általunk javasolt módon használja az MI-t! Mentsük el, mutassuk meg az általunk hasznosnak tartott promptokat és válaszokat!
• Ha nem kapunk jó válaszokat, kérdezzük meg az MI-t, hogyan lehetne jobban kérdezni a megfelelő válasz érdekében!
• Kérjük diákjainktól az MI etikus és kritikus használatát! Mondják el, hogy az MI-t mire használták, hogyan használták, hasznos volt-e; ellenőrizzék más forrásból (tanár, tankönyv), hogy helytálló információkhoz jutottak-e!
• Adjunk tanácsokat a jó promptoláshoz! Az MI használata során adják meg a kontextust (pl. gimnáziumi szinten kéri az információt), a témát (pl. másolja be a tankönyv adott szakaszát), írják le pontosan, hogy mit szeretnének (megérteni egy folyamatot; vázlatos összefoglalást; példákat: helyeket a Földön, ahol az adott jelenség előfordul; keresőszavakat, hogy jellegzetes képeket, ábrákat találjanak internetes kereséssel). Például ha a gimnáziumi földrajz tankönyv ezt írja a tengerpartok alakulásáról: „A hullámverés a mély vizű partoknál pusztító munkát végez. A sekély vizű partokon a hullámok már a partok előtt morajlanak, így a szárazulat peremén már nem pusztítanak, inkább építik a partot, ahol gyakran hordalékgátak turzások) képződnek” (Arday I. et al. 2020 p. ???), és ennek alapján szeretném megérteni, hogy pontosan hogyan alakul ki a tengerpartok formakincse, akkor kérek egy vázlatos magyarázatot példákkal. És ha a válaszban a diákok nem értenek valamit, kérdezzenek tovább! Például hogy „Pontosan mi az a turzás? Hogy néz ki, hol fordul elő? Kérek olyan példát, amire ha rákeresek az interneten, szemléletes képeket találok a turzásokról”. (Az idézetek egy használható válaszokat eredményező beszélgetés promptjai.)