Egyre többen használnak manapság mesterséges intelligencián (AI-on vagy MI-n) alapuló eszközöket a szakirodalom keresésére. A ChatGPT, a Copilot, a Claude, a Google Gemini, a Grok és más generatív chatbotok hasznosak is lehetnek egy téma feltérképezésében, kulcsszavak gyűjtésében, fogalmak tisztázásában vagy a keresési stratégia előkészítésében. A probléma akkor kezdődik, amikor a felhasználó a felsorolt szolgáltatások által ajánlott forrásokat ellenőrzés nélkül emeli át dolgozatába, kéziratába vagy pályázati anyagába.
Képzeljünk csak el egy doktoranduszt, aki erre kéri kedvenc chatbotját:
„Ajánlj húsz releváns tanulmányt, melyek az AI-alapú szakirodalom-keresés megbízhatóságát tárgyalják!”
A kapott válasz első pillantásra igen meggyőző: szerzőket, címeket, folyóiratneveket, évszámokat, kötet-, füzet- és oldalszámokat, sőt még DOI azonosítókat is láthatunk. Az ellenőrzés során azonban kiderülhet, hogy egyes cikkek nem is léteznek, bizonyos címek csak hasonlítanak valódi publikációkéra, egy DOI egy teljesen más tanulmányra mutat, vagy a létező forrás valójában nem is a keresett témával foglalkozik. Ezek a hibák persze nem egyszerre, hanem különböző mennyiségben és kombinációkban jelentkezhetnek, de egy biztos: az AI által hallucinált hivatkozások egyre komolyabb problémát jelentenek a tudományos kommunikációban, különösen azért, mert már megjelent publikációkban is felbukkanhatnak.
Miért fabrikál az AI hamis szakirodalmat?
A nagy nyelvi modellek nem könyvtári katalógusként vagy tudományos adatbázisként működnek. Nyelvi mintázatok alapján becsülik meg, hogy egy adott szövegkörnyezetben mely szavak, nevek és fogalmak következhetnek egymás után. Ezért válaszaik természetesnek és hitelesnek tűnhetnek akkor is, ha hibás vagy teljesen kitalált hivatkozásokat tartalmaznak. Ezt a jelenséget nevezzük hallucinációnak.
Manapság az AI-eszközök már külső webes forrásokban és tudományos adatbázisokban is keresnek. Ezt a megközelítést kereséssel kiegészített szöveggenerálásnak, angolul Retrieval-Augmented Generationnek (RAG) nevezik. A külső források használata csökkentheti a hallucináció kockázatát, de nem szünteti meg teljesen, mert a találatok kiválasztásába, értelmezésébe és összefoglalásába továbbra is csúszhat hiba.
Chatbot vs. szakirodalmi kutatást szolgáló célszerszám
Az egyes AI-alapú eszközök között jelentős különbségek vannak. Nem teljesen mindegy, hogy átlagos LLM-et kérünk fel szakirodalom-keresésre vagy egy olyan rendszert használunk, melynek alapvető célja az, hogy megbízható adatbázisokból válassza ki a számunkra releváns szakirodalmi forrásokat.
Ahogy a bevezetőben már említettük, az általános chatbotok (ChatGPT, Google Gemini, Claude stb.) hasznosak lehetnek témafeltérképezésre, kulcsszavak és szinonimák gyűjtésére, keresőkifejezések előkészítésére, egy kutatási kérdés pontosítására, a kapcsolódó tudományterületek feltárására, a háttérfogalmak közérthető magyarázatára. Ugyanakkor önmagukban – különösen csak a betanított korpuszaikra hagyatkozva – nem tekinthetők megbízható „bibliográfiai adatbázisnak”.
De lássuk, mi a helyzet az AI-alapú szakirodalom-kereső célrendszerek használata során! Ezek alatt olyan eszközökre gondoljunk, mint az Elicit, a Consensus, a Scopus AI, a Web of Science Research Assistant, a Scite vagy az Elsevier LeapSpace. Ezek jellemzően tudományos adatbázisokra, absztraktokra, hivatkozási hálózatokra vagy kurált szakirodalmi korpuszokra építenek, így általában biztonságosabb kiindulópontot jelentenek a kutatási folyamatban. Ez persze nem jelenti azt, hogy a válaszaik automatikusan hibátlanok, hiszen egy ilyen célrendszer is félreértelmezhet absztraktokat, készíthet túlságosan kilúgozott összefoglalást, vagy egy valós forrásnak olyan állítást tulajdoníthat, amelyet az valójában nem (vagy csak részben) támaszt alá.
Összességében viszont hatékonyabb és megbízhatóbb segítséget nyújtanak egy általános generatív chatbotnál, mert válaszaikat jellemzően visszakereshető tudományos forrásokra alapozzák, így az egyes állítások eredete is könnyebben ellenőrizhető. Érdemes azt is észben tartani, hogy az AI-alapú szakirodalmi keresők gyakran preprinteket is megjelenítenek a találatok között (Pl.: bioRxiv, medRxiv vagy arXiv szervereken tárolt anyagokat). Mivel ezek a kéziratok általában még nem estek át szakmai bírálaton, az eredményeiket óvatosabban kell értelmezni, mint a már lektorált tudományos publikációkét.
Milyen tipikus hibák fordulhatnak elő az AI által ajánlott hivatkozásokban?
- Teljesen kitalált forrás: A hivatkozásban szereplő tanulmány, könyvfejezet vagy konferenciaközlemény egyszerűen nem létezik. A cím hihető, a szerzők valódi kutatóknak tűnhetnek, a folyóirat is létezhet, de az adott publikáció nem található meg megbízható adatbázisokban vagy a kiadói honlap archívumában.
- Létező forrás hibás metaadatokkal: Előfordulhat, hogy a forrás részben valós, de a bibliográfiai adatok hibásak. Például a DOI valódi, de másik cikkhez tartozik; a cím pontatlan; az évszám hibás vagy a szerzőlista nem egyezik a tényleges publikációval. Ez különösen veszélyes jelenség, mert egy gyors ellenőrzés során úgy tűnhet, hogy „van DOI, tehát biztosan minden rendben van”. (Pedig a DOI megléte önmagában nem garancia arra, hogy a hivatkozás minden eleme valós és pontos.)
- Létező forrás, rossz állításhoz kapcsolva: Ez az egyik legnehezebben felismerhető hiba. A cikk valóban létezik, a bibliográfiai adatok is stimmelnek, de a forrás nem azt támasztja alá, amit a generált szöveg állít róla. Ilyenkor nem a hivatkozás létezésével van gond, hanem a hivatkozás használatával (beemelésével). Ezért a szakirodalmi ellenőrzésnek nem szabad megállnia a cím, DOI és szerzők ellenőrzésénél: azt is vizsgálni kell, hogy a hivatkozott mű tartalmilag valóban releváns-e.
- Létező, de gyenge vagy nem megfelelő bizonyító erejű forrás: A mesterséges intelligencia sokszor talál olyan forrást, amely valamilyen módon kapcsolódik a témához, de a forrás maga nem feltétlenül a legjobb választás. Lehet, hogy egy véleménycikket, blogbejegyzést, preprintet vagy régi, már meghaladott szakirodalmat ajánl egy olyan állítás alátámasztására, melyhez relevánsabb, frissebb vagy módszertanilag megbízhatóbb forrás kellene.
- Kontextusából kiragadott vagy túláltalánosított forrás: az AI-chatbotok általában jól foglalnak össze tartalmakat, de hajlamosak lehetnek a leegyszerűsítésre, így egy tanulmány óvatos, szűk körű megállapításából általános állításokat formálhatnak. Például egy kis mintán végzett vizsgálat alapján úgy fogalmazhat, mintha az eredmény általánosan érvényes lenne egy országrész populációjára. Ez ugyan nem feltétlenül „kitalált” hivatkozásnak számít, de végül mégis félrevezethet minket.
Miért veszélyes az ellenőrzés nélküli átvétel?
Az AI által generált hivatkozások – akárcsak a szövegek – ellenőrzés nélküli használata rengeteg kockázatot rejt. Először is sérül a visszakereshetőség. A hivatkozás egyik alapvető funkciója ugyanis az, hogy az olvasó, a bíráló vagy a szerkesztő ellenőrizni tudja, hogy mire épül egy állítás. Ha a forrás nem létezik, ez a láncolat megszakad.
Másodszor, sérül a szerző hitelessége. Egyetlen kitalált hivatkozás is azt a benyomást keltheti, hogy a kézirat szakirodalmi alapjai nincsenek megfelelően ellenőrizve. A megbélyegzés itt már nemcsak az egyéni kutatóé lehet, hanem érintheti a témavezetőt, egy egész kutatócsoportot, adott folyóirat szerkesztőségét vagy épp egy egész intézményt is.
Harmadszor, a hiba továbbterjedhet. Ha egy publikációban hallucinált vagy félrehasznált hivatkozás jelenik meg, mások azt később átvehetik, idézhetik vagy beépíthetik saját munkájukba. Sőt, megeshet az is, hogy az AI egy másik, korábban szintén AI által generált és ellenőrzés nélkül publikált (hallucinációkat tartalmazó) cikkre hivatkozik, ezzel egyfajta „hurkot” létrehozva a tudományos szakirodalomban, amelyben a fals információk önmagukat igazolják.
Könnyen belátható hát, hogy az ellenőrzési rutin elmulasztása hosszabb távon a tudományos kommunikáció minőségére is jelentős hatást gyakorolhat. Plasztikusabban fogalmazva: a hallucinált hivatkozások már nemcsak elszigetelt kellemetlenségek lesznek, hanem a tudományos életben is megjelenő kutatásintegritási problémákká válnak. Az olyan nemzetközi és hazai etikai keretek, mint az ALLEA európai magatartási kódexe, a COPE iránymutatásai vagy az MTA Tudományetikai Kódexe egyaránt a kutató felelősségét hangsúlyozzák a közölt információk megbízhatóságáért. Az MI-től átvett, de nem ellenőrzött hivatkozások közlése ezért a kellő kutatói gondosság elmulasztásának, illetve megkérdőjelezhető kutatási gyakorlatnak tekinthető, és súlyosabb esetben a kézirat elutasításához, a megjelent közlemény helyesbítéséhez vagy visszavonásához is vezethet.
Hogyan ellenőrizzünk egy AI által ajánlott forrást?
Először azt kell megállapítanunk, hogy a forrás valóban létezik-e. Keressünk rá a címére idézőjelek között egy általunk választott webes keresővel, ellenőrizzük a DOI-ját, és nézzük meg a rekordot a Crossref, a Google Scholar, a Semantic Scholar, az OpenAlex vagy a Dimensions (Free) rendszerében. Ha intézményi előfizetésünk lehetővé teszi, a Scopus-ban, a Web of Science-ben vagy az EBSCO-ban is elvégezhetjük az ellenőrzést.
Ha megtaláltuk a forrást, hasonlítsuk össze a bibliográfiai adatokat: egyezik-e a cím, a szerzők neve, a megjelenés éve, a folyóirat címe, valamint a kötet-, füzet- és oldalszám, illetve a DOI?
Ne elégedjünk meg pusztán azzal, hogy kaptunk valamilyen találatot, mert egy részleges egyezés nem feltétlenül jelent helyes hivatkozást. Nyissuk meg legalább az absztraktot vagy lehetőség szerint a teljes szöveget is. Ellenőrizzük, hogy a forrás valóban azt állítja-e, aminek alátámasztására hivatkozni szeretnénk. Vizsgáljuk meg azt is, milyen típusú dokumentumról van szó: lektorált folyóiratcikkről, preprintről, konferenciaközleményről, könyvfejezetről, szerkesztőségi anyagról vagy esetleg publicisztikáról. (Ne feledjük, egy forrás létezése és bibliográfiai adatainak helyessége önmagában még nem garantálja annak szakmai megbízhatóságát.)
Szükség esetén ellenőrizzük azt is, hogy a közleményt visszavonták-e, javították-e, frissítették-e, vagy kapcsolódik-e hozzá szerkesztői figyelmeztetés. A visszavont közlemények azonosításában a Retraction Watch adatbázisa nyújthat segítséget. Egyes hivatkozáskezelő programok ezt az ellenőrzést részben automatizálják: a Zotero és az EndNote (Desktop) újabb verziói például az említett Retraction Watch adatai alapján figyelmeztethetnek, ha a felhasználó könyvtárában (listájában) vagy kéziratában visszavont közlemény szerepel.
További ellenőrzési réteget jelenthet a PubPeer böngészőbővítménye, amely jelzi, ha az éppen megnyitott publikációhoz a PubPeer felületén szakmai hozzászólás kapcsolódik. Fontos azonban, hogy egy PubPeer-hozzászólás önmagában nem azonos egy hivatalos helyesbítéssel, szerkesztői figyelmeztetéssel vagy visszavonással. A hozzászólás tartalmát, az annak alapjául szolgáló bizonyítékokat és az esetleges szerzői választ ezért külön is meg kell vizsgálni.
A kiadó által közölt hivatalos státuszinformációk ellenőrzésében a Crossmark-jelzés is segítséget nyújthat. A kiadói oldalon vagy akár a fulltext PDF-ben elhelyezett Crossmark-gombra kattintva megtudhatjuk, hogy a publikációt javították, frissítették vagy visszavonták-e. A Crossmark-jelzés hiányából ugyanakkor nem következik egyenesen az, hogy az adott közlemény biztosan változatlan vagy problémamentes: a szolgáltatás csak azoknál a kiadványoknál használható, amelyek kiadója alkalmazza és megfelelően frissíti a kapcsolódó metaadatokat.
Ingyenes vagy részben ingyenes eszközök a hivatkozások ellenőrzésére
Hagyományos adatbázisok:
- Crossref kereső: DOI-k és bibliográfiai metaadatok ellenőrzésére használható, a DOI-kat egyesével ellenőrizhetjük a segítségével
- Crossref Simple Text Query: a világ legnagyobb DOI-nyilvántartójának saját eszköze. A nyers hivatkozáslista egyes tételeihez megpróbál DOI azonosítót rendelni. (Ha egy forráshoz nem talál DOI-t, azt a tételt érdemes ellenőriznünk.)
- Semantic Scholar: Tudományos cikkek, szerzők és hivatkozási kapcsolatok keresésére alkalmas.
- OpenAlex: Nyílt tudományos metaadatbázis, amely jól használható többforrású ellenőrzéshez.
- Google Scholar: Nem tökéletes bibliográfiai adatbázis, de gyors első kereséshez hasznos lehet.
- PubMed: Orvos- és élettudományi területen különösen fontos ellenőrzési felület.
- Dimensions: multidiszciplináris kutatási adatbázis, ahol publikációkhoz kapcsolt idézettségi, finanszírozási, szabadalmi és nyílt hozzáférésű információkat lehet böngészni.
Automatizált és AI-támogatott hivatkozásellenőrző eszközök:
|
Eszköz |
Bemenet | Ellenőrzés alapja | Fő funkció |
Hozzáférés |
| Bemásolt irodalomjegyzék | Crossref és további külső források | Hibás vagy nem létező tételek jelzése, hivatkozások formázása | Ingyenes, webes | |
| CiteMe |
Bemásolt vagy feltöltött irodalomjegyzék |
Crossref, OpenAlex, PubMed, Semantic Scholar, Google Books, Europe PMC | Egyezések osztályozása, bibliográfiai integritási pontszám, formázás | Ingyenes, webes |
| CheckIfExist |
Szabad szöveg vagy BibTeX |
Crossref, Semantic Scholar, OpenAlex |
A forrás létezésének ellenőrzése, megbízhatósági pontszám, adatjavítás |
Ingyenes, nyílt forráskódú |
|
BibTeX vagy BibLaTeX |
Crossref, Semantic Scholar |
Mezőnkénti ellenőrzés, hibajelzés és bibliográfiai javítás |
Ingyenes, böngészőben fut |
|
| Teljes kézirat és irodalomjegyzék | Saját, kiadói forrásokra épülő publikációs korpusz | Hallucinált, visszavont, gyenge minőségű vagy technikailag hibás hivatkozások vizsgálata |
Fizetős; a PTE jogosult felhasználóinak elérhető |
A felsorolt szolgáltatásokon kívül természetesen számtalan online eszköz létezik még, melyekkel ellenőrizhető egy-egy felhasznált szakirodalom-lista. Közös jellemzőjük általában az, hogy limitált karakterszámot vagy beillesztett bibliográfiai tétel ellenőrzését engedélyezik, illetve sok esetben fiókot kell regisztrálni a használatukhoz. Egy-egy ingyenes fiók által futtatható keresések száma is általában limitált.
Használatuk során jogosan merül fel bennünk a kérdés: Mégis ki őrzi az őrzőket?
Az AI-alapú validátorok képesek gyanús vagy nem létező tételeket kiszúrni, különösen akkor, ha megbízható adatbázisok adatai alapján ellenőrzik az egyes rekordokat, de a jelenlegi rendszerek pontossága, konzisztenciája és kontextusértése sem elég jó ahhoz, hogy vakon megbízzunk bennük. Ezek a szolgáltatások hasznos első szűrőként működhetnek, gyorsan felhívhatják a figyelmet a gyanús vagy hiányos tételekre, és csökkenthetik a kézi ellenőrzésre fordítandó időt.
Mit ne tegyünk, amikor AI-t használunk a kutatás vagy publikálás során?
A biztonságos AI-használat legalább annyira szól arról, hogy mit kerüljünk el, mint arról, hogy milyen eszközöket használjunk.
- Ne emeljünk át AI által generált hivatkozáslistát ellenőrzés nélkül.
- Ne tekintsük bizonyítéknak azt, hogy egy hivatkozás szabályosan néz ki.
- Ne elégedjünk meg azzal, hogy a forrás DOI-azonosítója működik.
- Ne hivatkozzunk olyan forrásra, amelyet nem nyitottunk meg legalább absztrakt szinten.
- Ne használjuk csak az AI által generált összefoglalót a forrás elolvasása helyett.
- Ne hagyjunk a bibliográfiában olyan tételt, amely csak egy chatbot válaszában szerepel, de megbízható adatbázisban nem található.
- Ne töltsünk fel automatikusan kéziratot, teljes PDF-et vagy nem nyilvános kutatási anyagot ismeretlen szolgáltatásba. (Amennyiben az intézményünk által jóváhagyott és előfizetett szolgáltatásról beszélünk, úgy teljes kézirat feltöltése általában nem problematikus.)
Egy gondolat az adatvédelemről és szerzői jogról
Az AI-alapú szakirodalmi és hivatkozásellenőrző eszközök használatánál nemcsak a hivatkozások pontosságára kell figyelni. Az is fontos kérdés, hogy milyen adatokat adunk át egy külső szolgáltatásnak. Egy kézirat vagy hivatkozáslista tartalmazhat nem nyilvános kutatási eredményeket, személyes adatokat vagy kiadói szerzői jog által védett szövegrészeket.
Ezért minden ilyen eszköznél érdemes előzetesen megnézni: milyen adatokat kell feltölteni, tárolja-e a rendszer a feltöltött dokumentumokat, használja-e a feltöltött tartalmat modellfejlesztésre, stb. A biztonságos gyakorlat az, ha először csak bibliográfiai adatokat ellenőrzünk, és teljes kéziratot kizárólag megbízhatóként definiált rendszerbe töltünk fel.
Hogyan lehet átláthatóan jelezni az AI használatát?
Mindig az adott kiadói vagy intézményi útmutatót kell követni. Ezek hiányában vagy csak általános jó gyakorlatként is érdemes világosan jelezni, ha az AI szerepet kapott a szakirodalmi keresés (vagy bármely más munkafolyamat) előkészítésében.
Például: „A szakirodalmi keresés előkészítése során AI-alapú eszközöket használtam kulcsszavak, keresőkérdések és lehetséges források azonosítására.
Ezek az alábbi eszközök: ………………………………………………………………………………………………….
A kéziratban szereplő valamennyi hivatkozást önállóan ellenőriztem szakirodalmi adatbázisokban, és csak olyan forrásokat használtam fel, amelyek létezését, bibliográfiai adatait és relevanciáját megerősítettem.”
Ez a mondat ugyan nem mentesít a felelősség alól, de segít átláthatóvá tenni a munkafolyamatot.
Kié a felelősség a nap végén?
A felelősség végső soron mindig a szerzőé. Az AI használata nem jelent egyfajta „társszerzői felmentést” számukra, probléma esetén nem hivatkozhat senki arra, hogy az általunk használt AI eszköz hibázott egyedül. Az AI egy eszköz, amely segíthet nekünk, mi utasítjuk, de munkájának eredményét ellenőriznünk kell. A könyvtár – akárcsak az egyetem többi szervezeti egysége általában – nem az AI használata ellen, hanem annak felelős használata mellett érvel: a mesterséges intelligencia gyorsíthatja a szakirodalmi tájékozódást, a kutatási folyamatokat és a publikálást, de nem helyettesítheti a kritikai olvasást, a bibliográfiai ellenőrzést és a források értékelését.
Az AI használata jelenthet egy lehetséges utat a szakirodalom keresésben, de a kutató feladata eldönteni, hogy az az út járható-e. A könyvtár ebben az utazásban is tud támogató partner lenni: segít a megfelelő adatbázisok kiválasztásában, a keresési stratégia felépítésében, a hivatkozások ellenőrzésében, és abban, hogy az AI-jal végzett munka ne kockázatos, hanem tudatosabb legyen.
Felhasznált online források és háttéranyagok
- Zhao, Z. et al. LLM hallucinations in the wild: Large-scale evidence from non-existent citations. arXiv, 2026. https://doi.org/10.21203/rs.3.rs-9637059/v1
- Nature. Hallucinated citations are polluting the scientific literature. What can be done? 2026. https://doi.org/10.1038/d41586-026-00969-z
- Li, Y. et al. Mitigating Hallucination in Large Language Models (LLMs): An Application-Oriented Survey on RAG, Reasoning, and Agentic Systems. arXiv. https://doi.org/10.48550/arXiv.2510.24476
- Zhang, W.; Zhang, J. Hallucination Mitigation for Retrieval-Augmented Large Language Models: A Review. Mathematics, 2025. https://doi.org/10.3390/math13050856
- AWS Machine Learning Blog. Detect hallucinations for RAG-based systems. 2025. https://aws.amazon.com/blogs/machine-learning/detect-hallucinations-for-rag-based-systems/
- Scholar Sidekick. Best AI Citation Verifier in 2026 – Compare 10 Detectors. https://scholar-sidekick.com/compare/best-ai-citation-verifier
- Sourcely. AI Citation Checkers: Can They Catch Broken, Fake, or Misused References? 2026.https://www.sourcely.net/resources/ai-citation-checkers-catch-broken-fake-misused-references
- HKUST Library. Trust in AI: Evaluating Scite, Elicit, Consensus, and Scopus AI for Generating Literature Reviews. https://library.hkust.edu.hk/news-events/news/trust-ai-evaluating-scite-elicit-consensus-and-scopus-ai-generating-literature
- Singapore Management University Library. arXiv tightens policy on hallucinated references: what researchers should know about using AI search engines. 2026. https://library.smu.edu.sg/topics-insights/arxiv-tightens-policy-hallucinated-references-what-researchers-should-know-about
- Grounded AI. Hallucinated Citations in the Published Scientific Literature: A Large-Scale Analysis in Collaboration with Nature. 2026.
https://groundedai.company/research/hallucinated-citations-nature-2026/ - Xu, Z. et al. GhostCite: A Large-Scale Analysis of Citation Validity in the Age of Large Language Models. arXiv, 2026. https://doi.org/10.48550/arXiv.2602.06718
*A borítóképet az M365 Copilot GPT-6.1 Sol modell generálta.