AI w nauce – Literatura, Notatki, Organizacja Wiedzy

Podsumowanie AI

• Temat: AI w nauce – Literatura, Notatki, Organizacja Wiedzy
• Cel materiału: Praktyczne zastosowanie narzędzi AI w pracy naukowej: od wyszukiwania i filtrowania literatury przez generowanie notatek badawczych po organizację wiedzy i systematyczny przegląd PRISMA — z zachowaniem standardów etycznych i wymogów RODO.
• Jak pracować z treścią: czytaj sekcjami, testuj zrozumienie pytaniami i wykorzystuj AI do aktywnej powtórki.

Wprowadzenie

W 2025 roku opublikowano ponad 2,5 miliona nowych artykułów naukowych. Nawet w wąskiej dziedzinie — zarządzania informacją, komunikacji społecznej czy informatyki — śledzenie literatury bez AI jest coraz trudniejsze. Tradycyjny przegląd literatury do pracy dyplomowej zajmował tygodnie. Z właściwymi narzędziami — zajmuje kilka godzin.

Ale uwaga: szybkość nie zastępuje jakości. AI przyspiesza odkrywanie i screening, jednak interpretacja wyników, ocena metodologii i krytyczne myślenie pozostają po Twojej stronie. Badacze raportują skrócenie czasu przeglądów o 60–70% przy zachowaniu pełnej rzetelności — pod warunkiem, że rozumieją, gdzie AI pomaga, a gdzie może wprowadzić w błąd.

Ten moduł daje Ci kompletny, weryfikowalny workflow od pytania badawczego do syntezy literatury — oraz narzędzia do każdego kroku.

1. Ekosystem narzędzi AI do badań — mapa 2026

1.1 Cztery warstwy researchu

Zanim sięgniesz po konkretne narzędzie, warto zrozumieć, że praca naukowa ma cztery odrębne fazy — i każda wymaga innych narzędzi:

Najczęstszy błąd: używanie jednego narzędzia do wszystkich czterech faz. ChatGPT lub Claude nie zastąpią Semantic Scholar do odkrywania — bo mogą halucynować cytowania. Semantic Scholar nie zastąpi Claude do głębokiej analizy — bo nie czyta pełnych tekstów.

1.2 Kluczowe ostrzeżenie

⚠️ Nigdy nie cytuj artykułu, którego nie weryfikowałeś/weryfikowałaś w bazie naukowej. Gdy pytasz ChatGPT lub Claude o literaturę, model może podać tytuły brzmiące wiarygodnie, ale nieistniejące (halucynacja). Zawsze weryfikuj w Google Scholar, Semantic Scholar lub bezpośrednio w bazie uczelni.

2. Narzędzia do odkrywania literatury (stan marzec 2026)

2.1 Semantic Scholar — baza domyślna

Czym jest: Bezpłatna wyszukiwarka naukowa od Allen Institute for AI (AI2). Indeksuje ponad 200 milionów artykułów z wszystkich dziedzin. Używa semantycznego wyszukiwania — rozumie znaczenie zapytania, nie tylko słowa kluczowe.

Kluczowe funkcje:

• TLDR (Too Long; Didn't Read): AI generuje 1-zdaniowe streszczenie każdego artykułu
• Highly Influential Citations: wskazuje które cytowania miały realny wpływ (nie tylko są wymienione)
• Semantic Reader: czyta artykuł z podkreśleniami kluczowych twierdzeń i odnośnikami do definicji
• Research Feeds: automatyczne alerty o nowych artykułach w Twoim temacie
• Eksport do Zotero: przez connector przeglądarki

Koszt: Bezpłatne. API darmowe (1 zapytanie/sekundę z prywatnym kluczem).

Ograniczenia: Słabsza pokrywalność w humanistyce i naukach społecznych niż w STEM. AI-generowane TLDRy nie zawsze są dokładne — traktuj je jako wskazówkę, nie jako autorytarne streszczenie.

Praktyczne wskazówki:

• Wyszukuj po DOI lub tytule (dokładniejsze niż słowa kluczowe) gdy weryfikujesz konkretny artykuł
• Używaj filtru "Highly Cited" dla seminale prace w dziedzinie
• Zakładka "Cited By" pokazuje kto po tej pracy cytuje — świetne do śledzenia aktualnego stanu badań

2.2 Connected Papers — mapa pola badawczego

Czym jest: Narzędzie wizualizujące artykuły jako graf — węzły to artykuły, krawędzie to podobieństwo cytatów. Zbudowane na bazie Semantic Scholar.

Jak działa: Podajesz tytuł lub DOI artykułu → narzędzie buduje graf artykułów podobnych (przez nakładające się cytowania i odniesienia), nie tylko tych bezpośrednio cytowanych. Dzięki temu odkrywasz prace, których byś nie znalazł/a tradycyjnym wyszukiwaniem.

Dwie kluczowe sekcje:

• Prior Works — fundament pola: klasyczne, seminale artykuły
• Derivative Works — co wyrosło z tej pracy: aktualne badania bazujące na tym artykule

Koszt: 5 darmowych grafów/miesiąc bez logowania; więcej po rejestracji (bezpłatna).

Kiedy używać: Na początku pisania rozdziału teoretycznego — żeby zrozumieć strukturę pola i nie przeoczyć kluczowych prac.

2.3 Consensus AI — synteza dowodów naukowych

Czym jest: Wyszukiwarka zaprojektowana do odpowiadania na pytania w stylu "czy X jest prawdą?" z syntezą wyników z badań naukowych. Używa GPT-4 do analizy 200M+ prac.

Kluczowa funkcja — Consensus Meter: Wizualny wskaźnik pokazujący czy badania wspierają, są neutralne, czy przeczą danej tezie. Świetne do formułowania uzasadnienia hipotezy badawczej.

Koszt: Darmowe (10 analiz/miesiąc, odnawialne). Premium ok. ~$9/miesiąc rocznie (więcej analiz, zaawansowane filtry).

Kiedy używać:

• Formułowanie uzasadnienia dla Twojej tezy ("badania wskazują, że...")
• Szybka weryfikacja: czy istnieje konsensus naukowy w danej kwestii?
• Identyfikacja research gap: szukasz pytania, na które brak konsensusu

Ograniczenia: Przede wszystkim język angielski. Lepiej działa w empirycznych naukach (medycyna, psychologia, nauki społeczne) niż w humanistyce.

2.4 Elicit — asystent systematycznych przeglądów

Czym jest: Narzędzie do automatyzacji research workflow — szczególnie ekstrakcji danych z wielu artykułów do tabel. Indeksuje 138 milionów artykułów.

Kluczowe funkcje:

• Ekstrakcja danych do tabeli: pyta każdy artykuł o próbę, metodę, wynik, ograniczenia — i zestawia je w arkuszu
• Automatyczne raporty systematycznych przeglądów
• Workflow PRISMA (filtry inkluzji/ekskluzji)

Koszt: Darmowe (5000 jednorazowych kredytów — nie odnawiają się). Plus od $10/miesiąc rocznie; Pro od $12/miesiąc rocznie. Elicit NIE trenuje modeli na danych użytkowników.

Kiedy używać: Piszesz rozdział metodologiczny z systematycznym przeglądem → Elicit robi 80% ekstrakcji danych za Ciebie.

2.5 Research Rabbit — darmowa mapa połączeń

Czym jest: Bezpłatne narzędzie wizualizujące połączenia między artykułami — działające na zasadzie "Spotify for research papers". Integruje się z Zotero.

Funkcje: Podobne prace / Wcześniejsze prace / Późniejsze prace jako interaktywny graf. Custom Feeds — alerty o nowych artykułach dopasowanych do Twojej biblioteki.

Koszt: Całkowicie bezpłatne (financowane przez uczelnie partnerskie).

3. Zotero — zarządzanie bibliografią z AI

3.1 Dlaczego Zotero, nie inne narzędzia?

Zotero to otwartoźródłowy menedżer bibliografii — Twoje dane są Twoje, nie przechowywane na serwerach zewnętrznych (chyba że korzystasz z płatnego Zotero Sync). Integruje się ze wszystkimi omówionymi narzędziami badawczymi.

Kluczowe funkcje Zotero (wersja 7+):

• Import przez connector przeglądarki — jedno kliknięcie, pełne metadane
• Automatyczne generowanie cytatów w 10 000+ formatach (APA 7, Chicago, Vancouver...)
• Synchronizacja z Cloud (300 MB za darmo, $20/rok za 2 GB)
• Adnotacje PDF z synchronizacją między urządzeniami

3.2 Workflow Zotero + narzędzia AI

KROK 1: Odkrywanie
Semantic Scholar / Research Rabbit → znajdź artykuł

KROK 2: Import
Connector Zotero (wtyczka przeglądarki) → kliknij ikonę → artykuł w bibliotece
z pełnymi metadanymi (tytuł, autorzy, DOI, abstrakt)

KROK 3: Czytanie i analiza
Otwórz PDF z Zotero → Claude.ai lub NotebookLM → prześlij PDF → zadaj pytania

KROK 4: Notatka
Wygeneruj notatkę badawczą (prompt z ćwiczeń) → zapisz w Zotero jako notatkę

KROK 5: Cytowanie
W edytorze tekstu (Word/LibreOffice) → plugin Zotero → wstaw cytat automatycznie

3.3 Google NotebookLM — RAG na Twoich dokumentach

Czym jest: Bezpłatne narzędzie Google — wgraj do 50 dokumentów (PDF, DOCX, URL) i rozmawiaj z nimi przez AI. Model nie halucynuje cytatów — odpowiada wyłącznie na podstawie dostarczonych dokumentów.

Killer feature dla studentów: Wgraj 10 artykułów z pracy dyplomowej → zapytaj "Jakie są luki w literaturze dotyczące X?" → otrzymasz odpowiedź z cytatami do konkretnych stron.

Koszt: Bezpłatne (konto Google). NotebookLM Plus: ~$20/miesiąc (w ramach Google One AI Premium).

4. Generowanie notatek badawczych — metodologia

4.1 Trzy poziomy interakcji z literaturą

Nie każdy artykuł wymaga takiego samego przetworzenia. Stosuj odpowiedni poziom:

Poziom 1 — Screening (30 sekund/artykuł): Przeczytaj tylko tytuł, abstrakt i TLDR z Semantic Scholar. Decyzja: czytam dalej / odrzucam.

Poziom 2 — Analiza powierzchowna (5–10 min): Użyj AI do wygenerowania strukturowanej notatki z abstraktu lub wprowadzenia.

Poziom 3 — Analiza głęboka (20–30 min): Prześlij pełny PDF do Claude lub NotebookLM. Zadaj szczegółowe pytania o metodologię, wyniki, ograniczenia.

4.2 Prompt do notatki badawczej (Poziom 2)

Przeczytaj poniższy abstrakt i wygeneruj notatkę badawczą w formacie tabeli:

| Element | Treść |
|---|---|
| Pytanie badawcze / cel | |
| Metodologia (typ, próba, narzędzia) | |
| Kluczowe wyniki (max. 3 punkty) | |
| Ograniczenia badania | |
| Zastosowanie dla mojej pracy | |
| Potencjalne pytania do dalszej eksploracji | |

Abstrakt: [wklej abstrakt]

WAŻNE: Jeśli informacja nie jest podana w abstrakcie — wpisz "brak danych
w abstrakcie". Nie wymyślaj treści.

4.3 Prompt do analizy głębokiej (Poziom 3)

Jestem studentką/studentem [kierunek] na UJ i piszę pracę o [temat].
Przeanalizuj ten artykuł i odpowiedz na pytania:

1. METODOLOGIA: Jaki typ badania? Jaka próba? Jakie narzędzia zbierania danych?
   Czy metoda jest adekwatna do pytania badawczego?

2. WYNIKI: Jakie są 3 najważniejsze wyniki? Czy autorzy uzasadniają je danymi?

3. OGRANICZENIA: Jakie ograniczenia wskazują sami autorzy? Jakie dostrzegasz Ty?

4. RELEVANCE dla mojej pracy: Jak ten artykuł odnosi się do [Twój temat]?
   Co mogę z niego zacytować? Co kwestionuje moje założenia?

5. RESEARCH GAP: Czego ten artykuł NIE bada, a co byłoby wartościowe?

Odpowiadaj wyłącznie na podstawie dostarczonego tekstu. Jeśli czegoś nie ma
w artykule — napisz "nie omówiono w artykule".

4.4 Identyfikacja research gaps

Mam 5 poniższych abstraktów z dziedziny [Twoja dziedzina].
Na podstawie ich analizy:

1. Wymień 3 tematy, które WSZYSCY autorzy badają (mainstream)
2. Wymień 3 tematy, które pojawiają się rzadko lub w ogóle (luki)
3. Zaproponuj 2 pytania badawcze, które wypełniałyby zidentyfikowane luki
4. Wskaż która luka byłaby realna do zbadania w pracy dyplomowej
   (badanie jakościowe, 3 miesiące, max 20 respondentów)

Abstrakt 1: [...]
Abstrakt 2: [...]
Abstrakt 3: [...]
Abstrakt 4: [...]
Abstrakt 5: [...]

5. PRISMA + AI — systematyczny przegląd literatury

5.1 Czym jest PRISMA?

PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) to standaryzowany protokół raportowania przeglądów systematycznych. Wymaga przejrzystości w każdym kroku — ile artykułów znaleziono, ile odrzucono i dlaczego.

Strona oficjalna: prisma-statement.org

5.2 Gdzie AI pomaga, a gdzie nie

5.3 Praktyczny workflow PRISMA + AI

ETAP 1 — IDENTYFIKACJA
Semantic Scholar: wyszukaj "AI literacy higher education" → eksportuj 200 wyników do CSV
Elicit: zadaj to samo pytanie → porównaj wyniki

ETAP 2 — SCREENING
Wklej 200 tytułów i abstraktów do Elicit lub Claude:
"Odfiltruj artykuły spełniające kryteria inkluzji:
- język: angielski lub polski
- rok: 2019–2026
- temat: AI literacy w szkołach wyższych (nie K-12)
- typ: artykuł empiryczny lub przeglądowy"
→ zostaje ok. 40 artykułów

ETAP 3 — ELIGIBILITY
Dla każdego z 40 artykułów wygeneruj notatkę badawczą (Poziom 2)
Odrzuć artykuły niespełniające kryteriów metodologicznych

ETAP 4 — INKLUZJA
Zostaje ok. 15–20 artykułów → głęboka analiza (Poziom 3)

ETAP 5 — SYNTEZA
NotebookLM: wgraj wszystkie 20 PDF-ów → zapytaj o wspólne wątki i luki
Claude: wygeneruj narracyjną syntezę

6. Etyka i regulacje — co musisz wiedzieć

6.1 Plagiat, self-plagiat i granice AI

Plagiat: Przepisanie cudzego tekstu bez cytowania to plagiat — niezależnie czy robi to człowiek czy AI. Jeśli AI streszcza artykuł słowo w słowo (nawet po polsku), a Ty wklejasz to do pracy — to jest plagiat.

Bezpieczna zasada "3 kroków":

1. Przeczytaj artykuł i zrozum go
2. Zamknij artykuł, wygeneruj notatkę własnymi słowami (AI może pomóc w strukturze)
3. Zacytuj oryginalne źródło, nie notkę

Self-plagiat: Recycling własnych wcześniejszych prac bez cytowania. AI ułatwia "recykling" — zwłaszcza gdy prosisz model o rozwinięcie wcześniejszych fragmentów.

6.2 Jak cytować AI w pracy akademickiej — normy APA 7

APA 7 (7. edycja, 2019 + aktualizacje 2023) definiuje format cytowania treści generowanych przez AI:

Format ogólny:

Nazwa modelu (rok). Tytuł lub opis generowanej treści [Generowany przez AI].
Dostawca. URL lub identyfikator sesji.

Przykład — tekst z ChatGPT:

OpenAI. (2026). Podsumowanie metodologii badań jakościowych
[Odpowiedź ChatGPT]. OpenAI. https://chat.openai.com
(wygenerowano 15 maja 2026)

Przykład — analiza z Claude:

Anthropic. (2026). Analiza abstraktu artykułu Smith i in. (2024)
[Odpowiedź Claude.ai]. Anthropic. https://claude.ai
(wygenerowano 15 maja 2026)

Ważne: Nie możesz cytować AI jako "źródło faktów" — bo model może halucynować. Cytujesz AI jako narzędzie pomocnicze, tak jak citujesz oprogramowanie statystyczne (np. "dane przetworzono przy użyciu Claude Sonnet 4.6").

6.3 Polityki uczelni wobec AI

Ogólna tendencja w Polsce (2025/2026): Większość polskich uczelni przyjęła politykę "przejrzystości" — AI można używać jako narzędzie pomocnicze, pod warunkiem ujawnienia tego w pracy. Nie ma jednolitego standardu.

Sprawdź zawsze: Aktualną politykę WZiKS UJ dostępną na stronie wydziału. Zapytaj promotora na pierwszym seminarium — zanim zaczniesz używać AI w pracy.

Ogólne zasady bezpieczne:

• Użycie AI do korekty języka: zazwyczaj akceptowane
• Użycie AI do generowania tez i argumentów: zazwyczaj wymaga ujawnienia
• Użycie AI do generowania gotowych fragmentów bez weryfikacji: ryzykowne

6.4 AI Act UE i RODO w badaniach

AI Act (rozporządzenie UE): Weszło w życie stopniowo 2024–2026. Systemy AI używane do oceniania studentów lub rekrutacji klasyfikowane jako wysokiego ryzyka — wymagają transparentności i możliwości odwołania. Narzędzia do pisania prac są na razie w niższej kategorii ryzyka.

RODO przy badaniach z AI:

• Dane osobowe respondentów (imię, wiek, lokalizacja) = dane osobowe w rozumieniu RODO
• Wysyłanie danych osobowych do modeli chmurowych (ChatGPT, Claude) bez zgody i DPA = naruszenie RODO
• Bezpieczne rozwiązania: anonimizacja przed przetworzeniem, lub LM Studio (lokalnie)
• Nagrania wywiadów: absolutnie nie wklejaj do modeli chmurowych bez anonimizacji

7. Przebieg modułu — timeline

8. Ćwiczenia praktyczne

Ćwiczenie 1 — Przegląd literatury o AI literacy (30 min)

Cel: Zbudować mini-bibliografię tematu w 30 minut zamiast kilku godzin.

Krok 1 — Semantic Scholar (10 min):

1. Wejdź na semanticscholar.org
2. Wyszukaj: "AI literacy" "higher education" (cudzysłowy dla dokładnego dopasowania)
3. Filtruj: Year → 2022–2026; Fields of Study → Computer Science + Education
4. Znajdź 3 artykuły z najwyższą liczbą cytowań
5. Dla każdego sprawdź TLDR i kliknij "Highly Influential Citations"
6. Zapisz do Zotero przez connector przeglądarki

Krok 2 — Consensus AI (10 min):

1. Wejdź na consensus.app
2. Zadaj pytanie: "Do AI literacy courses improve student outcomes in higher education?"
3. Sprawdź Consensus Meter — czy badania wspierają tę tezę?
4. Kliknij na 2 artykuły z listy wyników → dodaj do Zotero

Krok 3 — Weryfikacja (10 min): Wybierz jeden artykuł z Consensus AI. Wyszukaj go w Google Scholar lub Web of Science (dostęp przez bibliotekę UJ). Czy artykuł istnieje? Czy tytuł, autorzy i rok się zgadzają?

Pytanie do refleksji: Czy Consensus AI podał artykuły, których nie było w Semantic Scholar? Czy któryś okazał się nieistniejący?

Ćwiczenie 2 — Generowanie notatki badawczej (20 min)

Cel: Nauczyć się efektywnie przetwarzać abstrakt bez ryzyka plagiatu.

Materiał: Prowadzący dostarcza abstrakt artykułu (ok. 250 słów) z dziedziny zarządzania informacją lub komunikacji społecznej.

Krok 1 (5 min): Przeczytaj abstrakt samodzielnie. Zapisz odręcznie 3 rzeczy, które zapamiętałeś/zapamiętałaś.

Krok 2 (10 min): Użyj promptu z Sekcji 4.2 tego modułu (notatka w formacie tabeli). Wklej abstrakt do Claude lub ChatGPT.

Krok 3 (5 min): Porównaj notatkę AI z Twoimi ręcznymi notatkami:

• Co AI dodało, czego nie zauważyłeś/zapamiętałaś?
• Co AI pominęło lub sfałszowało?
• Czy AI napisało "brak danych w abstrakcie" tam gdzie rzeczywiście brakowało informacji?

Dyskusja grupowa: Czy notatka AI jest gotowa do wklejenia do bibliografii pracy? Co jeszcze musisz zrobić?

Ćwiczenie 3 — Mapa pola badawczego w Connected Papers (20 min)

Cel: Zobaczyć strukturę pola badawczego AI literacy w 15 minut.

Krok 1 (5 min):

1. Wejdź na connectedpapers.com
2. Wpisz tytuł jednego z artykułów znalezionych w Ćwiczeniu 1
3. Kliknij "Build a graph"
4. Poczekaj ~30 sekund na generowanie grafu

Krok 2 (10 min): Eksploruj graf:

• Kliknij na największy węzeł obok Twojego artykułu — co to za praca?
• Przejdź do sekcji "Prior Works" — wymień 2 seminalne artykuły w tej dziedzinie
• Przejdź do sekcji "Derivative Works" — który z nich wydaje się najnowszy i najbardziej aktualny?

Krok 3 (5 min):

• Kliknij na artykuł z "Derivative Works" z ostatnich 2 lat
• Dodaj go do Zotero
• Sprawdź jego tytuł w Semantic Scholar — ile ma cytowań?

Refleksja: Czy znalazłeś/znalazłaś artykuł, którego byś nie trafił/trafiła tradycyjnym wyszukiwaniem?

Ćwiczenie 4 — Wykrywanie halucynowanych cytatów (15 min)

Cel: Nauczyć się rozpoznawać i weryfikować potencjalnie fałszywe cytowania.

Materiał: Prowadzący dostarcza akapit tekstu (150 słów) wygenerowanego przez AI, zawierający 4 cytowania — jedno prawdziwe, trzy wymyślone.

Zadanie (10 min): Dla każdego cytowania zrób szybką weryfikację:

METODA WERYFIKACJI (2 minuty/cytat):
1. Skopiuj tytuł artykułu
2. Wklej w Google Scholar (scholar.google.com)
3. Jeśli nie znajdziesz: sprawdź w Semantic Scholar
4. Jeśli DOI podany: wejdź na doi.org → wklej DOI
5. Wynik: ✅ istnieje / ❌ nie istnieje / ⚠️ istnieje ale dane różnią się

Krok 2 (5 min): Ujawnij wyniki grupie. Omów:

• Które cechy "fałszywego" cytowania były widoczne na pierwszy rzut oka?
• Czy DOI się sprawdzał?
• Czy tytuł brzmiał wiarygodnie?

Zasada na przyszłość: Każde nowe cytowanie, które wygenerował AI — weryfikuj w Google Scholar lub Semantic Scholar zanim użyjesz w pracy. Zajmuje 2 minuty. Oszczędza reputację.

9. Tabela porównawcza narzędzi badawczych (marzec 2026)

10. Pytania kontrolne

1. Dlaczego NIE powinieneś/powinnaś pytać ChatGPT "Podaj mi 5 artykułów o AI literacy" zamiast używać Semantic Scholar? Jakie jest konkretne ryzyko?

2. Opisz różnicę między Prior Works a Derivative Works w Connected Papers. Kiedy każda z tych sekcji jest bardziej przydatna?

3. Chcesz sprawdzić czy istnieje konsensus naukowy dotyczący skuteczności prompt engineeringu w edukacji wyższej. Które narzędzie z omówionych wybierzesz i dlaczego?

4. Twój promotor prosi o rozdział z systematycznym przeglądem literatury. Wymień 4 kroki workflow z AI, które przeprowadzisz, i wskaż gdzie jest bezwzględna konieczność ludzkiej weryfikacji.

5. Masz 15 wywiadów nagranych z respondentami (dane osobowe: imię, wiek, uczelnia). Chcesz użyć AI do transkrypcji i analizy tematycznej. Co musisz zrobić PRZED wysłaniem danych do modelu chmurowego?

6. Napisz poprawne cytowanie APA 7 dla odpowiedzi wygenerowanej przez Claude Sonnet 4.6 w dniu dzisiejszym, w której model podsumował treść 3 artykułów naukowych.

7. Twój kolega mówi: "Elicit znalazł mi 50 artykułów i wygenerował tabelę — przegląd gotowy!" Co mu odpiszesz?

11. Materiały do dalszej nauki

• Semantic Scholar Docs — jak korzystać z API i zaawansowanych funkcji: api.semanticscholar.org
• PRISMA 2020 Statement — oficjalny przewodnik po systematycznych przeglądach: prisma-statement.org
• APA 7 — cytowanie AI — oficjalny blog APA: apastyle.apa.org/blog/how-to-cite-chatgpt
• Elicit Blog — metodologia przeglądów systematycznych z AI: elicit.com/blog
• Connected Papers — How It Works: connected-papers.com/about
• Zotero Quick Start Guide — oficjalny przewodnik po polsku (lub angielsku): zotero.org/support/quick_start_guide
• Wytyczne UJ dotyczące AI w pracach dyplomowych — sprawdź aktualną politykę: uj.edu.pl (zakładka: Studenci → Informacje)

FAQ (rozwiń)

Ucz się z tym plikiem MDX w narzędziach AI