Konfiguracje AI i wiedza historyczna: jak modele przekształcają pytania podręcznikowe w narracje

Abstrakt

Artykuł przedstawia porównawcze badanie pilotażowe dotyczące tego, jak różne konfiguracje dużych modeli językowych kształtują szkolne narracje historyczne. Wykorzystując stały zestaw pytań (P1–P5) zaczerpnięty z podręcznika Europa. Nasza historia oraz cztery persony AI: domyślny ChatGPT jako baseline (C0), ChatGPT dopromptowany do roli „analitycznego badacza” (C1), NotebookLM z generowaniem wspomaganym wyszukiwaniem (RAG) na wspólnym źródle podręcznikowym (C2) oraz system agentowy pracujący na tej samej bazie wiedzy (C3), analizujemy odpowiedzi jako artefakty dyskursywne o mierzalnych własnościach formalnych i retorycznych. Ramę badania tworzą cztery perspektywy: poprawność merytoryczna i zakotwiczenie w źródle, profil retoryczny i aksjologia, formalna czytelność i „tekstura” leksykalna oraz spójność logiczno-kauzalna. Wskaźniki ilościowe (m.in. długość zdań, polsko-adaptowany wskaźnik czytelności typu Fog, różnorodność słownictwa TTR i MTLD, nominalizacja oraz markery struktury) liczone są na oryginalnych odpowiedziach w języku polskim, bez tłumaczenia. Wyniki pokazują systematyczne kompromisy między zakotwiczeniem a głębokością interpretacji: konfiguracje retrieval-based i agentowe częściej wytwarzają „głos podręcznikowy” i stabilne ramy dydaktyczne, natomiast promptowanie persony wzmacnia metarefleksję i ocenę opartą na kryteriach merytorycznych. Analiza krytycznego przypadku wskazuje ponadto, że pozór ugruntowania może współwystępować z błędem kotwiczącym (hinge-fact failure), gdy pojedyncza błędna informacja historyczna pozostaje osadzona w narracji spójnej lokalnie. Artykuł kończy się wnioskami dla dydaktyki historii, proponując użycie LLM zależne od konfiguracji oraz praktyczne „ścieżki” dla zastosowań szkolnych.