ChatGPT, Claude, Gemini – asystenci i agenci AI w pracy badacza oraz nauczyciela akademickiego (i nie tylko…)

Opis:

Trzy narzędzia, jeden warsztat pracy naukowej – bez kodowania 

Jeszcze niedawno praca z generatywną sztuczną inteligencją oznaczała rozmowę z czatem:
zadawaliśmy pytanie i otrzymywaliśmy odpowiedź. W ciągu ostatnich kilkunastu miesięcy zmieniło się to zasadniczo. Trzy najważniejsze narzędzia na rynku – ChatGPT (OpenAI), Claude (Anthropic) oraz Gemini (Google) – przestały być „automatami do odpowiedzi”, a stały się środowiskami pracy. Potrafią samodzielnie przeprowadzić zadanie wieloetapowe: przeszukać źródła, wczytać pliki z dysku badacza, oczyścić i przeanalizować dane, napisać raport, przygotować prezentację, a nawet opublikować efekt w sieci. To właśnie różnica między asystentem a agentem – i to ona jest osią tego szkolenia.

Spotkanie jest odpowiedzią na tę zmianę. Zamiast pobieżnego przeglądu kilkudziesięciu aplikacji, trener koncentruje się na trzech ekosystemach, które realnie decydują dziś o kształcie warsztatu badacza i nauczyciela akademickiego. Uczestnicy poznają je od środka: czym różnią się rodziny modeli, tryby pracy i okna kontekstu; co każde z narzędzi robi lepiej od pozostałych; jak wygląda praca z projektami, pamięcią, umiejętnościami (skills), konektorami oraz trybem agentowym. Uczą się także wybierać narzędzie do zadania, a nie odwrotnie.

Szkolenie nie wymaga umiejętności programowania ani znajomości języka R czy Pythona.
Wszystko, co pokazuje trener – łącznie z analizą danych, tworzeniem wykresów, tabel, interaktywnych pulpitów i raportów – wykonywane jest w języku naturalnym. Jednocześnie nie jest to spotkanie powierzchowne. Trener dokładnie pokazuje, jak modele działają, dlaczego halucynują, jak systematycznie weryfikować ich pracę oraz gdzie przebiega granica między wsparciem a niesamodzielnością badawczą.

Osobne miejsce zajmuje etyka i odpowiedzialność. Omawiane są polityki wydawców i czasopism dotyczące ujawniania użycia AI, zasady dokumentowania promptów w publikacjach, kwestie ochrony danych osobowych i danych badawczych, a także ryzyka związane z autonomicznym działaniem agentów. Uczestnicy dowiadują się, jak korzystać z tych narzędzi z pożytkiem dla siebie i jak nie zaszkodzić własnej reputacji.

Każdą część zamyka blok „Spróbuj sam” – krótkie zadanie odnoszące się do właśnie omówionych rozwiązań. Część z nich wykonuje się wspólnie podczas spotkania, pozostałe uczestnicy mogą zrealizować samodzielnie później – komplet zadań, materiałów i danych otrzymują na własność.

Elementem spotkania jest również blok poświęcony refleksji dydaktycznej: projektowaniu zadań w świecie, w którym studenci mają dostęp do tych samych narzędzi, oraz zasadom odpowiedzialnego korzystania z AI w procesie kształcenia.

Korzyści: 

• Pokazanie, co realnie potrafią dzisiaj trzy najważniejsze narzędzia AI – i czym różnią się między sobą w pracy naukowej oraz dydaktycznej.

• Wyjaśnienie różnicy między asystentem a agentem oraz wskazanie, kiedy warto sięgnąć po rozwiązanie agentowe, a kiedy jest to zbędne ryzyko.

• Wyrobienie umiejętności świadomego doboru modelu i trybu pracy (szybki, rozumujący, głębokie wyszukiwanie) do konkretnego zadania badawczego.

• Opanowanie zasad skutecznego promptowania oraz – co ważniejsze – systematycznej weryfikacji tego, co narzędzie wygenerowało.

• Nabycie umiejętności analizy danych ilościowych i jakościowych bez pisania kodu: od surowego pliku, przez czyszczenie i statystyki opisowe, po wykresy, tabele i interaktywne pulpity.

• Pokazanie, jak podłączyć narzędzia AI do własnych zasobów – dysku, poczty, kalendarza, menedżera bibliografii – i co to zmienia w codziennej pracy.

• Uświadomienie ryzyk: halucynacji, wycieku danych, ataków typu prompt injection, nadmiernego zaufania do autonomicznych agentów i innych.

• Omówienie etycznego i formalnego wymiaru korzystania z AI: polityk wydawców, obowiązku ujawniania, replikowalności badań opartych na modelach językowych.

W trakcie szkolenia wszystkie wymienione zagadnienia prezentowane są praktycznie. Prowadzący pokazuje konkretne narzędzia i przypadki użycia, dzięki którym uczestnicy nabywają odpowiednie kompetencje.

Kto powinien wziąć udział w szkoleniu:

• Badacze, którzy korzystają już z ChatGPT (lub innego narzędzia), ale mają poczucie, że wykorzystują niewielki ułamek możliwości tych narzędzi.
• Osoby, które chcą zrozumieć, czym różnią się od siebie ChatGPT, Claude i Gemini – i przestać wybierać narzędzie przypadkowo.
• Naukowcy zainteresowani skróceniem czasu poświęcanego na rutynowe i żmudne czynności badawcze.
• Osoby chcące analizować dane, tworzyć wizualizacje i raporty bez znajomości R, Pythona czy innego języka programowania.
• Badacze pracujący z danymi jakościowymi: wywiadami, odpowiedziami otwartymi, transkrypcjami, materiałami tekstowymi.
• Naukowcy wahający się, czy używać AI ze względów etycznych lub obawiający się o bezpieczeństwo swoich danych.
• Nauczyciele akademiccy chcący usprawnić swój warsztat dydaktyczny i wypracować sensowną politykę korzystania z AI na własnych zajęciach.

Wymagania:

Szkolenie nie wymaga żadnego przygotowania technicznego ani wiedzy programistycznej. Wskazane jest, aby uczestnicy dysponowali własnym komputerem oraz założonymi (choćby bezpłatnymi) kontami w ChatGPT, Claude i Gemini. Część demonstrowanych funkcji dostępna jest wyłącznie w planach płatnych – jest to każdorazowo wyraźnie sygnalizowane, a uczestnicy otrzymują informację, co realnie warto opłacić, a co nie.

Program szkolenia:

Część 1. Trzy ekosystemy – jak w ogóle działa dzisiejsza sztuczna inteligencja

1. Czym naprawdę jest model językowy – kwadrans, który zmienia sposób korzystania z AI (przewidywanie tekstu, kontekst, brak „bazy wiedzy”).
2. Trzy warstwy decydujące o efekcie: model – aplikacja – „obudowa” agentowa. Dlaczego ten sam model w różnych aplikacjach daje zupełnie inne rezultaty.
3. Rodziny modeli OpenAI, Anthropic i Google: nazewnictwo, wersje, tempo zmian.
4. Tryby pracy: szybki kontra rozumujący (thinking / reasoning). Kiedy poczekać dłużej na odpowiedź, a kiedy nie ma to sensu.
5. Okno kontekstu i multimodalność – co można „włożyć” do modelu: teksty, PDF-y, dane, obrazy, dźwięk, wideo.
6. Jak czytać rankingi i benchmarki – i dlaczego nie należy wybierać narzędzia wyłącznie na ich podstawie.
7. Wersje bezpłatne i płatne, limity, dostępność w Polsce, dane osobowe i badawcze, RODO oraz polityki uczelniane.
8. Spróbuj sam i pytania: to samo zadanie, trzy narzędzia.

Część 2. Promptowanie i weryfikacja – wspólny rdzeń pracy z każdym narzędziem

1. Anatomia dobrego polecenia: kontekst, rola, zadanie, format, kryteria sukcesu.
2. Co realnie działa w modelach rozumujących, a które „triki promptowe” straciły znaczenie.
3. Kontekst zamiast sprytu: praca z załącznikami, plikami, PDF-ami, zrzutami ekranu i własnymi materiałami.
4. Problem halucynacji: dlaczego modele „zmyślają” i dlaczego robią to z pełnym przekonaniem.
5. Dziewięć strategii weryfikacji: test trzech rozmów, walidacja krzyżowa między narzędziami, wzajemna recenzja modeli, dzielenie zadania na mikrokroki, weryfikacja przyrostowa, przełożenie na znane sobie narzędzie, „wytłumacz mi to jak dziecku”, test zdrowego rozsądku, dobór właściwego modelu.
6. Bezpieczeństwo: prompt injection, dane wrażliwe, treści z internetu jako źródło poleceń dla agenta.
7. Spróbuj sam i pytania: własny prompt i sprawdzenie, czy zadziałał

Część 3. Asystenci w pracy badacza – porównanie funkcja po funkcji

1. Przestrzenie robocze i projekty: jak przestać zaczynać każdą rozmowę od zera.
2. Pamięć, instrukcje własne, style odpowiedzi – konfiguracja narzędzia „pod siebie”.
3. Głębokie wyszukiwanie (deep research) w trzech wydaniach: czym różnią się generowane raporty, ile trwają, jak weryfikować przypisy i czy cytowane prace w ogóle istnieją.
4. Praca z własną biblioteką źródeł – w tym NotebookLM oraz projekty z wgranymi publikacjami.
5. Pisanie i redagowanie tekstu: tryby edycyjne (Canvas, Artefakty), praca na fragmentach, kontrola stylu, tłumaczenie i redakcja językowa.
6. Etyka i formalności: polityki wydawców i czasopism, oświadczenia o wykorzystaniu AI, wykrywacze treści AI i dlaczego bywają zawodne.
7. Spróbuj sam i pytania: praca z własnym materiałem.

Część 4. Od asystenta do agenta – co się zmienia i co z tego wynika

1. Czym agent różni się od czatu: dostęp do narzędzi, pętla działania, autonomia, koszt, ryzyko.
2. Pięć klocków, z których zbudowane są rozwiązania agentowe: prompty, umiejętności (Skills), pamięć, konektory oraz podagenci.
3. Przegląd rozwiązań: tryb agenta i Codex w ChatGPT, Claude Code oraz Cowork, Antigravity i agenci w ekosystemie Google – co potrafi każde z nich bez pisania kodu.
4. Konektory i integracje: dysk, poczta, kalendarz, komunikator, menedżer bibliografii, arkusze. Co realnie zyskujemy, podłączając narzędzie do własnych zasobów.
5. Agent w przeglądarce – co można mu zlecić, a czego nigdy nie należy.
6. Umiejętności i szablony wielokrotnego użytku: jak raz opisany sposób pracy zamienić w powtarzalny standard (np. zawsze ten sam format tabeli, wykresu, raportu).
7. Granice zaufania: człowiek w pętli, uprawnienia, koszty, sytuacje, w których agent zawodzi.
8. Spróbuj sam i pytania: zadanie złożone z kilku kroków.

Część 5. Dane, analiza bez kodowania, prezentacje i wizualizacje

1. Jak działa analiza danych w oknie czatu – co dzieje się „pod maską” i dlaczego nie trzeba znać Pythona, żeby z tego korzystać. 
2. Od pliku do wniosków: wczytywanie danych, audyt zbioru, wykrywanie anomalii, braki danych i ich konsekwencje.
3. Statystyki opisowe, tabele korelacji, tabele publikacyjne.
4. Wizualizacje: wykresy liniowe, słupkowe, pudełkowe, skrzypcowe, mapy cieplne, kartogramy, wykresy radarowe – oraz pełna kontrola nad kolorem, opisem i stylem.
5. Od wykresu statycznego do interaktywnego pulpitu, którym można podzielić się linkiem.
6. Modele i predykcja w praktyce: regresja, wykresy predykcyjne, prognozy w próbie i poza próbą, niepewność modelu.
7. Dane jakościowe: kodowanie odpowiedzi otwartych, wywiadów i materiałów tekstowych;
   budowa i doskonalenie klucza kodowego, walidacja kodowania maszynowego względem ludzkiego.
8. Dobre praktyki naukowe: reprodukowalność i replikowalność badań z użyciem AI, dokumentowanie modelu, wersji i promptów w artykule.
9. Prezentacje i slajdy: generowanie i edycja prezentacji w trzech ekosystemach.
10. Postery, infografiki, ilustracje i okładki – oraz kwestie praw autorskich i wymogów czasopism wobec grafik generowanych przez AI.
11. Publikowanie efektów pracy w sieci – jak w kilka minut udostępnić raport, pulpit lub stronę projektu.
12. Spróbuj sam i pytania: od pliku do wyniku.

Część 6. Podsumowanie: co, kiedy i czym – oraz jak korzystać z tego odpowiedzialnie

1. Tabela decyzyjna: które narzędzie do którego typu zadania.
2. Koszt kontra korzyść – co warto opłacić przy własnym profilu pracy. 
3. Projektowanie zadań i prac studenckich w świecie, w którym studenci mają dostęp do tych samych narzędzi: prace „odporne na AI” oraz prace świadomie z AI korzystające.
4. Ocenianie: wykrywacze treści AI, ich zawodność i ryzyko fałszywego oskarżenia – co wolno, a czego nie wolno na nich opierać.
5. Zasady korzystania z AI przez studentów – omówienie gotowego szablonu zapisów do sylabusa.
6. Rola badacza i nauczyciela w czasach AI: odciążenie poznawcze i dług poznawczy.
7. Jak nadążać za zmianami bez śledzenia branżowych nowinek na co dzień.
8. Indywidualny plan wdrożenia – trzy zadania, które każdy uczestnik zamierza zrealizować z pomocą AI w ciągu najbliższego miesiąca.

Opis materiałów szkoleniowych:

Prowadzący dostarcza następujące materiały online (zdigitalizowane):

• Materiały szkoleniowe wykorzystywane w trakcie szkolenia (prezentacja).
• Aktualne zestawienie porównawcze ChatGPT, Claude i Gemini: modele, tryby, funkcje, limity, plany cenowe.
• Zestawy danych i pliki ćwiczeniowe wykorzystywane podczas warsztatu, umożliwiające powtórzenie wszystkich demonstracji po szkoleniu.
• Listy kontrolne: weryfikacji odpowiedzi modelu oraz dokumentowania użycia AI w publikacji.
• Szablon zapisów dotyczących korzystania z AI do wykorzystania w sylabusie przedmiotu.
• Zestawienie polityk wydawców i czasopism dotyczących wykorzystania AI wraz z odnośnikami do źródeł.

​Prelegent:
dr hab. Piotr Siuda, prof. Uniwersytetu Kazimierza Wielkiego w Bydgoszczy

• Autor poczytnego poradnika wydanego przez PWN: „Publikacje naukowe”:

• Jego pełny dorobek na stronie osobistej: http://piotrsiuda.com.
• Autor kilku monografii naukowych; publikował w wielu periodykach naukowych, w tym w wysoko punktowanych pismach z tak zwanym impact factorem (Q1 i Q2 journals).
• Kierownik szeregu projektów badawczych, w tym zadania „Dzieci sieci”, „Dzieci sieci 2.0”, „Prosumpcjonizm pop-przemysłów”. Główny wykonawca naukometrycznego projektu finansowanego ze środków NPRH („Współczesna polska humanistyka wobec wyzwań naukometrii”).
• Członek The Association of Internet Researchers oraz Polskiego Towarzystwa Komunikacji Społecznej.

Co zapewniamy:

• materiały szkoleniowe w formie elektronicznej
• certyfikaty w formie elektronicznej / papierowe (zalaminowane) na życzenie
• wsparcie techniczne podczas trwania szkolenia
• wyspecjalizowaną kadrę
• liczebność grupy dostosowaną do specyfiki tematu szkolenia
• możliwość zadawania pytań w trakcie szkolenia za pośrednictwem chatu lub połączenia video