Przypis1

Jak sprawdzić przypisy z AI? Dlaczego model wymyśla źródła i co z tym zrobić

Przypisy z AI sprawdzasz tak: każdą pozycję otwierasz jako plik źródłowy, zestawiasz zdanie z przypisem z konkretnym fragmentem na konkretnej stronie czasopisma i odrzucasz wszystko, czego w pliku nie znalazłeś. Nie wystarczy, że tytuł brzmi wiarygodnie ani że autor naprawdę istnieje. Model potrafi podać prawdziwego badacza, prawdziwe czasopismo i wymyśloną stronę, na której rzekomo stoi Twoje zdanie.

Poniżej: skąd biorą się wymyślone źródła, jedna zasada, która ich prawie nie dopuszcza, jedna pułapka, na której wykładają się nawet uważni studenci, i tabela kontrolna do wklejenia.

Dlaczego AI wymyśla źródła?

Bo cytuje z pamięci. Model językowy nie ma przed sobą bazy artykułów, do której zagląda jak do katalogu. Układa odpowiedź tak, żeby była prawdopodobna, a prawdopodobny przypis wygląda dokładnie tak: nazwisko, rok, tytuł, czasopismo, strony. Jeśli prawdziwego źródła nie zna albo zna je z grubsza, zbuduje coś, co do niego pasuje. Autorzy pracy o przyczynach halucynacji piszą, że procedury trenowania i oceny modeli nagradzają zgadywanie zamiast przyznania się do niepewności1.

Skalę pokazało badanie Walters i Wilder z 2023 roku: w 636 cytowaniach z 84 prac wygenerowanych przez ChatGPT zmyślonych było 55% cytowań modelu GPT-3.5 i 18% modelu GPT-4. Wśród pozycji prawdziwych istotne błędy bibliograficzne miało 43% cytowań GPT-3.5 i 24% GPT-4, a najczęstsze dotyczyły liczb: tomu, numeru i stron2. To wyniki dla modeli sprzed trzech lat, więc nie traktuj ich jako dzisiejszej proporcji; pokazują mechanizm, a nie aktualny odsetek błędów.

Stąd wniosek praktyczny: nie poprawisz tego, pisząc w poleceniu „nie zmyślaj”. Odbierasz mu możliwość cytowania z pamięci i dajesz mu materiał, na którym ma pracować.

Na czym polega zasada „nie ma PDF-a, nie ma źródła”?

Jest prosta i bezwzględna:

  • każda pozycja z bibliografii leży w Twoim projekcie jako plik PDF;
  • model pracuje wyłącznie na tych plikach;
  • jeśli pliku nie masz, pozycji nie ma w pracy.

Nie znaczy to, że wolno Ci cytować tylko to, co przeczytałeś od deski do deski. Klasykę, której nie zdobędziesz w całości, cytujesz przez źródło wtórne, czyli przez pracę, którą masz i w której autor ją opisuje. Zapis wygląda wtedy tak: (Autor, 1997, za: Autor, 2022, s. 326). I wolno Ci napisać tylko tyle, ile o tej klasyce mówi to wtórne źródło.

Pliki do projektu zdobywasz z biblioteki uczelni, repozytoriów i baz, do których masz dostęp. Tryb głębokiego researchu w narzędziach AI przydaje się tylko na etapie szukania literatury. To, co znajdzie, traktujesz jak listę tropów. Każdą pozycję sprawdzasz w Google Scholar albo w katalogu biblioteki, zanim ją pobierzesz, i sam decydujesz po abstraktach, co zostaje. Całą listę naraz przepuścisz przez naszą sprawdzarkę bibliografii: każda pozycja trafia do Crossref, a Ty widzisz, które istnieją, gdzie nie zgadza się rok albo strony i których nie ma.

Czym różni się strona PDF-a od strony czasopisma?

To pułapka, w którą wpada model i, za nim, student.

Artykuł w czasopiśmie ma numerację stron całego rocznika albo tomu. Artykuł może zaczynać się na s. 325 i kończyć na s. 340. Plik PDF takiego artykułu ma jednak własną numerację od pierwszej strony pliku. Druga strona pliku to w tym przykładzie s. 326 czasopisma, bo przesunięcie wynosi 324. Jeśli model zacytuje „s. 2”, bo tak ją widzi w pliku, przypis jest błędny. Jeśli policzy odwrotnie, też.

W praktyce wygląda to tak:

  • w pracy podajesz zawsze numer strony czasopisma, nigdy numer strony pliku;
  • dla każdego pliku ustalasz osobno przesunięcie (strona czasopisma minus strona pliku);
  • przesunięcie zapisujesz w instrukcji projektu, żeby model nie liczył go od nowa w każdym czacie;
  • jeśli pierwszej strony nie widać w pliku, model ma napisać NIE WIEM, a Ty szukasz jej w Google Scholar albo w katalogu biblioteki.

Uwaga na pliki z okładką, stroną tytułową bazy albo dołączonym spisem. Wtedy „pierwsza strona pliku” nie jest pierwszą stroną artykułu. Otwórz plik i sprawdź na oko.

Polecenie, które wyciąga te dane na początku pracy, możesz wkleić prawie bez zmian:

Dla każdego pliku PDF w projekcie podaj: autorów, rok, tytuł, numer pierwszej strony w czasopiśmie i przesunięcie (strona czasopisma minus strona pliku). Jeśli pierwszej strony nie da się odczytać z pliku, napisz NIE WIEM.

Jak sprawdzić, czy źródło w ogóle istnieje?

Zanim cokolwiek trafi do projektu, zrób dwa sprawdzenia:

  1. Google Scholar. Wpisz tytuł w cudzysłowie, bo tak radzi pomoc Google Scholar3. Jeśli artykułu nie ma, a model podał go z pełnym opisem bibliograficznym, traktuj to jako czerwoną flagę. Jeśli jest, porównaj autorów, rok, czasopismo i zakres stron z tym, co podał model. Rozjazd w którymkolwiek z tych pól wystarcza, żeby pozycję zawiesić.
  2. Katalog biblioteki (swojej uczelni albo Biblioteki Narodowej) dla książek i rozdziałów. Sprawdź wydanie, rok i wydawcę, bo model chętnie myli pierwodruk z późniejszym wydaniem.

Samo istnienie pozycji niczego jeszcze nie dowodzi. Że artykuł jest prawdziwy, nie znaczy, że mówi to, co mu przypisano. W badaniu Walters i Wilder także prawdziwe pozycje miały błędy w opisie2. Tę część sprawdza dopiero tabela.

Jak wygląda tabela kontrolna przypisów?

Po napisaniu każdego podrozdziału każesz modelowi zestawić zdania z przypisami z fragmentami źródeł:

Zrób tabelę: każde zdanie z przypisem | plik | strona czasopisma | dosłowny fragment źródła z tej strony, który to zdanie potwierdza. Jeśli takiego fragmentu nie ma, wpisz NIE MA i nie zgaduj.

Wynik wygląda mniej więcej tak (dane przykładowe, bez związku z prawdziwą literaturą):

Zdanie z przypisem Plik Strona czasopisma Fragment źródła
Zjawisko opisano w badaniu na próbie uczniów (Autor, 2019, s. 331). autor_2019.pdf 331 „Próba obejmowała uczniów klas szóstych…”
Efekt utrzymywał się po roku (Autor, 2019, s. 335). autor_2019.pdf 335 NIE MA

Co dalej:

  • każde „NIE MA” poprawiasz albo wyrzucasz zdanie;
  • z pozostałych wierszy co piąty otwierasz w PDF-ie i sprawdzasz na oko: czy fragment rzeczywiście stoi na tej stronie i czy naprawdę potwierdza zdanie, a nie tylko brzmi podobnie;
  • jeśli w próbce trafisz na błąd, sprawdzasz wszystkie wiersze z tego pliku.

Na podrozdział schodzi na to około kwadransa. Dzięki temu nie zawiśnie na Tobie ani jedna wymyślona strona.

Tabela ma też ograniczenie, o którym trzeba wiedzieć. Model, który ją robi, może sam się pomylić albo wpisać fragment, którego w pliku nie ma. Dlatego próbkowanie na oko nie jest ozdobą. Bez niego tabela jest tylko kolejnym tekstem do sprawdzenia.

Jakie wpadki mają prace sklejane z czatów?

Przypisy to jedno miejsce, w którym widać, że praca powstała z wielu czatów bez kontroli całości. Drugie to sam tekst. Przed oddaniem przeczytaj całość od początku do końca i szukaj:

  • tego samego akapitu wklejonego dwa razy pod dwoma różnymi nagłówkami;
  • nazwy firmy, kraju albo narzędzia z innego czatu, która nagle pojawia się w środku rozdziału;
  • zaślepek typu „xxxx” albo „[tu wstaw przykład]”;
  • ogólników bez jednej liczby i bez jednego przypisu, jak „stosuje się rozwinięte procedury zgodne z najlepszymi praktykami”.

Promotor też przeczyta całość. Lepiej, żeby pierwszy znalazł te rzeczy Ty.

Co wynika z tego dla Twojej pracy?

Trzy reguły do zapamiętania:

  1. Pozycja bez pliku nie wchodzi do bibliografii.
  2. Numer strony to zawsze strona czasopisma, z przesunięciem ustalonym osobno dla każdego pliku.
  3. Przypis jest zaliczony dopiero wtedy, gdy zdanie zestawiłeś z fragmentem źródła i sam to zobaczyłeś.

Cała metoda, od wymagań promotora po obronę, z gotowymi poleceniami i blokiem instrukcji projektu do wklejenia, jest w poradniku. Jak wygląda kontrola przypisów w praktyce, na pracy z syntetycznymi danymi i komentarzem na marginesie, pokazują przykłady. A jeśli masz już napisany tekst i chcesz, żebyśmy spojrzeli na Twoje przypisy, jest konsultacja.

Przypisy

  1. Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, Why Language Models Hallucinate, preprint, arXiv:2509.04664, https://arxiv.org/abs/2509.04664 (dostęp: 24 października 2026). ↑

  2. William H. Walters, Esther Isabelle Wilder, Fabrication and errors in the bibliographic citations generated by ChatGPT, „Scientific Reports” 2023, t. 13, nr art. 14045, https://doi.org/10.1038/s41598-023-41032-5; pełny tekst: https://pmc.ncbi.nlm.nih.gov/articles/PMC10484980/ (dostęp: 24 października 2026). ↑ ↑2

  3. Google, Google Scholar Help, scholar.google.com, https://scholar.google.com/intl/en/scholar/help.html (dostęp: 24 października 2026). ↑

Dalej w dziale źródła i cytowanie