Téma1: A mesterséges intelligencia munkaerőpiaci hatásai: egy konkrét szakma jövőjének elemzése

A mesterséges intelligencia (MI) exponenciális fejlődése nem csupán technológiai forradalmat jelent, hanem mélyreható társadalmi és gazdasági átalakulást is előidéz, különösen a munkaerőpiacon. Az automatizáció, a gépi tanulás és a generatív MI térnyerése gyökeresen átformálja a szükséges képességek körét, a munkakörök tartalmát, és új kihívások elé állítja mind a munkavállalókat, mind a munkaadókat.

Hogyan befolyásolja az MI a jövőben szükséges képességeket, milyen mértékben változtatja meg a meglévő munkaköröket, és milyen új lehetőségeket vagy kockázatokat teremt egyes szakmákban? Ezen felvételi téma keretében a jelentkezők feladata, hogy a téma irodalmának kritikus feldolgozása alapján egy tetszőlegesen választott, specifikus szakma jövőjét elemezzék részletesen az MI várható hatásainak tükrében. Vizsgálják meg, mely feladatok automatizálhatók, mely képességek válnak felértékelődővé vagy kevésbé fontossá, milyen ember-gép együttműködési modellek jöhetnek létre, és milyen adaptációs stratégiák lehetnek szükségesek az adott területen dolgozók számára a relevanciájuk megőrzéséhez a gyorsan változó munkaerőpiacon.

A téma feldolgozása hozzájárulhat a jövőbeli karrierutak tudatos tervezéséhez és a munkaerőpiaci változások mélyebb megértéséhez. A dolgozatban bemutatott elemzést konkrét, megalapozott forrásokra és adatokra (pl. foglalkozási adatbázisok, iparági jelentések) szükséges építeni.

Ajánlott irodalom:

Deloitte AI Institute. (2023). Generative AI and the future of work. https://www2.deloitte.com/content/dam/Deloitte/de/Documents/human-capital/Deloitte_GenAI-Future-of-Work.pdf

Deloitte Insights. (2022). Strengthening the bonds of human and machine collaboration. https://www2.deloitte.com/uk/en/insights/topics/talent/human-machine-collaboration.html

OECD. (2019). OECD Skills Studies: AI and the Future of Skills, Volume 1. OECD Publishing. https://www.oecd-ilibrary.org/deliver/5ee71f34-en.pdf

OECD. (2021). OECD Skills Studies: AI and the Future of Skills, Volume 2. OECD Publishing. https://www.oecd-ilibrary.org/deliver/a9fe53cb-en.pdf

OECD. (2023). OECD Skills Outlook 2023: Skills for a Resilient Green and Digital Transition. https://www.oecd.org/education/oecd-skills-outlook-e11c1c2d-en.htm

PwC Hungary. (2019). How will AI impact the Hungarian labour market. https://www.pwc.com/hu/en/publications/assets/How-will-AI-impact-the-Hungarian-labour-market.pdf

World Economic Forum. (2025). Future of Jobs Report 2025. https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf

Adatbázisok:

O*NET OnLine. https://www.onetonline.org/

OECD Skills for Jobs Database. https://www.oecdskillsforjobsdatabase.org/

Téma2: Hogyan „gondolkoznak” a nagy nyelvi modellek?

A mesterséges intelligencia (MI) tág értelemben olyan nem emberi gépek vagy mesterséges entitások valós képességét jelenti, amelyek képesek emberhez hasonló logikai feladatok elvégzésére, problémamegoldásra, kommunikációra és interakcióra. A generatív MI, ezen belül is a nagy nyelvi modellek, hatalmas szövegkorpuszokon képzett modellek, amelyek képesek új tartalmak, például szövegek generálására a betanulási fázisban tanult mintázatok alapján.

Ahogy az LLM-ek képességei egyre összetettebbé válnak a nyelvi feldolgozás, érvelés és problémamegoldás terén, felmerül a kérdés, hogy működésük hasonlíthat-e az emberi gondolkodáshoz. Ennek kapcsán kiemelten fontos vizsgálni az LLM-ek episztemológiai státuszát és kihívásait, vagyis azt, hogyan állítanak elő kimeneteket, információt, tudást és a valóság reprezentációját, és ez miben különbözik az emberi megismeréstől. Az episztemológia, mint a tudás természetével és eredetével foglalkozó tudományág, releváns keretet biztosít annak megértéséhez, hogy az LLM-ek milyen "hiedelmek" vagy belső reprezentációk alapján működnek.

Konkrét példák is mutatják, hogyan vizsgálható az LLM-ek bizonyos képessége vagy "beállítódása". A TrackingAI.org oldalon például heti rendszerességgel mérik különböző nagy nyelvi modellek IQ-ját a Mensa Norway teszt segítségével. Ezek az eredmények betekintést nyújtanak az LLM-ek logikai érvelési és mintázatfelismerési képességeibe. Hasonlóan, a TrackingAI.org politikai iránytű tesztje és a kapcsolódó kutatások az LLM-ek politikai véleményét és elfogultságát vizsgálják.

A téma a generatív mesterséges intelligencia nagy nyelvi modellek működésének megértésére fókuszál, különös tekintettel arra, hogyan dolgoznak fel információt, hogyan "gondolkodnak" (átvitt értelemben), és milyen episztemológiai szempontok befolyásolják a kimeneteiket. A téma tágan értelmezhető, és a hallgatók saját érdeklődésük mentén testreszabhatják. Vizsgálható például:

• Különböző LLM-architektúrák episztemológiai implikációi.
• Az LLM-ek tudásreprezentációja és tudáselsajátítása.
• Az elfogultság (bias) kialakulása és annak episztemológiai gyökerei az LLM-ekben.
• Az LLM-ek "értésének" vagy "megismerésének" filozófiai kérdései.
• Az LLM-ek és az emberi megismerés összehasonlítása episztemológiai szempontból.
• Esettanulmányok konkrét LLM-ek vizsgálatával (pl. hasonlóan a TrackingAI.org módszere alapján)
• LLM-ek episztemológiai hiedelmeinek vizsgálata konkrét gyakorlati példán keresztül (pl. óratervek készítése).

Ajánlott irodalom:

Coeckelbergh, M. (2025). AI and epistemic agency: How AI influences belief revision and its normative implications. Social Epistemology, 1–13. https://doi.org/10.1080/02691728.2025.2466164

Hauswald, R. (2025). Artificial epistemic authorities. Social Epistemology, 1–10. https://doi.org/10.1080/02691728.2025.2449602

Mugleston, J., Truong, V. H., Kuang, C., Sibiya, L., & Myung, J. (2025). Epistemology in the age of large language models. Knowledge, 5(1), 3. https://doi.org/10.3390/knowledge5010003

Pan, L., Xie, H., & Wilson, R. C. (2025). Large Language Models think too fast to explore effectively. In arXiv [cs.AI]. https://doi.org/10.48550/ARXIV.2501.18009

Paseri, L., & Durante, M. (2025). Examining epistemological challenges of large language models in law. Cambridge Forum on AI: Law and Governance, 1(e7). https://doi.org/10.1017/cfl.2024.7