Słownik metodologiczny · Rzetelność naukowa

Halucynacje AI w bibliografii – zmyślone źródła i jak je wykryć

Modele językowe potrafią podać odwołania do prac, które nie istnieją, albo przekręcić dane prawdziwych publikacji. Wyjaśniamy, czym są halucynacje w bibliografii, jak często się zdarzają i jak je wykryć.

Strona główna / Słownik / Halucynacje AI w bibliografii

Opracowanie merytoryczne: · Opublikowano:

W skrócie: Halucynacje AI w bibliografii to odwołania wygenerowane przez model językowy, które nie istnieją albo mają błędne dane, np. rok, strony lub DOI. W badaniach zmyślonych było od 18% do 91.4% odwołań – zależnie od modelu i tematu. Każde odwołanie zaproponowane przez AI sprawdź w bazie (doi.org, Crossref, OpenAlex) i przeczytaj abstrakt, zanim je zacytujesz.

Co to są halucynacje AI w bibliografii?

Halucynacje AI w bibliografii (ang. hallucinated lub fabricated references) to odwołania wygenerowane przez model językowy, które nie istnieją albo istnieją, ale mają błędne dane – autorów, rok, tytuł, numer tomu, strony czy DOI. Model składa je z elementów, które „pasują” do tematu: nazwisk znanych badaczy, tytułów prawdziwych czasopism i sformułowań typowych dla danej dziedziny. Dlatego zmyślone odwołanie zwykle wygląda bardzo wiarygodnie.

Termin pochodzi z badań nad generowaniem języka naturalnego, gdzie „halucynacją” nazywa się skłonność modeli do tworzenia treści niezgodnych ze źródłem lub z faktami (Ji i in., 2023). Model generuje tekst, który jest prawdopodobny językowo, a nie odczytuje rekordów z bazy bibliograficznej – poprawny format odwołania nie jest więc żadnym dowodem, że praca istnieje. Część autorów krytykuje samo słowo „halucynacja”: Emsley (2023) przekonuje, że w nauce takie treści należy nazywać po imieniu – fabrykacjami i falsyfikacjami.

Jak często AI zmyśla źródła?

Skala problemu zależy od modelu, tematu i zadania, ale w żadnym z badań nie spadła do zera:

Wyniki badań nad zmyślonymi odwołaniami generowanymi przez modele językowe
BadanieZadanieWynik
Walters i Wilder (2023)84 krótkie przeglądy, łącznie 636 odwołańZmyślonych było 55% odwołań GPT-3.5 i 18% odwołań GPT-4; wśród prawdziwych istotne błędy miało odpowiednio 43% i 24%.
Chelli i in. (2024)Odtworzenie bibliografii 11 przeglądów systematycznychOdsetek „halucynowanych” odwołań: 39.6% (GPT-3.5), 28.6% (GPT-4), 91.4% (Bard).
Linardon i in. (2025)Przeglądy literatury o zdrowiu psychicznym (GPT-4o)Zmyślone 19.9% ze 176 odwołań; 45.4% prawdziwych zawierało błędy, najczęściej w DOI. Więcej zmyśleń przy mniej znanych tematach niż przy depresji.
Asai i in. (2026)Odpowiedzi na pytania naukowe (benchmark ScholarQABench)GPT-4o halucynował cytowania w 78–90% przypadków; model przeszukujący 45 mln artykułów open access (OpenScholar) osiągał trafność cytowań porównywalną z ekspertami.

Wnioski są dwa. Po pierwsze, nowsze modele zmyślają rzadziej, ale nadal często – co piąte odwołanie w badaniu Linardona i współpracowników (2025) nie istniało. Po drugie, najbardziej narażone są tematy niszowe, czyli właśnie te, przy których student najchętniej prosi AI o „kilka źródeł”. Systemy, które najpierw wyszukują prawdziwe publikacje, a dopiero potem piszą, radzą sobie znacznie lepiej (Asai i in., 2026), ale i ich wyniki trzeba sprawdzać. Wykres porównujący te badania znajdziesz w poradniku jak sprawdzić, czy AI nie zmyśliło bibliografii.

Trzy poziomy błędu w odwołaniu

Rodzaje błędów w odwołaniach generowanych przez AI i sposoby ich wykrywania
PoziomNa czym polegaJak to wykryć
1. Zmyślone źródłoPraca nie istnieje, choć autorzy i czasopismo mogą być prawdziwi.Brak rekordu w Crossref, OpenAlex i Google Scholar; DOI nie działa.
2. Błędny opisPraca istnieje, ale rok, tom, strony, autorzy albo DOI się nie zgadzają.Porównanie każdego elementu odwołania z rekordem w bazie.
3. Przekłamana treśćPraca istnieje i jest dobrze opisana, ale nie potwierdza zdania, przy którym stoi.Tylko lektura abstraktu lub pełnego tekstu.

Poziom trzeci jest najgroźniejszy, bo przechodzi każdą automatyczną kontrolę. Dlatego zasada jest prosta: cytuj tylko to, co przeczytałeś – przynajmniej abstrakt, a przy kluczowych tezach pełny tekst.

Jak wykryć zmyślone źródło – w skrócie

  1. Wklej DOI do resolvera doi.org. Jeśli adres nie działa, odwołanie jest zmyślone albo DOI jest błędny.
  2. Jeśli DOI działa, sprawdź, czy prowadzi do tego samego artykułu: zgadzają się autorzy, rok, tytuł i czasopismo?
  3. Bez DOI wyszukaj tytuł w Crossref, OpenAlex lub Google Scholar. Brak wyniku przy dokładnym tytule to poważny sygnał ostrzegawczy.
  4. Przeczytaj abstrakt i sprawdź, czy praca mówi to, co zdanie w Twoim tekście.
  5. Zapisz wynik sprawdzenia w arkuszu bibliografii.

Pełną procedurę z tabelą sygnałów ostrzegawczych, przykładem i kodem R, który sprawdza DOI w bazie Crossref, opisujemy w poradniku weryfikacja bibliografii wygenerowanej przez AI.

Halucynacje a praca dyplomowa

Za każde odwołanie odpowiada autor pracy, a nie narzędzie. Zmyślone źródło w bibliografii to nie drobna usterka formalna: podważa wiarygodność całego rozdziału i może zostać uznane za naruszenie zasad rzetelności. W praktyce oznacza to trzy reguły:

Najczęstsze nieporozumienia

  • „Nowy model już nie zmyśla” – zmyśla rzadziej, ale nie wcale: 18% odwołań GPT-4 w badaniu Waltersa i Wildera (2023) i 19.9% odwołań GPT-4o u Linardona i współpracowników (2025).
  • „DOI działa, więc wszystko w porządku” – DOI może prowadzić do zupełnie innego artykułu. Porównaj autorów, rok i tytuł.
  • „Poproszę model, żeby sam sprawdził” – model może potwierdzić własne zmyślenie. Weryfikacja wymaga niezależnej bazy, np. Crossref lub OpenAlex.
  • „To tylko błędny rok” – błędne metadane utrudniają czytelnikowi dotarcie do źródła i często są pierwszym sygnałem, że odwołanie zostało „dopasowane” do tekstu.
  • „AI wymyśliło tylko źródło, ale treść jest prawdziwa” – twierdzenie bez prawdziwego źródła jest twierdzeniem bez dowodu. Znajdź publikację, która je potwierdza, albo usuń zdanie.

Podobny problem – wiarygodnie wyglądające, ale niezweryfikowane treści – dotyczy danych generowanych przez modele; zob. syntetyczni respondenci. Rzetelna bibliografia to także warunek replikowalności i jedna z praktyk otwartej nauki: czytelnik musi móc dotrzeć do każdego źródła.

Najczęstsze pytania

Czy ChatGPT wymyśla źródła?

Tak, zdarza się to często. W badaniu Waltersa i Wildera (2023) zmyślonych było 55% odwołań GPT-3.5 i 18% odwołań GPT-4, a GPT-4o w przeglądach o zdrowiu psychicznym zmyślił 19.9% odwołań (Linardon i in., 2025). Dlatego każde odwołanie od AI trzeba sprawdzić w bazie.

Skąd się biorą halucynacje AI w bibliografii?

Model językowy generuje tekst, który jest prawdopodobny, a nie odczytuje rekordów z bazy. Łączy prawdziwe nazwiska, nazwy czasopism i typowe sformułowania w odwołanie o poprawnym formacie, ale bez gwarancji, że taka praca istnieje (Ji i in., 2023).

Jak sprawdzić, czy źródło podane przez AI istnieje?

Wklej DOI do doi.org i sprawdź, czy prowadzi do tego samego artykułu. Bez DOI wyszukaj dokładny tytuł w Crossref, OpenAlex lub Google Scholar, porównaj autorów, rok i czasopismo, a na końcu przeczytaj abstrakt. Krok po kroku pokazujemy to w poradniku jak sprawdzić bibliografię z AI.

Czy narzędzia AI z wyszukiwaniem też halucynują?

Radzą sobie znacznie lepiej, ale nie zwalnia Cię to z weryfikacji. Model, który przed napisaniem odpowiedzi przeszukuje bazę prawdziwych artykułów (OpenScholar), osiągał trafność cytowań porównywalną z ekspertami, podczas gdy GPT-4o bez wyszukiwania halucynował cytowania w 78–90% przypadków (Asai i in., 2026). Żadne narzędzie nie oceni jednak za Ciebie, czy źródło potwierdza konkretne zdanie w Twoim tekście.

Kto odpowiada za zmyślone źródło w pracy dyplomowej?

Autor pracy, a nie narzędzie. Użycie AI trzeba opisać zgodnie z zasadami uczelni, a każde odwołanie zweryfikować przed oddaniem pracy. Wzory opisu znajdziesz w poradniku jak opisać użycie AI w pracy dyplomowej.

Powiązane hasła

Przegląd systematyczny i PRISMAStyl APA (standard APA)Syntetyczni respondenciReplikowalnośćOpen scienceMetaanalizaKryzys replikacyjny w psychologii

Poradniki, w których użyjesz tego pojęcia

Poradnik

Jak sprawdzić, czy AI nie zmyśliło bibliografii

Ile odwołań zmyślają modele językowe i jak w sześciu krokach sprawdzić każdą pozycję: DOI, Crossref, OpenAlex, abstrakt. Z przykładem, kodem R i checklistą.

Czytaj →Poradnik

Jak opisać użycie AI w pracy dyplomowej – wzór deklaracji

Sześć gotowych wariantów deklaracji, tabela „kiedy i gdzie”, cytowanie AI w APA, dziennik promptów i przykładowe zasady uczelni.

Czytaj →Poradnik

Jak napisać przegląd literatury – z AI i bez

Rodzaje przeglądów, zapytania z operatorami Boole’a, selekcja, tabela ekstrakcji i macierz pojęć – oraz to, w czym AI pomaga, a w czym szkodzi.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Asai, A., He, J., Shao, R., Shi, W., Singh, A., Chang, J. C., Lo, K., Soldaini, L., Feldman, S., D'Arcy, M., Wadden, D., Latzke, M., Sparks, J., Hwang, J. D., Kishore, V., Tian, M., Ji, P., Liu, S., Tong, H., . . . Hajishirzi, H. (2026). Synthesizing scientific literature with retrieval-augmented language models. Nature, 650(8103), 857–863. https://doi.org/10.1038/s41586-025-10072-4 ● Otwarty dostęp
  2. Chelli, M., Descamps, J., Lavoué, V., Trojani, C., Azar, M., Deckert, M., Raynier, J.-L., Clowez, G., Boileau, P., & Ruetsch-Chelli, C. (2024). Hallucination rates and reference accuracy of ChatGPT and Bard for systematic reviews: Comparative analysis. Journal of Medical Internet Research, 26, Article e53164. https://doi.org/10.2196/53164 ● Otwarty dostęp
  3. Emsley, R. (2023). ChatGPT: These are not hallucinations – they're fabrications and falsifications. Schizophrenia, 9(1), Article 52. https://doi.org/10.1038/s41537-023-00379-4 ● Otwarty dostęp
  4. Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), 1–38. https://doi.org/10.1145/3571730 ● Otwarty dostęp: pełny tekst
  5. Linardon, J., Jarman, H. K., McClure, Z., Anderson, C., Liu, C., & Messer, M. (2025). Influence of topic familiarity and prompt specificity on citation fabrication in mental health research using large language models: Experimental study. JMIR Mental Health, 12, Article e80371. https://doi.org/10.2196/80371 ● Otwarty dostęp
  6. Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13(1), Article 14045. https://doi.org/10.1038/s41598-023-41032-5 ● Otwarty dostęp

Cytowania BibTeX

@article{asai2026synthesizing, author={Asai, Akari and He, Jacqueline and Shao, Rulin and Shi, Weijia and Singh, Amanpreet and Chang, Joseph Chee and Lo, Kyle and Soldaini, Luca and Feldman, Sergey and D'Arcy, Mike and Wadden, David and Latzke, Matt and Sparks, Jenna and Hwang, Jena D. and Kishore, Varsha and Tian, Minyang and Ji, Pan and Liu, Shengyan and Tong, Hao and Wu, Bohao and Xiong, Yanyu and Zettlemoyer, Luke and Neubig, Graham and Weld, Daniel S. and Downey, Doug and Yih, Wen-tau and Koh, Pang Wei and Hajishirzi, Hannaneh}, title={{Synthesizing scientific literature with retrieval-augmented language models}}, journal={Nature}, year={2026}, volume={650}, number={8103}, pages={857--863}, doi={10.1038/s41586-025-10072-4}}
@article{chelli2024hallucination, author={Chelli, Mikaël and Descamps, Jules and Lavoué, Vincent and Trojani, Christophe and Azar, Michel and Deckert, Marcel and Raynier, Jean-Luc and Clowez, Gilles and Boileau, Pascal and Ruetsch-Chelli, Caroline}, title={{Hallucination rates and reference accuracy of ChatGPT and Bard for systematic reviews: Comparative analysis}}, journal={Journal of Medical Internet Research}, year={2024}, volume={26}, eid={e53164}, doi={10.2196/53164}}
@article{emsley2023chatgpt, author={Emsley, Robin}, title={{ChatGPT: These are not hallucinations – they're fabrications and falsifications}}, journal={Schizophrenia}, year={2023}, volume={9}, number={1}, eid={52}, doi={10.1038/s41537-023-00379-4}}
@article{ji2023survey, author={Ji, Ziwei and Lee, Nayeon and Frieske, Rita and Yu, Tiezheng and Su, Dan and Xu, Yan and Ishii, Etsuko and Bang, Ye Jin and Madotto, Andrea and Fung, Pascale}, title={{Survey of hallucination in natural language generation}}, journal={ACM Computing Surveys}, year={2023}, volume={55}, number={12}, pages={1--38}, doi={10.1145/3571730}}
@article{linardon2025influence, author={Linardon, Jake and Jarman, Hannah K and McClure, Zoe and Anderson, Cleo and Liu, Claudia and Messer, Mariel}, title={{Influence of topic familiarity and prompt specificity on citation fabrication in mental health research using large language models: Experimental study}}, journal={JMIR Mental Health}, year={2025}, volume={12}, eid={e80371}, doi={10.2196/80371}}
@article{walters2023fabrication, author={Walters, William H. and Wilder, Esther Isabelle}, title={{Fabrication and errors in the bibliographic citations generated by ChatGPT}}, journal={Scientific Reports}, year={2023}, volume={13}, number={1}, eid={14045}, doi={10.1038/s41598-023-41032-5}}
R