Sztuczna inteligencja a duszpasterstwo.Obietnice – zagrożenia – wyzwania
Bibliographic record
Abstract
Sztuczna inteligencja należy niewątpliwie do najbardziej wpływowych i dynamicznie rozwijających się zjawisk współczesności. Na uniwersytetach są tworzone nowe kierunki studiów, a menadżerowie wprowadzają nieustannie najnowsze rozwiązania wykorzystujące sztuczną inteligencję do zarządzania przedsiębiorstwami, marketingu, reklamy i promocji, przy czym chodzi nie tylko o promocję różnych wystawionych na sprzedaż produktów materialnych i nowych technologii, lecz także groźnych ideologii, niewyobrażalnych dotąd sposobów wpływania na myślenie ludzi, praktycznych sposobów przejmowania i sprawowania władzy. Nas interesuje znalezienie odpowiedzi na następujące pytania: Czy sztuczna inteligencja ma jakiś związek z posługą duszpasterską Kościoła, a jeśli tak, to w jakich obszarach tejże działalności? Jakie są walory sztucznej inteligencji możliwe do wykorzystania w duszpasterstwie, a jakie zagrożenia? Jeżeli są zagrożenia, to jakie wyzwania formacyjne należy podejmować w działalności zbawczej Kościoła? Próba odpowiedzi na te pytania zostanie podjęta na podstawie pierwszych, na razie nielicznych, wypowiedzi Urzędu Nauczycielskiego Kościoła i nieco liczniejszych już opracowań teologicznych tego zagadnienia.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.013 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".