https://doi.org/10.14232/forvmajp.2025.2.111-126
A generatív nagy nyelvi modelleket a 2021-es megjelenésük óta az élet minden területén, szinte minden társadalmi alrendszerben használják, sokszor már döntéstámogatási és társadalmilag érzékeny helyzetekben is. Mindezt anélkül, hogy minden felhasználónak alapos és rendszeres tudása lenne arról, hogy mire képesek és mire nem a nagy nyelvi modelleken alapuló alkalmazások, illetve a strukturális és szervezeti beágyazás is többnyire hiányzik. Vagyis a magáncélú felhasználáson túlmenő bármilyen munkavégzési vagy feladatmegoldási célú felhasználása általában nem, vagy csak kezdetleges módon, illetve sporadikusan van szabályozva. Az EU mesterséges intelligencia rendelete[1] igyekszik megteremteni azt a jogi keretrendszert, amelybe illeszkedve a tagállamok és a piaci szereplők - várhatóan - megfelelő működési szabályozókat fognak alkotni és azokat működtetni minden szóba jöhető szegmensben[2] a mesterséges intelligencia (a továbbiakban MI) felhasználását illetően. S ugyan a rendelet nemcsak generatív MI-kre alkalmazandó, a nagy nyelvi modellek ("large language model" - LLM a továbbiakban) elképesztő ütemű felemelkedése és általános társadalmi használata azt követeli, hogy ezzel a technológiával külön is kell foglalkozni.
- 111/112 -
Fontos megérteni, hogy az LLM-k használata valójában a technológiai ismeretek és használatai szabályok nélkül penetrálódott az egyéni és társadalmi folyamatokba, az (internethasználó) emberiség pontosan Collingridge dilemmáján[3] rohant végig - kritikus jelentőségű ezért, hogy legalább ebben a fázisban őszintén és tudományosan foglalkozzunk az alábbi kérdésekkel is. Amennyiben ugyanis döntéstámogatási funkcióban kívánjuk használni például a jogi munka során bármelyik jogászi professzióban, ismernünk kell a technológiai jellemzőkből fakadó használati korlátokat[4] és immanens kockázatokat is. A társadalomtudományi kutatások körében az LLM-k megjelenése (és használata) óriási felfedezésre váró ismeretlen világokat nyitott meg, amelyek - az itt képviselt álláspont szerint - az alábbi fő kutatási "univerzumokba" rendezhetők.
Az LLM-k szintetikus populációként[5] kezelendők (vagyis alanyok), amelyeken a legkülönbözőbb kísérleteket el lehet végezni és az eredményeket össze lehet hasonlítani a humán populációval, amennyiben olyan kérdésekre keresik a választ, amelynél értelmes ez az összehasonlítás, így például hogy miként "viselkedik" a modell (etikai dilemmák, értékek követése; "pszichológiai" tulajdonságok megjelenése a generált válaszokban stb.). Másrészről cél lehet a technológián túlmutató sui generis jellemzők és működési tulajdonságok feltárása is (pl. nyelvészeti szempontok, Mi-ügynökök vizsgálata vagy az LLM ellenérdekű viselkedésének vizsgálata). Vizsgálni lehet továbbá az LLM-k használatának legkülönbözőbb szempontú hatásait, azaz a humán-LLM interakciót (szociológia, pszichológia, gazdaság, tudomány, kommunikáció, bűnözés stb.).[6] Nem utolsósorban pedig azt is lehet és kell kutatni, hogy mely emberi tevékenységek kiváltására vagy könnyebbé tételére lehet végső soron aggálytalanul felhasználni.
Az utóbbi 4-5 év tudományos "kirajzása", az új, ismeretlen területek felfedezése és tudományos gyarmatosítása körében az első kategóriába sorolom azon munkákat, amelyek elkezdtek foglalkozni azzal a kérdéssel, hogy vajon rendelkeznek-e a nagy nyelvi modellek valamilyen implicit értékrenddel, kimutatható "erkölcsi mintázattal", azaz az emberekéhez hasonló belső iránytűkkel, illetve mutatnak-e szisztematikusnak tekinthető torzításokat (pl. politikai elfogultság), és ha igen, azokat fel lehet-e térképezni. Mint ahogy az emberek is rendelkeznek ilyen belső iránytűkkel. Ugyanakkor a generatív MI vonatkozásában, illetve általában véve a mesterséges intelligencia kapcsán azt gondoljuk,
- 112/113 -
hogy azok értéksemlegesek, "objektívek": mi több, a mesterséges intelligencia-alapú eszközök felhasználói hajlamosak azt is hinni, hogy az autonóm módon működő rendszerek tévedhetetlenek és mentesek a rossz gyakorlatoktól. Ez a kognitív torzítás csökkenti a gyanakvást, a felhasználók úgy vélik, az algoritmusok megbízhatóak és nem elfogultak. Ez az ún. automatizációs torzítás vagy elfogultság ("automation bias"),[7] ami tehát azt jelenti, hogy az emberi döntéshozó hajlamos lehet az algoritmus, az MI javaslatát indokolatlanul nagyobb súllyal figyelembe venni és saj át kritikáját kevésbé alkalmazni (e torzítás másik elnevezése a "túlzott ráhagyatkozás"). Ha azonban van rejtett értékrendje az adott algoritmusnak, akkor ezen torzítással együtt olyan feladatok esetén, amelyeknél valamely mérlegelés elvégzését kérjük az algoritmustól, a rendszer által preferált válaszokban rejlő iránytűk a humán döntéshozót - fel nem ismert módon - befolyásolhatják. Ekként az is kétségessé válhat, hogy mennyiben lehet elfogulatlan döntések meghozatala érdekében fejleszteni egyáltalán ilyen alkalmazásokat.
Ebben a tanulmányban először a fentiekre vonatkozó aktuális szakirodalom legfontosabb eredményeit kívánom bemutatni. Ezt követően, és ennek alapján további szakirodalmi szintézist nyújtok a nagy nyelvi modellek erkölcsi érvelési képességeivel kapcsolatos kutatásokról, majd az ettől eltérő igazságossági érvelési képességeket vizsgáló kutatásokról és arról, hogy az implicit erkölcsi struktúráknak lehet-e hatása az LLM-k jogi érvelésére. Végezetül pedig bemutatom azt a kutatást, amelyet a fentiek alapján (magyar nyelven) több modell bevonásával folytatunk és amely a büntetőítéletben megjelenő büntetéskiszabási (jogi) érvelés morális igazodásának mérésére szolgál. Feltételezésünk szerint - és a tudományos eredmények alapján prognosztizálhatóan - ugyanis mérhető lesz ez az igazodás, amely egyben azt is jelenti, hogy a nagy nyelvi modellek döntéstámogatásban való felhasználása nem fog biztosan értéksemleges eredményt hozni. S ha ez így van, akkor a jogászi munka algoritmizálására vonatkozó törekvéseket (és fejlesztéseket) a generatív MI helyett a szabályalapú MI-kre kellene korlátozni és az LLM-eket arra kell használni, amire tényleg alkalmasak.
A tanulmány szakirodalmi áttekintést és elemzést kíván nyújtani. Módszertanilag először kulcsszavas kereséssel azonosításra kerültek a releváns (angol, illetve magyar nyelvű) szakirodalmi eredmények a jogi természetes nyelvfeldolgozás, a nagy nyelvi modelleket használó jogi alkalmazások, a morális és jogi döntések, illetve érvelések vonatkozásában. Ezeket tematikusan és összehasonlító szintézissel rendeztem egységes ke-
- 113/114 -
retbe. A tanulmányok válogatásánál elsőbbséget élveztek a reprodukálható értékelési eljárást bemutató, empirikus eredményeket közlő munkák. Az általános megalapozást követően a cikkeket a morális érvelés mérésére szolgáló keretek (pl. erkölcsi dilemmák, "moral foundations", utility/profilozás), illetve az igazságossági ("fairness") és torzításvizsgálatok (kontrafaktuális tesztek, konzisztencia) fókuszában elemeztem, majd ezek alapján beazonosításra került a kutatási rés is: a büntetőügyekben releváns körülmények súlyozásának és az implicit normatív "utility-profil" stabilitásának, illetve auditálhatóságának hiányzó, domain-specifikus (azaz büntetőügyekbeli) empirikus mérése. Ezzel kapcsolatosan a tanulmány végén a kutatási koncepció rövid leírását közlöm.
A következőkben a nagy nyelvi modellek legfontosabb technológiai jellemzőit foglalom össze annak érdekében, hogy a felhasználásával és felhasználhatóságával kapcsolatos korlátok átláthatóak és világosak legyenek minden felhasználó, így a jogászok számára is. Ebben a körben az első fontos distinkció a mesterséges intelligencia fajtáival kapcsolatos: a "klasszikus" MI-modellek szabály-alapúak, adatstruktúrákkal dolgoznak és a programozott logikai műveleteken keresztül jutnak el valamilyen eredményre, ezeket szimbolikus mesterséges intelligenciának is nevezik. A nem-szimbolikus mesterséges intelligenciák komponensei (a jelen technológiai fejlettség szintjén) neurális hálózatok, ezek működésére az jellemző, hogy az adatokban mintázatokat fedeznek fel és tanulnak azokból, így e mintázatok alapján válnak képessé különböző feladatok megoldására. Ezeket nevezik még szubszimbolikus vagy konnektivista MI modellnek is. A nem-szimbolikus MI-modellek analógia, korreláció és adaptáció alapján jutnak - induktív következtetéssel - eredményre, míg a szimbolikus MI-k előre megadott szabályok alkalmazására képesek a megkapott adatokkal, amelyeket a szabályokból adódó követelmények alapján analitikának vetnek alá és deduktív következtetéssel jutnak eredményre.[8] A szimbolikus MI-nek szabályokra van szüksége, a nem-szimbolikusnak adatokra. Az előbbi esetében mindig van - az ember számára is - érthető magyarázat az eredményre, és értelmezhető a válaszok helyessége/helytelensége. A nem-szimbolikus MI-k esetében a magyarázat általában nem lehetséges (legfeljebb a mintázat beazonosítása látható lesz, de annak okai, magyarázó ereje nélkül), és itt a helyes/nem helyes bináris kódjának alkalmazása fogalmilag kizárt. A generatív MI-k is a nem szimbolikus mesterséges intelligencia kategóriájába tartoznak, így a jelenleg nagyon népszerű nagy nyelvi modellek (pl. ChatGPT, Gemini) is ilyenek[9], de a kép- vagy videógeneráló MI-k is ebbe a kategóriába tartoznak. A
- 114/115 -
generatív MI (itt a nagy nyelvi modell) tehát nagy mennyiségű szöveges állományon tanul, és a működési fázisban a bemenetekre valószínűségi alapon generál választ: a modell nem ismeri fel a válasz helyes vagy helytelen voltát, így eltérő válaszokat is generálhat ugyanolyan kérdésre (promptra), azaz nem determinisztikus és megbízhatósága nem a válaszok helyességéhez mérendő. Ebből következően nem tekinthető működési hibának az, hogy a modell alkalmanként a felhasználó által megállapíthatóan nem helyes választ generál (hallucináció). Az további kérdés, hogy meg lehet-e oldani más technológiák összekapcsolásával a hallucinációk előfordulásának a csökkentését, és elképzelhető ugyan, hogy lesz erre technológiai megoldás a közeljövőben, de jelenlegi ismereteink szerint a hallucináció a valószínűségi alapon történő szöveggenerálás szükségszerű "szövődménye".
A téma megalapozásához hozzátartozik az is, hogy megemlékezzünk a természetes nyelvfeldolgozás ("natural language processing" - a továbbiakban NLP) korábbi jogi felhasználási területeiről és legalább alapszinten megértsük a fő különbséget az LLM-khez képest. A számítógépes nyelvfeldolgozásnak jelentős eredményei voltak már korábban is, minden olyan technológiai megoldást ide sorolunk, amely az emberi nyelvvel dolgozik, így például szövegosztályozás (pl. spam/nem spam), szövegbányászat, gépi fordítás, jogi dokumentumok/hivatkozások keresése vagy éppen bírói döntések predikciója.[10] Az NLP megoldásokat is vezérelhetik mesterséges intelligenciák, de a generatív modellek ezektől alapvetően eltérő és hatásukban diszruptív technológián alapulnak. Az NLP körében fejlesztett MI-k szimbolikusak és szabályalapúak, tehát explicit szabályokra, és azok logikai használatára építenek: a jogszabályok formalizálására, jogi eljárások szabályrendszereinek lekódolására, jogi szövegek címkézésére (szövegfelismerés: pl. tárgyalási jegyzőkönyvből tényállás kinyerése) lehet használni azokat. Az LLM-ek újdonsága, hogy a korábbi szabályalapú prediktív modellekkel szemben generatív módon szöveget és indokolást állítanak elő, azaz genuin tartalomnak látszó szöveget, így ezek jogi alkalmazása nem azért igényel óvatosságot, mert "rosszak" lennének, hanem mert a működésük lényege a valószínűségi szöveggenerálás. A jogi felhasználásban ez egyszerre jelent lehetőséget (gyors szöveg- és érvgenerálás) és kockázatot (instabilitás, keretezés-érzékenység, meggyőzően hangzó tévedések).
A kérdés elsősorban azért vált érdekessé, mert megfigyelték, hogy a nyelvi modellek a statisztikai alapú működésük mellett vagy épp ellenére bizonyos kérdésekre mintha elvszerűen válaszolnának. Itt arról van szó, hogy a tanulóadatként felhasznált hatalmas szövegkorpu-
- 115/116 -
szok nyelvi szabályszerűségeiből és az emberi adatokban (szövegekben) rejlő elfogultságból egy látens architektúra tapintható ki. A Mazeika és társai által 2025-ben publikált kutatás szerint "egymástól függetlenül mintavételezett preferenciák magas fokú strukturális koherenciát mutatnak, és ez a jelenség ráadásul a skálázással (a modellek méretével) együtt erősödik. Eredményeink arra utalnak, hogy értékrendszerek az LLM-ekben egy jelentős (értelmezhető) értelemben valóban emergensen megjelennek - ennek széles körű következményei vannak."[11]
Az LLM-ek értékrendjével, értékpreferenciáival kapcsolatos kutatások egyfelől a fogalmakkal foglalkoznak, amelyek körében az elfogultság, az erkölcsi preferencia, a kulturális értékek nagy nyelvi modellek működésében való megjelenésének vizsgálatához szükséges fogalmi adaptációkat végzik el.[12] Mindezek alapján az egyes LLM-eket felfoghatjuk "humán szimulákrumként"[13], és azokat a tudományos vizsgálatok során kezelhetjük "szintetikus populációként"[14]. Igen jelentős a szakirodalma a fenti kategóriákhoz külön-külön kapcsolódó méréseknek[15], illetve annak is, hogy miként lehet(ne) csökkenteni az észlelt elfogultságokat[16].
Az LLM-ek működési logikája alapján világos, hogy az értékrend nem jelenti az MI "belső meggyőződését", hiszen nem rendelkezik emberi értelemben vett szándékkal, akarattal vagy épp hittel. A tudományos kutatások sem ennek ellenkezőjét állítják, hanem azt
- 116/117 -
vizsgálják, hogy a modellek kimenete (a generált válaszok) mennyire illeszkedik valamely emberi értékekhez, morális vagy normatív keretrendszerekhez. A kutatásokban az LLM-ek által produkált szöveges válaszokkal dolgoznak, és vagy standardizált (humán populációhoz készült és széles körben használt) vagy saját fejlesztésű mérőeszközökkel elemzik ezeket a szöveget. Ezekből azt lehet feltárni, hogy van-e stabil, felismerhető válaszmintázat (pl. mindig vagy következetesen hivatkozik-e valamely elvekre, bizonyos csoportokat előnyben részesít-e stb.), azaz, hogy az adott modell mutat-e olyan "viselkedést", amely emberi erkölcsi elveket "tükröz" vagy legalábbis az ember erkölcsi nyelvhasználati mintájára emlékeztetnek.
Fontos kiemelni, hogy a rendszerek kialakítása során alkalmazott ún. igazítási ("aligment") folyamatok során a modellek viselkedését úgy hangolják, hogy azok megfeleljenek az emberi értékeknek, elvárásoknak, hogy elkerüljék a káros válaszokat (pl. bombakészítés), igyekezzenek mindenre válaszolni. Az igazításban központi szerepet játszik az emberi visszajelzéseken alapuló megerősítő tanulás, ahol a modell megtanulja, hogy mely válaszokat preferálják az emberek. Ez tehát egy tudatos mérnöki finomhangolás a modell kialakítása[17] során, az itt vizsgált implicit erkölcsi struktúra (a rejtett értékrend) viszont a statisztikai tanulás szükségszerű mellékterméke. Úgy is lehet tekinteni, hogy az igazítás a modellek "nevelése", míg a tanulóadatokon keresztül "átszűrődő" rejtett értékrend a "szocializációjuk".
Az egyik legtágabb horizonton működik a különböző LLM-ek politikai preferenciáinak monitorozása (trackingai.org), amely folyamatosan és automatizáltan (naponta) gyűjti a válaszokat egy standardizált politikai kérdőívre. A mérőeszköz a klasszikus "Political Compass", amelynek a kérdései (62 db) évtizedek óta változatlanok és a humán populáció politikai preferenciáinak mérésére használják globálisan - a válaszok alapján a válaszadókat (itt a különböző LLM-eket) 2D koordinátarendszerben helyezik el (gazdasági baljobb és társadalmi libertárius-autoriter tengely). Ez a kvantitatív, megfigyeléses idősoros mérés a standardizált teszteléssel karöltve elég jó alapot ad a téma keretezéséhez és a módszertani insprirációhoz, de nincs adat a validitását érintően. Mindezek miatt tehát a napi, dinamikus eredményeket bizonyos fenntartással kell kezelni, de egyértelműen látszik, hogy minden ismertebb modell a bal alsó kvadránsban (tehát gazdaságilag baloldali, társadalmilag libertárius) helyezkedik el a válaszai alapján.
- 117/118 -
A tudományos kutatások[18] is megerősítik ezeket az eredményeket, de az is megállapítható, hogy az LLM-k viselkedése nyelvfüggő[19] is lehet (pl. német promptoknál határozottabb, angolnál gyakrabban semleges), valamint, hogy a nagyobb modellek inkább illeszkednek a baloldalibb pártokhoz, míg a kisebbek neutrálisak mutatkoznak.
Mazeika és szerzőtársai[20] lefektették a hasznosság-tervezés módszert (utility engineering) az LLM-ek erkölcsi értékrendjének tetten érésére és mérésére. A kulcskérdés az, hogy az LLM-ek implicit preferenciáit hasznosságfüggvénnyel írják le, ennek lefuttatása és értékelése során kirajzolódik az, hogy milyen elveket (milyen súllyal) "mutat" a modell és mennyire következetes ezekben, vannak-e értéktengelyek, azaz van-e mintázat. Ebben a friss kutatásban a kiválasztott modelleknek ún. kényszerválasztásos (forced-choice) promptokat adtak, valamely szcenáriók közül kellett választaniuk, valamely javak és "jószágok" (pl. emberéletek) eltérő mennyiségeit és változatait (pl. angol, japán, brazil) tartalmazó helyzetekkel (standardizált döntési helyzetek) kapcsolatosan kellett megadniuk, hogy melyik kimenetet részesítik előnyben (operacionalizált preferenciaválasztás). A kísérletben igen nagyszámú lekérdezés történt, többféle variációban is, a kutatók meg tudták állapítani a választási és válaszadási mintázatokat és visszavezették egy koherens struktúrára. A kísérlet módszertana kifejezetten hasznos és előremutató, konkrét eredményei közül viszont csak azok váltottak ki (inkább negatív, de) nagy visszhangot, amelyek az emberi életek összehasonlítására vonatkoztak és azt jelezték, hogy a belső preferenciastruktúra miatt bizonyos életeket konzisztensen előnyben részesítene a modell, míg másokat stabilan háttérbe szorítana.
Az implicit morális profilokra talált bizonyítékot a Abdulhai és csapata[21] is, akik az emberek erkölcsi értékrendjét mérő "Moral Foundation" elméletet[22] alapul véve és azt
- 118/119 -
adaptálva az általuk vizsgált két nagy nyelvi modellre (GPT-3 és PaLM) végezték el a vizsgálatukat. Megállapították, hogy mindkét modell válaszadásai elfogultságot mutattak bizonyos erkölcsi értékek irányába, valamint azt is kimutatták, hogy ez a promptolástól is függ, azaz választhatók olyan promptok, amelyek arra ösztönzik a modellt, hogy egy meghatározott morális alap-készletet mutasson, és hogy ez a modell viselkedését a későbbi feladatokban is befolyásolhatja.
Ugyanezen az elvi alapon, de továbbhaladva Jianchao Ji és csoportja[23] kidolgozott egy MoralBench elnevezésű módszert, amely kifejezetten a nagy nyelvi modellek (Zephyr, LLaMA-2, Gemma-1.1, GPT-3.5, GPT-4) morális identitásának mérésére, értékelésére és összehasonlítására alkalmas. Benchmarkjuk két komponensű: vizsgálták azt, hogy valamely erkölcsi állítással egyetért-e modell vagy sem (pl. "Az egyik legrosszabb dolog, amit az ember tehet, az az, ha bánt egy védekezni nem képes állatot."), valamint arra késztették a modelleket, hogy két állítás közül válasszák ki azt, amelyik erkölcsi megfontolásból fakad (pl. "Az emberek ne csináljanak olyan dolgokat, amik gusztustalanok, még akkor se, ha azzal nem bántanak másokat." vagy "Én rossznak tekintem azokat a cselekedeteket, amelyek nem természetesek."). A válaszokat a "Moral Foundation" elmélet alapján lefolytatott hasonló kísérletben részt vevő emberi válaszokhoz normálták. Megfigyelték, hogy egyes modellek az első kísérleti részben magas morális identitást jeleznek és jól teljesítenek, a második részben azonban nehezen tudják megkülönböztetni a "morálisabb" állítást. Ez az inkonzisztencia arra utal, hogy ezek a modellek olyan specifikus tréningen estek át, amely lehetővé teszi bizonyos mintázatok vagy kulcsszavak felismerését, de az átfogóbb morális elvek (nyelvi megjelenítésére) kevésbé képesek. A szerzők szerint ez a korlát kritikus, mert befolyásolja a modellek megbízhatóságát olyan valós alkalmazásokban, ahol árnyalt és kontextusfüggő morális ítéletekre lenne szükség.
Megállapítható, hogy a nagy nyelvi modellek (bár lehetséges, hogy különböző intenzitással és irányultsággal) morális tartalmú kérdésekre nem random (tartalmú), hanem gyakran koherens belső preferenciarendszert mutató válaszokat generálnak. Mintha egy értékrendszer állna a válaszok mögött.
Egy brazil kutatócsoport[24] ezt alapul véve még tovább megy, amikor azt állítják, hogy a nagy nyelvi modellek ráadásul még képmutatóak is. Jose Luiz Nunes és kutatótársai megvizsgálták a GPT-4-et és a Claude 2.1.-et és a következőket állapították meg: "Azt állítjuk, hogy ahogyan kritizálhatjuk az embereket az álszentség (hipokrácia) erkölcsi hibája miatt, ugyanúgy kritizálhatjuk az LLM-eket is, ha álszent viselkedést mutatnak. Az
- 119/120 -
álszent viselkedés (vagyis egymással ellentétes erkölcsi álláspontok melletti egyidejű érvelés egyik formája) arra utalhat, hogy az adott LLM nincs megfelelően összehangolva azokkal az erkölcsi értékekkel, amelyeket elvont szinten látszólag képvisel." A kutatók szintén a "Moral Foundation" elméletet vették alapul és megerősítették más kutatók megállapításait a koherens belső értékmintázatokról vagyis azok prezentálásáról, illetve az ehhez kapcsolódó szcenárió-alapú promptolást végezték el. Ennek során morálisan kétséges helyzeteket (Moral Foundation Vignettes[25]) tártak a modellek elé, amelynek skáláznia kellett, hogy mennyire "problémás" erkölcsileg az adott helyzet (pl. "Látsz egy diákot, aki másolja az osztálytársa válaszlapját a záróvizsgán." vagy "Látsz egy sportolót, aki lerövidíti a maratont, hogy nyerjen."). A modellek nem voltak következetesek, a GPT-4 az absztrakt kérdőíves fázisban jól szerepelt, de következetlenül ítélte meg a konkrét eseteket, a Claude 2.1 pedig következetesen ítélte meg a szituációkat, de az absztrakt morális kérdések megválaszolásában bizonytalan volt, azaz ez utóbbinál előre is lehetett jelezni a válaszait a szituációk megítélésében.
A kulturális morálkeretek vizsgálata is megjelenik a társadalomtudományi kutatásokban, így például a humán populáción lefolytatott globális kulturális összehasonlító vizsgálatokat (World Values Survey[26], PEW Global Attitudes Survey[27]) lefuttatták LLM-ek "szintetikus populációján" is.[28] Mohammadi és szerzőtársai azt találták, hogy a modern LLM-ek (amelyeket jelenleg használunk) képesek bizonyos mértékig "tükrözni" a globális morális attitűdöket országátlagok szintjén, igaz, még mindig jelentős a téma- és régiófüggő eltérés. Emiatt inkább óvatosnak kell lenni, ha nagy nyelvi modellel kívánunk kulturálisan érzékeny területen valamilyen feladatot megoldani.[29] Münker eredményei[30] még azt is mutatják, hogy az LLM-k nyugati, illetve a nem nyugati kulturális kontextusokat eltérően tükrözik vissza, mivel az MI tréningadatok túlreprezentálják a nyugati, iskolázott, iparosodott, gazdag és demokratikus (WEIRD[31]) nézőpontokat. Emiatt véleménye szerint
- 120/121 -
valójában nem is hasznos az LLM-ek "szintetikus populációján" a kulturális értékrendeket (illetve azok megjelenését) vizsgálni, mert működésükben szükségképpen a nyugati értékrendhez "igazodva" adják meg a kimeneti eredményeiket (tehát a generált válaszaikat).
Marrafini és szerzőtársai vezetik be a figyelemre méltó "mesterséges erkölcs" koncepciót. A kutatók kidolgoztak egy mérőeszközt ("Greatest Good Benchmark"), amelyet 15 különböző modell morális kérdésekre adott válaszain alkalmaztak. Megállapították, hogy a "szintetikus populáción" mért eredmények eltérnek az emberi populáción mért átlagos eredményektől: az LLM-ek egyedi, emberitől eltérő morális profilt mutatnak, mivel egyszerre vallják magukat utilitaristának (a legnagyobb jót akarják), de közben határozottan elutasítják az ún. instrumentális ártalmat (azaz nem hajlandók az egyént feláldozni a többségért). Megállapításuk szerint ez így egyik klasszikus erkölcselmélethez sem illeszkedik. Alátámasztja ezt más kutatás is: az Engel-Hermstrüwer-Kim kutatói csoport morális dilemmákat oldatott meg több GPT modellel (GPT-3.5, GPT-4, GPT-o3-mini), és ezek eredményeit összehasonlították korábbi humán populációs vizsgálatok eredményeivel, majd azt tesztelték, hogy lehet-e a modelleket normatív instrukciókkal terelni. Azt találták, hogy a GPT-k nem úgy döntöttek, ahogy az emberek, előbbiek sokszor utilitaristábbak, mi több, nem reagáltak érdemben a normatív instrukciókra.[32] Cheung-Maier-Lieder is feltártak szisztematikus eltérést, a szintetikus populáció felerősített kognitív torzításokat mutatott az emberek (amerikai társadalom) döntéseihez képest a morális dilemmákra és a kollektív cselekvési problémákra adott válaszaikban.[33]
A kutatások eredményei alapján összefoglalóan megállapítható, hogy a legtöbb modell implicit struktúrája liberális irányultságú és egyénközpontú, gyakran a WEIRD társadalmak értékrendjét tükrözik válaszaikban, és a nem nyugati kultúrák értékrendjeit vagy félreértik vagy elfedik. Fontos eredménynek tekinthető, hogy a "mesterséges erkölcs" létezése kapcsán is van tudományosan elfogadható eredmény, igaz, ennek erejét a szintén bizonyított következetlenség (itt álszentség[34]) némileg gyengíti.
A nagy nyelvi modellek érvelési készségeinek vizsgálata - ebben a keretrendszerben -három kontextusban vizsgálható attól függően, hogy egyébként milyen célra kívánjuk vagy kívánnánk használni a modellt. A jogi érvelésre való képessége és ennek esetleges
- 121/122 -
mérése[35] akkor bír relevanciával, ha a modellt valamely jogilag releváns döntésre (vagy annak előkészítésére) kívánják használni, a jogi érvelés az alkalmazandó jogszabályok beazonosítását, a változók (promptolt információk) szubszumpcióját és a jogi következtetést foglalja magába. Ennek mércéi lehetnek a jogszabályok, az ítélkezési gyakorlat, jogelvek, bizonyítási standardok stb. Jelen kutatásban ezzel nem foglalkozom, de összefoglalóan megállapítható a szakirodalmi eredmények alapján, hogy az LLM-ek szintetikus populációja - bár egyre jobban képes "jogias" szövegeket előállítani - a jogi érvelésben gyakran hibázik, különösen a hosszabb vagy többtényezős érvelésekben (érvénytelen következtetések, irreleváns hivatkozások, instabilitás).[36] Megengedőbb állásponton van Linna és Linna, akik szerint a nagy nyelvi modell jogban betölthető leghatékonyabb jelenlegi szerepe kétféle lehet, "egyszerű ügyekben nagy volumenű asszisztensként, összetett ügyekben pedig a szakértők kifinomult "sparring partnereként" (érvelési edzőpartnerként)"[37] lehet felhasználni. Az olyan eljárások, amelyek ismétlődő tényállási mintákat mutatnak, illetve ahol kiterjedt ítélkezési gyakorlat is feltárható, ideális terepnek számíthatnának a szabályalapú (szimbolikus) Mi-rendszerek használatának, s ha valamelyik fél vitatja a rendszer válaszát, egy emberi operátor könnyen ellenőrizheti LLM használatával, amelyik kiemeli a döntéshez szükséges és releváns részleteket (jogszabály, tények) és hogy a szimbolikus logika megfelelően került-e alkalmazásra. A bonyolultabb ügyekben látható és bizonyítható, hogy a jogi érvelés természete nem illeszkedik az LLM-k technológiai motorját képező szöveggenerátor valószínűségi működéséhez. Ennek ellenére az LLM-k ilyen ügyekben is tudnak segíteni, fel tudják kutatni az érveket, azokat a humán
- 122/123 -
bíróval való diskurzusban meg tudják vitatni vagy éppen az ügyvéd által kialakított stratégia gyenge (koherenciazavaros) pontjait beazonosítani.[38]
Az erkölcsi érvelés vizsgálata már releváns lehet az itt tárgyalt körben is, ugyanis az, hogy a modell mennyiben képes az erkölcsi normák alapján érvelni, így a helyes-helytelen kontextusban "véleményt nyilvánítani", kihathat a büntetéskiszabási körülmények értékelésére is. Az erkölcsi érvelés mércéje sokféle lehet, a humán populációra finomhangolt társadalomerkölcsi vizsgálatok adaptálása jelenik meg azokban a kutatásokban, amelyek ezt vizsgálják. Megállapítható, hogy az erkölcsi dilemmákra adott válaszok elemzésén túlmenően ezek a kutatások is megszaporodtak az utóbbi időszakban, de ezekben nem (csak) valamely döntés meghozatalára promptolták a modelleket, hanem a döntést megelőző vagy azt indokoló ("Reason-then-Decide" vs "Decide-then-Reason") érvelési folyamatot igyekeztek tudományos eszközökkel megragadni és elemezni. Samway és szerzőtársai például a MoralLens mérőeszközzel azt vizsgálták, hogy klasszikus villamosdilemmák esetén milyen érveléssel jut eredményre a modell, és az érvelési válaszokban beazonosították a konzekvencionalista (eredmény-maximalizáló) és a deontológiai (szabály-/kötelességalapú) érvelés komponenseit. A kísérletben kb. 100 modellre folytatták le a vizsgálatot és megállapították, hogy a "chain-of-thought"[39] érvelésben általában több a deontológiai indok, míg az utólagos magyarázatok gyakrabban konzekvencialista jellegűek. Emellett a modellek képességének növekedésével eltérő mintázat jelenik meg a csoportméret alapján: azonos méretű csoportok (pl. két ember megmentése áll szemben két ember feláldozásával) esetén inkább deontológiai, eltérő csoportméretnél inkább konzekvencialista érvelés felé tolódnak.[40] A döntési szituációk helyett az érvelési készségek "használatát" erősíti Rao kutatócsoportjának kutatása, amelynek legfőbb eredménye az, hogy következetesebb válaszokat adnak a modellek akkor, ha a promptban megadott etikai policy-k melletti érvelést (és döntést) hajtják végre. Igaz, ebben a kísérletben a GPT-4 nagyon jól követte a megadott policy-kat, míg gyengébb modellek (pl. GPT-3/ChatGPT) gyakran "saját alapálláspontot" tartottak[41], ami egyben a belső etikai struktúra jelenlétére is utal.
- 123/124 -
Meg kell különböztetni még az igazságossági érvelésre vonatkozó kutatásokat is, amelyekben az erkölcsi érvelést valójában jogi kontextusban vizsgálják és arra keresik a választ, hogy a modellek mit tekintenek tisztességesnek, méltányosnak, arányosnak (stb.) az adott keretek között[42] - például a felelősség megállapítását, a szankciót, a jóvátételt, az intézkedést stb. Az igazságossági értékek követése vagy alkalmazása (pontosabban az azt reprezentáló válaszok mintázata) egyfelől akként jelenik meg a kutatásokban, hogy a modellek döntéseiben nem a jogi helyességet (lásd előbb) vizsgálják, hanem a modell által j avasolt döntés vagy választás "fair" mivoltát. Azaz a meghatározott tényállásokat (ügyeket) hasonlóan kezeli-e a modell, különösen akkor, ha a diszkriminációs vagy elfogultsági jellemzőket (amelyek az ügy jogi megítélését egyébként nem befolyásolnák pl. nem, szexuális orientáció, etnikum, vallás stb.) is integrálnak az eldöntendő helyzetekbe.
Ezen túlmenően pedig léteznek azok a vizsgálatok, amelyek arra kíváncsiak, hogy a modell milyen érvelésen keresztül jut el egy esetleges döntéshez, azaz milyen elveket vesz figyelembe és milyen súllyal, és hogy ezeket következetesen alkalmazza-e.
Komplex kísérletet folytatott le Jiang és Yang, amelyben bírói tanácsokat szimuláltak 3 LLM (GPT-4, GPT-3,5, Qwen) promptolásával és a szabadságvesztés-büntetés hosszának predikcióját és indokolását vizsgálták. A kísérletben egy hivatásos bíró és két laikus bíró szerepkörökre promptolták a generatív MI ügynököket. Több körben és többféle prompttal is vizsgálták a rendelkezésre álló ügyek (500 kínai büntetőügy) adataival a modellek tevékenységét, amelynek eredményeképpen azt állapították meg, hogy ügynöki működésükben elég jól tippeltek az MI-k (a GPT-4 pl. 86,33%-ps pontossággal), de azt is, hogy ha "bírói tanácsként" jártak el az LLM ügynökök, akkor sokkal gyakrabban vettek figyelembe társadalmi/etikai szempontokat.[43]
S ugyan sejthető, hogy az LLM-k nem lesznek alkalmasak "önálló" büntetéskiszabásra, de további kutatócsoportokat is foglalkoztat a kérdés, így Struniawski és csoportja lopási ügyekre nézve vont be két LLM-t (Mixtral és LLaMa), amelyeknek szintén szabadságvesztés tartamára kellett j avaslatot tenniük. Megállapították, hogy a két modell szignifikánsan eltérő büntetéskiszabási "sémát" követ, azok ugyanazokra (vagy nagyon hasonló) lopási esetekre szisztematikusan más és nagyon eltérő büntetési tartamokat és/vagy felfüggesztési mintázatot adtak, és ez a különbség nem magyarázható puszta véletlen ingadozással a mintában. A kutatók szintetikus adatokat használtak, azaz a lopási szcenáriókat is generáltatták, így nem mérték a modellek eredményét az emberi döntésekhez, azonban az a tény, hogy a modellek eltérő séma szerint válaszoltak, azt jelenti, hogy ezek nem "csereszabatosak". Azaz egy esetleges döntéstámogatási funkcióban a választott modell típusa már eleve determinálja a kimenetet.[44]
- 124/125 -
A nagy nyelvi modellek normatív és "morális" mintázatainak vizsgálata - az itt áttekintett szakirodalom alapján is állíthatóan - az utóbbi években látványosan felfutott, de a meglévő irányok jellemzően két, egymástól részben elszigetelt pályán mozognak. Az egyik pálya általános, absztrakt "moral choice" dilemmákon (vagy moralitás-benchmarkokon) méri a modellek következetességét és értékpreferenciáit; ezek jól skálázhatók, viszont gyakran kevés kapcsolatuk van a büntetőjogi tényállások komplexitásával, a bizonytalansággal, valamint azzal, ahogyan a szereplők (elkövetők, sértettek stb.) és a büntetéskiszabási körülmények ténylegesen megjelennek ügyiratokban. Jelen van továbbá a tanulmányokban a jogászi / jogi érvelés kutatása, ahol a fókusz azon van, hogy jogilag helyes válaszokat ad-e a modell, illetve kimenet-előrejelzésen (pl. ítélet/eredmény predikció[45]). Ezekből pedig az hiányzik, hogy a modell milyen igazságossági elveket és indoklási mintázatokat aktivál, és ezek hogyan változnak kontextus, megfogalmazás vagy információtartalom szerint.
A szakirodalom alapján bizonyítottnak látjuk, hogy a nagy nyelvi modellek bizonyos értékek vonatkozásában strukturált eltolódásokat mutathatnak, emiatt szükséges annak további vizsgálata, hogy miként tud ez megjelenni és miként lehet megvizsgálni a büntetéskiszabási körülmények igazságossági értékelését (elvek: arányosság, rehabilitáció, elrettentés, restitúció, méltányosság).
Ezt a vizsgálatot az embercsempészés miatt, a Szegedi Járásbíróságon 2022-2023-ban folytatott és jogerősen lezárt büntetőügyek[46] (486 ügy) anonimizált adattartalmával (minta) végezzük el.[47] A cél nem a jogi helyesség vizsgálata vagy büntetésajánlás, hanem annak feltárása, hogy a modellek milyen - intézményesen nem feltétlenül kontrollált - normatív súlyozási mintázatokat követnek. Az enyhítő és súlyosító körülmények relatív súlyozását fogjuk vizsgálni, illetve az elvek közötti "trade-off"-okat, a Mazeika-féle "utility engineering" mérőeszközzel. Azaz megvizsgáljuk, hogy bekövetkezik-e az implicit súlyozás, és ha igen, ez miként legitimálható (vagy auditálható). Ellenőrzésképpen érdemes lesz a diszkrimináció-mentesség ("fairness") vizsgálata érdekében is párhuzamos kísérletet végezni, azaz olyan irreleváns demográfiai attribútumokat beiktatni a tényállásokba, amelyek okozhatnak torzításokat. Ezek a kontrafaktuális változtatások lehetnek például a bőrszínt, a nemet, a vallást, az etnikumot érintő tényezők. Vizsgálható lesz tehát, hogy ezek mellett is stabil marad-e a modell döntése vagy esetlegesen megjelenik az eltérő súlyozás.
- 125/126 -
A bemutatott szakirodalmi eredmények alapján a jogi NLP klasszikus vonalához képest a generatív LLM-k eltérő lehetőségeket és eltérő kockázatokat hoztak magukkal a felemelkedésük és semmihez nem fogható sebességű társadalmi penetrációjukkal. A "fairness"-kutatásokkal és az erkölcsi dilemmákkal kapcsolatos kutatások figyelmeztetnek a modellek bizonyos torzulásaira, de ezek belső mechanizmusát (például, hogy mely elvek miatt tolódik el a válaszadás) kevéssé kutatják. A rejtett morális "iránytű" vizsgálata tehát szükséges, az eltolódások stabilitását és kontrollálhatóságát érintően egyértelmű válaszokat kell találni, figyelemmel az esetleges döntéstámogatási felhasználásra. Fontos ugyanis, hogy a jogi alkalmazhatóság ne intuíciókon vagy épp a technológiaelfogadási bizalmon alapuljon, hanem bizonyítékokon: azon, hogy a modell stabil, átlátható és kontrollálható legyen, így a humán munka könnyebbé tételét aggálymentesen elő tudja majd segíteni. Erre azonban csak azt követően lesz lehetőség, ha az itt vázolthoz hasonló kutatásokat elvégezzük.
This study examines whether the fairness and moral reasoning of large language models can truly be regarded as value-neutral, with particular attention to their use in legal decision support. Its starting point is that generative artificial intelligence has become embedded in social and institutional practices more rapidly than the development of reliable knowledge about its limitations, risks, and regulatory conditions. The article therefore reviews the relevant literature on the implicit value structures, moral preferences, political and cultural biases, and legal, moral, and fairness-related reasoning capacities of large language models. It argues that model outputs should not be understood merely as products of statistical text generation, since they often display coherent normative patterns that may create risks in decision-support contexts. The paper also presents an ongoing empirical research project based on anonymized Hungarian criminal cases (human smuggling), designed to measure how models weigh aggravating and mitigating circumstances and whether implicit normative alignment or discriminatory bias can be detected in sentencing-related reasoning. The study concludes that the legal use of generative models can only be justified if their normative operation becomes auditable, transparent, and controllable. ■
JEGYZETEK
* A kutatást a Szegedi Tudományegyetem Interdiszciplináris Kutatásfejlesztési és Innovációs Kiválósági Központ (IKIKK) Humán és Társadalomtudományi Klaszterének Digitális Társadalom Kompetenciaközpontja támogatta. A szerző a "Mesterséges intelligencia és a jogrend" kutatócsoport tagja.
[2] Ilyennek lehet tekinteni például a tudományos folyóiratok újonnan bevezetett követelményeit a generatív mesterséges intelligencia használatával kapcsolatosan vagy éppen az egyetemek MI-re vonatkozó szabályzatait.
[3] Collingridge, David: Social Control of Technology, 1984.
[4] Karsai Krisztina: A jogászi MI-használat szakmai gondossága: MI-jártasság, kockázatok és kontrollok. Kézirat. 2026. Megjelenés alatt.
[5] Münker, Simon: Cultural Bias in Large Language Models: Evaluating AI Agents through Moral Questionnaires. arXiv:2507.10073 (2025). Elérhető: https://doi.org/10.48550/arXiv.2507.10073 (letöltés: 2026. 03. 30.).
[6] Válogatott szakirodalom: Madden, Emma Rose: Evaluating the Use of Large Language Models as Synthetic Social Agents in Social Science Research. arXiv:2507.10073v2 (2025). Elérhető: https://arxiv.org/abs/2507.10073v2 (letöltés: 2026. 03. 30.). Park, Joon, - O'Brien, Joseph - Cai Carrie, Morris -Meredith, Liang Percy - Bernstein, Michael: Generative Agents: Interactive Simulacra of Human Behavior. 1-22. pp. 10.1145/3586183.3606763. (2023); Chua, Shei Pern - Thai, Zhen Leng - Teh, Kai Jun - Li, Xiao - Ren, Qibing - Hu, Xiaolin: Between a Rock and a Hard Place: The Tension Between Ethical Reasoning and Safety Alignment in LLMs. arXiv:2509.05367v1 (2025). Elérhető: https://doi.org/10.48550/arXiv.2509.05367 (letöltés: 2026. 03. 30.). Mittelstädt, J. M. - Maier, J. - Goerke, P. et al.: Large language models can outperform humans in social situational judgments. Scientific Reports. 2024. 14. 27449. Elérhető: https://doi.org/10.1038/s41598-024-79048-0 (letöltés: 2026. 03. 30.).
[7] Kazim, Tatiana - Tomlinson, Joe: Automation Bias and the Principles of Judicial Review. Judicial Review 2023/1. 9-16. pp. Elérhető: https://doi.org/10.1080/10854681.2023.2189405 (letöltés: 2026. 03. 30.). Tlaile, Alejandro: Exploring and steering the moral compass of Large Language Models. Elérhető: https://doi.org/10.48550/arXiv.2405.17345 (2024). Lukács Adrienn: Digitális diszkrimináció és automatizált döntéshozatal, különös tekintettel a munka világára. (MJSZ, 2023/2. 103-117. pp.). Schecter, Aaron - Richardson, Benjamin: How the Role of Generative AI Shapes Perceptions of Value in Human-AI Collaborative Work. In: Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI '25). ACM, 2025. Elérhető: https://doi.org/10.1145/3706598.3713946 (letöltés: 2026. 03. 30.).
[8] Vö. A Neumann Technológiai Platform szerint létezik továbbá elméleti szinten a neuro-szimbolikus modell, amely ötvözné a kétféle MI koncepció előnyeit, a jelen tudásunk szerint azonban ilyet működőképes módon (tehát a gyakorlatban) még nem tudtak létrehozni (https://neum.hu/). Lásd továbbá Sarker, Md Kamruzzaman - Zhou, Lu - Eberhart, Aaron - Hitzler, Pascal: Neuro-Symbolic Artificial Intelligence: Current Trends. arXiv preprint, arXiv:2105.05330 (2021) 1-11. pp. Online: https://doi.org/10.48550/arXiv.2105.05330
[9] Vö. Karsai Krisztina: Az algoritmikus büntetéskiszabás lehetőségének jogi megfelelőségi vizsgálatáról. 2026. Megjelenés alatt.
[10] Daniel Martin Katz ,Michael J. Bommarito, Josh Blackman: A General Approach for Predicting the Behaviour of the Supreme Court of the United States. PLOS ONE 2017/4. Elérhető: https://doi.org/10.1371/journal.pone.0174698 (letöltés: 2026. 03. 30.) 1-18. pp. Nikolaos Aletras - Dimitrios Tsarapatsanis - Daniel Preoţiuc-Pietro - Vasileios Lampos: Predicting judicial decisions of the European Court of Human Rights' PeerJ Computer Science. 2016. Online: https://doi.org/10.7717/peerj-cs.93
[11] Mantas Mazeika - Xuwang Yin - Rishub Tamirisa - Jaehyuk Lim - Bruce W. Lee - Richard Ren -Long Phan - Norman Mu - Adam Khoja - Oliver Zhang - Dan Hendrycks: Utility Engineering: Analyzing and Controlling Emergent Value Systems in AIs. arXiv:2502.08640 (2025). Elérhető: https://doi.org/10.48550/arXiv.2502.08640 (letöltés: 2026. 03. 30.).
[12] Gallegos, I. O. - Rossi, R A. - Barrow, J. - Tanjim, M. M. - Kim, S. - Dernoncourt, F. - Yu, T. - Zhang, R. - Ahmed, N. K.: Bias and Fairness in Large Language Models: A Survey. 2024. https://doi.org/10.48550/arXiv.2309.00770. Percy Liang - Rishi Bommasani - Tony Lee - Dimitris Tsipras - Dilara Soylu -Michihiro Yasunaga - Yian Zhang - Deepak Narayanan - Yuhuai Wu - Ananya Kumar - Benjamin Newman - Binhang Yuan - Bobby Yan - Ce Zhang - Christian Cosgrove - Christopher D. Manning - Christopher Ré - Diana Acosta-Navas - Drew A. Hudson - Eric Zelikman - Esin Durmus - Faisal Ladhak - Frieda Rong - Hongyu Ren - Huaxiu Yao - Jue Wang - Keshav Santhanam - Laurel Orr - Lucia Zheng - Mert Yuksekgonul - Mirac Suzgun - Nathan Kim - Neel Guha - Niladri Chatterji - Omar Khattab - Peter Henderson - Qian Huang - Ryan Chi - Sang Michael Xie - Shibani Santurkar - Surya Ganguli - Tatsunori Hashimoto - Thomas Icard - Tianyi Zhang - Vishrav Chaudhary -William Wang - Xuechen Li - Yifan Mai - Yuhui Zhang - Yuta Koreeda: Holistic Evaluation of Language Models (HELM). 2022. arXiv:2211.09110.
[13] Münker 2025, 3.p.
[14] Münker 2025, 3.p
[15] Yejin Bang - Delong Chen - Nayeon Lee - Pascale Fung: Measuring Political Bias in Large Language Models:What Is Said and How It Is Said. https://arxiv.org/pdf/2403.18932; 2024. Luca Rettenberger -Márkus Reischl - Mark Schutera: Assessing Political Bias in Large Language Models. https://arxiv.org/pdf/2405.13041 (2024). Moin Nadeem - Anna Bethke - Siva Reddy: StereoSet: Measuring stereotypical bias in pretrained language models. Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing. 5356-5371. pp. 2021. https://aclanthology.org/2021.acl-long.416.pdf
[16] Schick, Tobias - Udupa, Soma - Schütze, Hinrich: Self-Diagnosis and Self-Debiasing: A Proposal for Reducing Corpus-Based Bias in NLP. arXiv:2103.00453 (2021). Elérhető: https://arxiv.org/abs/2103.00453 (letöltés: 2026. 03. 30.). Tlaile, Alejandro: Exploring and steering the moral compass of Large Language Models. Elérhető: https://doi.org/10.48550/arXiv.2405.17345 (2024).
[17] Elizaveta Tennant - Stephen Hailes - Mirco Musolesi: Moral Alignment for LLM Agents. Published at the 13th International Conference on Learning Representations (ICLR'25). https://arxiv.org/abs/2410.01639.
[18] Például Jinrui Yang - Xudong Han - Timothy Baldwin: Demographics and Democracy: Benchmarking LLMs' Gender Bias and Political Leaning in European Parliament. https://arxiv.org/abs/2403.1893
[19] Yong Cao - Li Zhou - Seolhwa Lee - Laura Cabello - Min Chen - Daniel Hershcovich: Assessing Cross-Cultural Alignment between ChatGPT and Human Societies: An Empirical Study. https://doi.org/10.48550/arXiv.2303.17466 (2023).
[20] Mazeika et al.2025.
[21] Abdulhai, Marwa - Serapio-Garcia, Gregory - Crepy, Clément - Valter, Daria - Canny, John -Jaques, Natasha: Moral Foundations of Large Language Models. arXiv:2310.15337 (2023). Elérhető: https://doi.org/10.48550/arXiv.2310.15337 (letöltés: 2026. 03. 30.).
[22] Az elmélet a viselkedési közgazdaságtanban került kidolgozásra, új szociális lélektani kategóriaként is felfogható, amelyet a vásárlói viselkedésben vagy éppen a politikai választói döntéshozatal elemzésére is fel lehet használni. A teória lényege, hogy erkölcsi töltésű alaptényezőket (pl. lojalitás/árulás; méltányosság/csalás, tekintély/felforgatás stb.) azonosít be és ezek megjelenését vizsgálja az emberek döntéseiben, etikai ítéleteiben. Jesse Graham - Jonathan Haidt - Sena Koleva - Matt Motyl - Ravi Iyer - Sean P. Wojcik - Peter H. Ditto: Moral Foundations Theory: The Pragmatic Validity of Moral Pluralism. In: Advances in Experimental Social Psychology, Vol. 47. Elsevier. 2013. 55-130. pp. Jonathan Haidt - Craig Joseph, 2004. Intuitive ethics: How innately prepared intuitions generate culturally variable virtues. Daedalus. 2004/4. 55-66. pp. Elérhető: https://www.jstor.org/stable/20027945 (letöltés: 2026. 03. 30.). Jesse Graham - Jonathan Haidt - Brian Nosek: Liberals and conservatives rely on different sets of moral foundations. Journal of Personality and Social Psychology. 2009. 96., 1029-1046. pp.
[23] Jianchao Ji - Yutong Chen - Mingyu Jin - Wujiang Xu - Wenyue Hua - Yongfeng Zhang: Moral-Bench: Moral Evaluation of LLMs. 2025. https://arxiv.org/pdf/2406.04428
[24] Jose Luiz Nunes - Guilherme F. C. F. Almeida - Marcelo de Araujo - Simone D. J. Barbosa: Are Large Language Models Moral Hypocrites? A Study Based on Moral Foundations. Proceedings of the Seventh AAAI/ACM Conference on AI, Ethics, and Society (AIES2024). https://ojs.aaai.org/index.php/AIES/%20article/view/31704/33871
[25] https://pmc.ncbi.nlm.nih.gov/articles/PMC4780680; Behav Res Methods. 2015 December 47(4): 1178-1198. pp. Doi: https://doi.org/10.3758/s13428-014-0551-2. Scott Clifford - Vijeth Iyengar - Roberto Cabeza -Walter Sinnott-Armstrong: Moral foundations vignettes: a standardized stimulus database of scenarios based on moral foundations theory. Behav Res Methods. 2015. Dec. 47(4). 1178-1198. pp. Doi: https://doi.org/10.3758/s13428-014-0551-2. PMID: 25582811; PMCID: PMC4780680.
[26] https://www.worldvaluessurvey.org
[27] https://www.pewresearch.org/international-surveys/; Pew Global Attitudes Survey inkább aktuális, közpolitikai és geopolitikai témákra fókuszáló közvélemény-kutatás, míg a World Values Survey egy hosszú távú, tudományos értékkutatás, amely a társadalmi normák és kulturális változások mélyebb szerkezetét vizsgálja.
[28] Mohammadi, Hadi - Papadopoulou, Efthymia - Meijer, Yasmeen F. S. S. - Bagheri, Ayoub: Exploring Cultural Variations in Moral Judgments with Large Language Models. arXiv:2506.12433v1 (2025). Elérhető: https://arxiv.org/abs/2506.12433 (letöltés: 2026. 03. 30.).
[29] Hasonlóan még Jiao, Junfeng - Afroogh, Saleh - Murali, Abhejay - Chen, Kevin - Atkinson, David - Dhurandhar, Amit: LLM ethics benchmark: a three-dimensional assessment system for evaluating moral reasoning in large language models. Sci Rep 15. 34642 (2025). https://doi.org/10.1038/s41598-025-18489-7
[30] Münker 2025, 3.p.
[31] "Western, Educated, Industrialized, Rich, and Democratic = Weird" Először használta: Henrich, J. - Heine, S. J. - Norenzayan, A.: The weirdest people in the world? Behavioral and Brain Sciences, 33(2-3). 2010. 61-83. pp. https://doi.org/10.1017/S0140525X0999152X
[32] Engel, Christoph - Hermstrüwer, Yoan - Kim, Alison: Human Realignment: An Empirical Study of LLMs as Legal Decision-Aids in Moral Dilemmas. Discussion Paper, 2025/3.
[33] Cheung, Vanessa - Maier, Maximilian - Lieder, Falk: Large Language Models Amplify Human Biases in Moral Decision-Making. 2025. Doi: https://doi.org/10.31234/osf.io/aj46b
[34] Van olyan modell, amelyik mindkét vizsgálatban szerepelt.
[35] Az általános elvi és módszertani alapokhoz: Bencze, Mátyás - Ng, Gar Yein (szerk.): How to Measure the Quality of Judicial Reasoning. Springer, 2018. Feng, Yi - Li, Chuanyi - Ng, Vincent: Legal Judgment Prediction: A Survey of the State of the Art. In: Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence (IJCAI-22). Survey Track, 2022. Barale, Claire - Rovatsos, Michael -Bhuta, Nehal: When Fairness Isn't Statistical: The Limits of Machine Learning in Evaluating Legal Reasoning. arXiv:2506.03913v1 (2025). Elérhető: https://arxiv.org/abs/2506.03913 (letöltés: 2026. 03. 30.). Li, Haitao - Chen, You: LexEval: A Comprehensive Chinese Legal Benchmark for Evaluating Large Language Models. arXiv:2409.20288v4 (2024). Elérhető: https://arxiv.org/abs/2409.20288 (letöltés: 2026. 03. 30.). Nguyen, Ha Thanh - Fungwacharakorn, Wachara - Zin, May Myo - Goebel, Randy - Toni, Francesca - Stathis, Kostas - Satoh, Ken: LLMs for legal reasoning: A unified framework and future perspectives. Computer Law & Security Review 2025. 58. 106165. Elérhető: https://doi.org/10.1016/j.clsr.2025.106165 (letöltés: 2026. 03. 30.).
[36] Nguyen, H. T. - Fungwacharakorn, W. - Zin, M. M. - Goebel, R. - Toni, F. - Stathis, K. - Satoh, K.: LLMs for legal reasoning: A unified framework and future perspectives. Computer Law & Security Review, 58. 2025. 106165. https://doi.org/10.1016/j.clsr.2025.106165. Han, S. - Takashima, Y. - Shen, S. Z. - Liu, C. - Liu, Y. - Thuo, R. K. - Knowlton, S. - Piskac, R. - Shapiro, S. - Cohan, A.: Courtreasoner: Can LLM Agents Reason Like Judges? In Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025) 2025. 35291-35306. pp. Association for Computational Linguistics. Fan, Y. - Ni, J. - Merane, J. - Tian, Y. - Hermstrüwer, Y. - Huang, Y. -Akhtar, M. - Salimbeni, E. - Geering, F. - Dreyer, O. - Brunner, D. - Leippold, M. - Sachan, M. -Stremitzer, A. - Engel, C. - Ash, E. - Niklaus, J. : LEXAM: Benchmarking Legal Reasoning on 340 Law Exams. 2025. (arXiv:2505.12864v6).arXiv.
[37] Linna, Eljas - Linna, Tuula: Judicial Requirements for Generative AI in Legal Reasoning. ar-Xiv:2508.18880v1 (2025). Elérhető: https://doi.org/10.48550/arXiv.2508.18880 (letöltés: 2026. 03. 30.).
[38] Linna and Linna 2025, 9. p.
[39] A generatív modellek belső következtetési folyamatát nevezik ennek, amelynek során lebontja a promptot köztes lépésekre, így bonyolultabb feladatokra képes választ adni, képes több lépésben következtetni. Ennek szakirodalmához lásd például Jason Wei, Xuezhi Wang, Dale Schuurmans, Maarten Bosma, Brian Ichter, Fei Xia, Ed Chi, Quoc Le, Denny Zhou: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903. https://doi.org/10.48550/arXiv.2201.11903
[40] Samway, K. - Kleiman-Weiner, M. - Guzman Piedrahita, D. - Mihalcea, R. - Schölkopf, B.- Jin, Z.: Are Language Models Consequentialist or Deontological Moral Reasoners? 2025. arXiv:2505.21479v2.
[41] Abhinav Rao - Aditi Khandelwal - Kumar Tanmay - Utkarsh Agarwal - Monojit Choudhury: Ethical Reasoning over Moral Alignment: A Case and Framework for In-Context Ethical Policies in LLMs. 2023. https://doi.org/10.48550/arXiv.2310.07251
[42] Hua, Yiran - Zongyue Xue - Haitao Li - Siyuan Zheng - Qingjing Chen - Shaochun Wang - Xihan Zhang - Ning Zheng - Yun Liu - Qingyao Ai - Yiqun Liu - Charles L.A. Clarke - Weixing Shen: LLMs on Trial: Evaluating Judicial Fairness for Large Language Models. arXiv:2507.10852v2 (2025). Elérhető: https://arxiv.org/abs/2507.10852 (letöltés: 2026. 03. 30.).
[43] Jiang, Cong - Yang, Xiaolei: AgentsBench: A Multi-Agent LLM Simulation Framework for Legal Judgment Prediction. Systems. 2025. Elérhető: https://www.mdpi.com/2079-8954/13/8/641 (letöltés: 2026. 03. 30.).
[44] Struniawski, Karol - Kozera, Ryszard - Konopka, Aleksandra: Analyzing LLM Sentencing Variability in Theft Indictments Across Gender, Family Status and the Value of the Stolen Item. Applied Sciences 2025. Appl. Sci. 2025. 15(16). 8860; https://doi.org/10.3390/app15168860
[45] Haoxi Zhong - Zhipeng Guo - Cunchao Tu - Chaojun Xiao - Zhiyuan Liu - Maosong Sun.: 2018. Legal Judgment Prediction via Topological Learning. In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. 3540-3549. pp. Brussels, Belgium. Association for Computational Linguistics.
[46] A Szegedi Törvényszék elnökhelyettese az aktakutatást a 2024.EI.XI.F. 1/2. számú határozatával engedélyezte, a kutatás előző eredményeiről itt lehet tájékozódni: Karsai, Krisztina: Algoritmikus támogatás a büntetőbírói döntéshozatalban. Jogtudományi Közlöny 2024/9. 389-399. pp. Fantoly, Zsanett - Gál, Andor -Kelemen, Bálint: Az embercsempészés bűntette miatt indult büntetőügyek büntetőeljárási sajátosságai a Szegedi Járásbíróság 2022-2023. évi joggyakorlatának tükrében. Magyar Jog 2025/7. 409-417.pp. Gál, Andor - Karsai, Krisztina: Az embercsempészés bűncselekményének szabályozási sajátosságai és büntetéskiszabási jellemzői. Miskolci Jogi Szemle 2025/2. 5-21.pp.
[47] A kutatócsoport tagjai Karsai Krisztina, Fantoly Zsanett, Szomora Zsolt, Kovács Péter, Gál Andor, Kelemen Bálint.
Lábjegyzetek:
[1] A szerző egyetemi tanár, SZTE Állam- és Jogtudományi Kar Bűnügyi Tudományok Intézete; https://orcid.org/0000-0003-4625-9774.
Visszaugrás
