Jak shrnout PDF pomocí AI (a zachovat citace)

Nejtěžší část každého workflow pro shrnutí PDF pomocí AI s citacemi je důvěra: shrnutí obvykle zní správně, ale citace, které k němu připojí, nemusí být reálné. Druhoroká PhD kandidátka, kterou vedeme, na to narazila zhruba v polovině systematického review, po nahrání 187 PDF do fronty, když zjistila problém v její shrnovací tabulce. Přibližně 60 z položek citovalo práce, které se v přiložených zdrojových PDF vůbec nevyskytovaly. Nástroj, který použila (bezplatný „ChatGPT-style“ summarizér PDF), plynule generoval podpůrné citace z paměti tréninkových dat a připojoval je k větám shrnutí, aniž by ověřoval, že citovaná práce skutečně existuje v daném dokumentu. Tyto „fantomové“ citace by se jí jinak dostaly do dizertace, kdyby si nezkontrolovala prvních deset položek. Úklid trval dva týdny.

Tento způsob selhání je v roce 2026 klíčovým rizikem při shrnování akademických PDF pomocí AI. Samotné shrnutí bývá obvykle přesné; citace, které k němu připojí, často přesné nejsou. Riziko má dvě podoby. První je opomenutí: shrnutí sloučí odstavec, který citoval tři zdroje, do jediné tvrzení bez připsání, čímž přeruší řetěz, který budete později potřebovat k obhajobě tvrzení. Druhá je halucinace: model vygeneruje srozumitelné citace z tréninkové paměti, které vypadají věrohodně, ale ve zdrojovém PDF se ve skutečnosti nevyskytují. Obě se dají snadno přehlédnout a po faktu je obtížné odhalit.

Tento článek popisuje workflow, které oběma způsobům selhání předchází. Projdeme, proč obecné summarizéry PDF citace odstraňují nebo halucinují, jaké čtyři druhy metadat by shrnutí „bezpečné pro citace“ mělo zachovat, krokový postup, který vede k ověřitelným shrnutím, jak má vypadat opravdu dobré shrnutí bezpečné pro citace, krátkou poznámku k výběru nástroje i typické chyby, které by měl znát každý výzkumník.

Jak shrnout výstup PDF AI s citacemi tak, aby se neztratily reference?

Vyberte nástroj, který rozumí citacím, místo generického summarizéru: NotebookLM ukotví každou větu shrnutí k úseku zdroje v PDF, což znemožňuje halucinované citace na úrovni architektury. Vyzvěte model, aby zachoval všechny citace v textu ze zdroje, zahrnul číslo stránky, na níž se každé tvrzení vyskytuje, a aby inference označil explicitně. Poté ověřte citace v prvních třech shrnutích oproti zdrojovým PDF dříve, než budete důvěřovat zbytku dávky.

Proč obecné AI summarizéry PDF vynechávají nebo halucinují citace?

Architektonický důvod je stejný jako ten, který jsme popsali v našem článku o halucinovaných citacích pro plné rukopisy](/blog/citation-formatting-guide-apa-mla-chicago): LLM tokenizer nemá speciální status pro úseky citací. Když model shrnuje PDF, čte zdroj jako sekvenci tokenů a generuje shrnutí, které obsahově přibližuje čtené. Citace v textu zdroje ("(Smith, 2024)") jsou tokeny jako jakékoli jiné. Citace ve výstupu mohou pocházet ze tří míst: zkopírované ze zdroje (nejlepší případ), vygenerované z paměti (vysoké riziko halucinace) nebo zcela vynechané (nejčastější selhání).

Tyto tři typy chování se napříč nástroji projevují odlišně. ChatGPT ve výchozím PDF shrnování obvykle zachovává citace v textu, pokud se objevují v krátkých, čistých pasážích; v hustě psaných odstavcích je naopak spíše vynechává nebo přepisuje. Claude je opatrnější při generování citací z paměti, ale i tak v dlouhých dokumentech některé citace vypouští. NotebookLM je nejsilnější, protože ukotvuje každou větu shrnutí k úseku zdroje v PDF, tím pádem je halucinace na úrovni architektury obtížná, nikoli jen odrazovaná. Scholarcy je akademicky specifický nástroj a je postavený přesně pro tento use case, ale jeho granularita shrnutí je někdy hrubší, než kolik vyžaduje hustota citací.

Praktický dopad je jasný: výběr nástroje je pro shrnování důležitější než pro překlad. Obecný LLM bez disciplíny pro ukotvení citací vytvoří shrnutí, které je plynulé, sebevědomě „citované“ a zároveň částečně špatné. Nástroj, který je citace-aware, vytvoří shrnutí, jež může být někdy méně elegantní, ale bude důsledně dohledatelné. U každého shrnutí, které chcete použít pro vlastní psaní, vyberte druhou možnost.

Čtyři druhy metadat, která má shrnutí bezpečné pro citace zachovat

Ne každé shrnutí potřebuje stejnou úroveň práce s citacemi. Čtyři druhy metadat uvedené níže tvoří „menu“; vyberte úroveň, která odpovídá vašemu use case.

1. Citace v textu ze zdroje. Když zdrojové PDF říká "(Martinez & Chen, 2024) found that...", shrnutí bezpečné pro citace zachová toto připsání přímo v samotném shrnutí. Shrnutí by nemělo slévat připsání do formulace typu "researchers have found that..." nebo připsat tvrzení autorům citovaného článku místo citovaného zdroje. Citace v textu je řetěz zpět k původnímu důkazu; když ji ztratíte, řetěz se přeruší.

2. Ukotvení v seznamu literatury. Shrnutí by mělo zahrnovat dostatek metadat o samotném článku (autoři, rok, časopis, DOI), abyste jej mohli správně citovat ve vlastní práci bez znovuotevírání PDF. Většina nástrojů to zvládá triviálně; selhání nastává, když nástroj vygeneruje jiné DOI nebo rok, než odpovídají skutečné práci. Je to sice vzácné, ale stojí za to to v rámci dávky jednou zkontrolovat.

3. Ukotvení na stránku nebo oddíl. Věta shrnutí by měla vést zpět na konkrétní stránku nebo oddíl zdroje, kde se tvrzení objevuje. NotebookLM to dělá nativně; Sharly AI poskytuje odkazy na stránky; Claude a ChatGPT to nedělají, pokud je výslovně nevyzvete, aby čísla stránek uváděly. Ukotvení stránky je to, co vám umožní ověřit tvrzení při psaní, aniž byste četli celý článek znovu.

4. Příznak důvěryhodnosti (confidence flag). Shrnutí, které rozlišuje „článek říká X“ od „usuzuji, že článek myslí X“, je užitečnější než takové, které obě věci slije do jednoho tvrzení. Některé nástroje (NotebookLM, Scholarcy) zachovávají tento rozdíl; většina nástrojů založených na LLM jej slévá. Oprava je na úrovni promptu: požádejte model, aby nejisté inference označil explicitně.

Shrnutí, které zachová všechny čtyři typy metadat, trvá déle na vygenerování a čte se méně elegantně než shrnutí, které je nezachová. Je to zároveň jediný typ shrnutí, který je bezpečné citovat ve vlastní práci. Tato výměna se vyplatí pro jakýkoli zdroj, který v práci plánujete použít.

Jak shrnout akademické PDF tak, aby se neztratily citace?

Pět kroků. Workflow předpokládá, že shrnujete dávku PDF pro účely literárního přehledu nebo systematického review; pro jednovýskytový článek vynechte Krok 1.

Krok 1: Standardizujte PDF. Ujistěte se, že každé PDF v dávce je možné vytěžit jako text (ne skenovanou fotografii). Spusťte OCR u všech skenovaných PDF (ABBYY FineReader, Adobe Acrobat Pro, nebo zdarma dostupnou pipeline Tesseract). Kvalita shrnování u skenovaného PDF bez OCR je jednotně špatná; citace se konkrétně projeví jako náhodné řetězce znaků. Tento krok trvá 10 až 30 sekund na jedno PDF.

Krok 2: Vyberte nástroj podle délky dokumentu a hustoty citací. Pro jeden článek do 20 stran a s běžnou hustotou citací (méně než 60 referencí) je doporučení Claude Sonnet přes rozhraní pro nahrání souboru. Pro dávku článků zpracovávanou pro literární přehled, kde je dohledatelnost k úsekům zdroje kritická, je doporučení NotebookLM. Pro systematická review, kde potřebujete strukturované extrakce dat (velikost vzorku, intervence, outcome), je doporučení Scholarcy nebo vlastní prompt pro Claude. Výběr nástroje je pro bezpečnost citací důležitější než prompt engineering.

Krok 3: Explicitně vyžádejte čtyři druhy metadat. Generické prompty typu „shrňte tento článek“ vedou k shrnutím, která citace vynechávají. Šablona promu, kterou používáme:

Shrňte tento článek do 150–300 slov. U každého tvrzení v
shrnutí:
1. Zachovejte jakoukoli citaci v textu ze zdroje (např. "Smith
   (2024) found that...").
2. Uveďte číslo stránky, kde se tvrzení objevuje.
3. Označte [INFERENCE] každé tvrzení, které je vaší inferencí spíše
   než přímým tvrzením v článku.
4. Na konci uveďte kompletní citaci článku v APA formátu a
   jakékoli detaily metodologie (velikost vzorku, typ studie, primární
   outcome), které se objevují v abstraktu nebo v metodách.

Režijní náklady promtu jsou reálné (~50 tokenů), ale rozdíl v kvalitě výstupu je podstatný. NotebookLM tento prompt nepotřebuje, protože jeho architektura zajišťuje kroky 1–3 automaticky; Claude i ChatGPT s ním oba výrazně zlepší výstup.

Krok 4: Před důvěrou k dávce ověřte citace v prvních třech shrnutích. Otevřete zdrojové PDF pro první tři články a ověřte, že každá citace v textu ve shrnutí se skutečně v daném zdrojovém dokumentu vyskytuje. Pokud v shrnutí uvidíte citace, které se ve zdroji neobjevují, nástroj halucinuje; přepněte nástroje nebo zpřísněte prompt. To je jediná kontrola, která odhalí systematický selhávací vzorec, který jsme otevřeli v úvodu článku.

Krok 5: Exportujte do strukturovaného formátu se zachovanými metadaty. Tabulka s jedním řádkem na každý článek a sloupci pro (citace, shrnutí, odkazy na stránky, detaily metodologie, vaše poznámky) udrží shrnutí použitelné pro navazující psaní. Vyhněte se exportům ve volném textu, které ztratí strukturu „jeden řádek na článek“. Nástroje, které exportují do CSV nebo BibTeX-with-notes, se snáze integrují do správců literatury.

Celý workflow trvá zhruba pět až deset minut na jedno PDF, z čehož přibližně 60 % zabere ověřovací kontrola (Krok 4). Právě ověřovací krok odlišuje shrnutí bezpečné pro citace od takového, které je sice plynulé, ale špatné.

Jak ve skutečnosti vypadá shrnutí bezpečné pro citace?

Aby byl standard čtyř metadat konkrétní, zde je příklad stejného článku shrnutého dvěma způsoby.

Shrnutí bez citací (výchozí ChatGPT):

Tato studie zkoumala účinky nové intervence na pokles kognitivních funkcí
u starších dospělých. Autoři zjistili významná zlepšení
pracovní paměti a rychlosti zpracování. Intervence byla
dobře tolerována a ukázala slib pro klinické použití.
Budoucí výzkum by měl zkoumat dlouhodobé účinky.

Toto shrnutí je plynulé a působí kompetentně. Je však k citacím k ničemu. Tvrzení nemají přiřazení k původním zdrojům, které článek citoval. Rámování typu „autoři zjistili“ slévá všechny interní citace do jednoho hlasu. Chybí odkaz na stránku pro ověření. Pokud byste to chtěli citovat ve vlastní práci, museli byste znovu otevřít PDF.

Shrnutí bezpečné pro citace (NotebookLM-styl s explicitním promptem):

Kowalski et al. (2024) zkoumali účinky 12týdenní
intervence kognitivního tréninku na pracovní paměť u dospělých ve věku
65–80 (n = 247) [s. 3]. Intervence vedla k významným
zlepšením pracovní paměti (d = 0.42, p < .001) a rychlosti zpracování (d = 0.31, p = .003),
čímž replikovala dřívější zjištění z
Park a Liu (2021) [s. 8]. Intervence byla dobře tolerována,
nebyly hlášeny žádné nežádoucí události [s. 11]. Autoři uvádějí, že
12týdenní délka může být nedostatečná k odhalení dlouhodobých účinků,
a
doporučují studii s 24měsíčním follow-upem [s. 14, diskuse].
[INFERENCE: Velikosti efektů jsou střední, což je v souladu s
literaturou o kognitivním tréninku shrnutou v úvodu
(Park & Liu, 2021; Wei et al., 2023), ale menší než původní
tréninkové paradigmy z 90. let.]

Plná citace: Kowalski, M., Singh, R., & Patel, A. (2024).
Cognitive training in older adults: A 12-week randomized trial.
Journal of Cognitive Enhancement, 18(3), 234–251.
https://doi.org/10.1007/s41465-024-00345-x

Metodologie: n = 247, věk 65–80, 12týdenní randomizovaná kontrolovaná
studie, primární outcome pracovní paměť kompozit, sekundární outcome
rychlost zpracování.

Druhé shrnutí je zhruba dvakrát delší. Také vám umožňuje napsat odstavec v literárním přehledu s přesným citováním tohoto článku, aniž byste znovu otevírali PDF. Každá citace v textu ze zdroje je zachována. Odkazy na stránky jsou explicitní. Inference je označená. Kompletní reference je připravena k vložení do vašeho bibliografického manažeru.

Pro každý zdroj, který budete citovat ve vlastní práci, je druhý formát minimálním standardem.

Výběr nástroje v jednom odstavci

V našem širším workflow pro AI literární přehled řešíme případ více článků; stručná verze výběru nástroje pro shrnování PDF bezpečné pro citace je: NotebookLM pro dohledatelné shrnování s ukotvenými citacemi (zdarma, vyžaduje Google účet, nejlepší pro dávky v literárním přehledu); Claude Sonnet přes nahrání souboru pro jednorázové shrnutí jednoho dlouhého PDF (kontextové okno 200K zvládne většinu článků z časopisů v jednom průchodu); Scholarcy pro extrakci strukturovaných dat v systematických review (placené, ale strukturovaný výstup vám ušetří hodiny); ChatPDF pro konverzační Q&A proti jednomu PDF (dobré pro dotazy typu „co tento článek říká o X?“ při čtení). Náš vlastní AI shrnovač obaluje pattern zachování citací čtyřmi metadaty standardu uvedeného výše. Vyhněte se generickým bezplatným summarizérům PDF pro jakýkoli zdroj, který plánujete citovat; riziko halucinací je reálné.

Časté selhání a jak je odhalit

Pět typů selhání, které vidíme napříč literárními přehledy, jež revidujeme. Každé má konkrétní nápravu.

Selhání 1: Halucinované podpůrné citace. Shrnutí přisuzuje tvrzení článku, který se ve zdrojovém PDF ve skutečnosti nevyskytuje. Náprava: ověřte první tři shrnutí v jakékoli dávce oproti zdrojovým PDF. Pokud se objeví halucinované citace, přepněte nástroje (nejspolehlivěji na NotebookLM) nebo zpřísněte prompt tak, aby vyžadoval ukotvení na úrovni úseku zdroje.

Selhání 2: Zkolabované připsání (attribution). Shrnutí změní „Smith (2024) zjistil X, ale Jones (2023) zjistil Y“ na „výzkumníci zjistili smíšené výsledky“. Náprava: v promptu explicitně vyžádejte zachování citací v textu; vybírejte nástroje, které to zvládají nativně (NotebookLM, Scholarcy).

Selhání 3: Chybné metodologické údaje. Shrnutí uvádí velikost vzorku, typ studie nebo primární outcome, které neodpovídají skutečnému článku. Toto je vzácnější než halucinace citací, ale při výskytu má závažnější dopad. Náprava: do promptu zahrňte „doslova vytěžit detaily metodologie z části Metody“; ověřte první dávku.

Selhání 4: Obecná regenerace abstraktu. „Shrnutí“ je v podstatě přepis abstraktu článku bez dalších informací z těla textu. Hodí se pro rychlý přehled, ale je k ničemu pro literární přehled, který potřebuje metodologii, výsledky a limity z těla článku. Náprava: požádejte explicitně o obsah z těla; ověřte kontrolou vzorků oproti pasážím nad rámec abstraktu.

Selhání 5: Odchylka ve formátu citací. Shrnutí sice zachová obsah citace, ale v jiném formátu než ve zdroji (z parentesového na narativní, nebo naopak). Je to méně závažné než první čtyři chyby, ale stejně stojí za zachycení. Náprava: promptujte tak, aby model zachovával původní formát citace; citační formátovací hub pokrývá kanonické formáty, pokud je budete po faktu potřebovat sjednotit.

Náš širší workflow pro shrnování článků nad rámec „citace-preservation“ řeší náš článek o tom, jak shrnout výzkumný článek pomocí AI; tento článek je specifický pro PDF a je rozšířením právě o bezpečnost citací.

Často kladené otázky

Otázka: Který AI nástroj je v roce 2026 nejlepší pro shrnování akademických PDF?

Správný nástroj závisí na use case. Pro literární přehledy s dávkovým zpracováním PDF, kde je dohledatelnost citací nejdůležitější, je NotebookLM nejsilnější. Pro jeden dlouhý článek (až ~500 stran) Claude Sonnet přes nahrání souboru využívá své kontextové okno 200K v jednom průchodu. Pro systematická review vyžadující extrakci strukturovaných dat je Scholarcy vytvořené přímo pro tento účel. Pro konverzační Q&A proti jednomu PDF během čtení je ChatPDF nejrychlejší. Vyhněte se generickým bezplatným summarizérům PDF pro zdroje, které plánujete citovat; riziko halucinovaných citací je centrální způsob selhání pro akademické použití.

Otázka: Bude ChatGPT halucinovat citace při shrnování mého PDF?

Může, zejména v hustě psaných pasážích nebo když prompt výslovně žádá o citace bez jejich ukotvení na úseky zdroje. Doporučujeme nikdy nepožadovat, aby LLM „generoval citace“ ze zdroje; místo toho jej požádejte, aby „zachoval všechny citace v textu, které se v zdroji objevují“ a aby „uvedl čísla stránek, na kterých se každé tvrzení objevuje“. Tím se práce s citacemi opírá o ověřování na úrovni úseku zdroje, nikoli o tréninkovou paměť modelu.

Otázka: Jak shrnu 60 000slovnou dizertaci pomocí AI?

Použijte nástroj s podporou dlouhého kontextu: Claude Sonnet (200K tokenů pokrývá typickou dizertaci v jednom průchodu) nebo NotebookLM (který automaticky segmentuje a udržuje konzistenci napříč segmenty). Nezahrnujte celou dizertaci najednou; shrnujte kapitolu po kapitole. Shrnutí po kapitolách jsou užitečnější pro psaní vaší vlastní části literárního přehledu a segmentace vám poskytne kontrolní body, které lze revidovat. Vyhněte se GPT-5 pro průchody celé dizertace; 128K kontext je pro většinu kapitol dostatečné, ale pro celý dokument je nepohodlné.

Otázka: Můžu citovat shrnutí PDF vygenerované pomocí AI ve své vlastní práci?

Cituje se původní článek, nikoli shrnutí. Shrnutí je nástroj, který vám pomáhá číst a pamatovat si zdroj; citace směřuje ke zdroji samotnému. Pokud vám shrnutí pomohlo formulovat poznatek, poznatek je váš; citace je k jakémukoli článku, který daný poznatek podporuje. V rámci našeho širšího zpracování citování použití AI nástrojů v rukopisech viz náš průvodce zveřejněním (disclosure), což je nejbližší doprovodný článek v daném clusteru.

Otázka: Jak z PDF extrahuji strukturovaná data pro systematické review?

Použijte nástroj, který umí pracovat se strukturovaným výstupem: Scholarcy pro účelovou extrakci (velikost vzorku, intervence, outcome, závěr jako pojmenovaná pole) nebo prompt pro Claude, který žádá o stejná pole ve formátu JSON nebo CSV. Strukturovaný výstup by měl být vždy ověřen oproti zdrojovým PDF alespoň u prvních 10 článků ve vaší dávce; nástroje pro strukturovanou extrakci jsou spolehlivější než narativní shrnutí, ale i tak produkují chyby v polích přibližně v 5–10% míře v našem redakčním testování.