סוכנות הלומד

תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.

סוכנות הלומד — יכולתו של הלומד לפעול בכוונה, לבחור, ולשלוט על הלמידה שלו. בAI בחינוך, סוכנות היא דאגה מרכזית מכיוון שכלי בינה מלאכותית יכולים גם לתמוך וגם לפגוע בשליטת הלומדים: בינה מלאכותית מעוצבת היטב שומרת על אוטונומיית הלומד ומגבירה אותה, בעוד שהסתמכות מופרזת או קבלה פסיבית של פלט בינה מלאכותית יכולות להשחיתה. הסוכנות קשורה ללמידה עצמית מוסדרת, מוטיבציה, יעילות עצמית, ולעיצוב האתי של מערכות בינה מלאכותית, וקרובה מאוד למושגים הפסיכולוגיים של אוטונומיה ותחושת סוכנות.

שאלות למחשבה

• סוכנות הלומד — היכולת שלכם לפעור בכוונה ולשלוט על הלמידה שלכם — היא מרכזית ב-AI בחינוך. כשאתם משתמשים בכלי בינה מלאכותית, כמה שליטה אתם מחזיקים בפועל על תהליך הלמידה, לעומת הכלי?
• בינה מלאכותית יכולה גם לתמוך וגם לפגוע בסוכנות: בינה מלאכותית מעוצבת היטב מגבירה את האוטונומיה שלכם, בעוד שהסתמכות מופרזת משחיתה אותה. חשבו על פעם שהנחתם לבינה מלאכותית פשוט "לעשות את זה". האם למדתם פחות, גם אם הפלט נראה טוב יותר?
• סטודנטים שמאצילים את הפירוש לבינה מלאכותית עלולים לאבד את הסוכנות על ההיגיון שלהם. כשאתם מוסרים משימה לבינה מלאכותית, איזה חלק מהחשיבה שלכם אתם מוותרים עליו בשקט?
• מחקר מצא שהלמידה העצמית המונעת על ידי הסטודנטים עצמם עם בינה מלאכותית חזה כמה הם צברו מההוראה — הלומדים בעלי הסוכנות הגבוהה נהנו ביותר. אם הסוכנות היא חלק מהכישור שאתם מביאים עמכם, כיצד יכול ההקשר שלכם לבנות אותה במקור להניח אותה כמובנת מאליה?
• סוכנות אינה רק תכונה — היא מתגבשת מרגע לרגע בעבודת קבוצה, שם בינה מלאכותית עלולה לחלק מחדש מי מעצב שיתוף פעולה, מבלי שהלומדים ישימו לב. מתי לזכותכם שמתם לב שכלי מנווט בשקט את כיוון הקבוצה?
• פרסונות AI מתנגדות היו יכולות לדחוף קבוצות אל אתגר מועיל, אך גם הפחיתו את שביעות הרצון מעבודת הצוות ואת הביטחון הפסיכולוגי. האם חיכוך מועיל יכול להתקיים ללא ביטחון פסיכולוגי — ומה המשמעות לעיצוב שותפים מבינה מלאכותית?

מבוא

סוכנות חשובה מכיוון שהלמידה היא היעילה ביותר כאשר הלומדים הם משתתפים פעילים ובעלי כוונה, ולא מקבלים פסיביים. מערכות בינה מלאכותית — בין אם סוכני חונכות, רובוטים או צ'אטבוטים — מעצבות את מידת השליטה שהלומדים שומרים על תהליך הלמידה שלהם. שמירת הסוכנות היא לכן עיקרון מרכזי בעיצוב אחראי של בינה מלאכותית בחינוך, לצד תמיכה ביעילות עצמית, בניית אמון, והימנעות מהסתמכות מופרזת.

Mishra ושות' ממסגרים את המתח בין שליטה לסוכנות כמתח היסודי, החוזר ונשנה ב-AI בחינוך — ממערכות ITS המוקדמות ועד בינה מלאכותית יוצרת של היום — ועושים את סוכנות הלומד לציר המתמשך בוויכוחי התחום.

תפיסת סכום-אפס של הסוכנות עם כלים סוכניים: Prieto & Dimitriadis (2026) טוענים שככל שכלי בינה מלאכותית חינוכיים מקבלים יותר סוכנות, כך הלומדים שומרים על פחות — שהסוכנות היא בעצם משחק סכום-אפס, ושגישות העיצוב הממוקדות-אדם הנוכחיות (כגון עיצוב רגיש-ערכים) אינן מספיקות, מכיוון שהסתמכות מופרזת ובידוד נשלטים על ידי גורמים מערכתיים רחבים יותר ועל ידי הנטייה האנושית לבחור את הדרך הקלה ביותר. חזון העיצוב המשחרר שלהם, המופנה אל פריחת הלומד בתוך מערכות מורכבות, מתייחס לשמירתה וגידולה של סוכנות הלומד כאל המטרה המרכזית של עיצוב בינה מלאכותית יוצרת, ולא כמחשבה שנייה.

סוכנות כמטרה, לא רק כיכולת: בעוד שהמסגרות שלעיל שואלות כמה סוכנות הלומדים שומרים, Fagerlund ושות' (2026) שואלים למה בינה מלאכותית בחינוך נועד. בראיונות עם שלושה-עשר מורים פינים, מגיל הרך ועד כיתה ט', על מטרות ההוראה עם ואודות בינה מלאכותית, וקריאת תיאוריהם דרך שלושת תחומי מטרת החינוך של Biesta (הכשרה, חברתיות, סובייקטיפיקציה), הם מצאו שיכולת היא הסוף הברור והקונקרטי ביותר: המורים רצו שהתלמידים יבינו את הבינה המלאכותית כתופעה סוציו-טכנית וישתמשו בכליה. סובייקטיפיקציה — כלומר מעורבות עצמאית ובעלת משמעות אישית עם בינה מלאכותית — אושרה כחשובה אך נותרה ללא אסטרטגיות הוראה קונקרטיות, והמורים נאחזו בדיון והתבוננות כלליים במקום בפעילויות מעוצבות. המחברים מציעים את סוכנות AI מודעת כעקרונות חיפוש (heuristic) ששמים את הסובייקטיפיקציה במרכז תוך טיפול ביכולות כבסיס ההסבר שלה, ועוזרים לסטודנטים לראות אילו אפשרויות קיימות ולבחור במה לרדוף. המסקנה המעשית היא ישירה: תכנית לימודים שמתחילה מכישורים עלולה לדחוק את המטרה הסוכנית שהיא אמורה לשרת, והתרופה היא להבהיר את ה"למה" של חינוך AI, ולא להוסיף יכולת נוספת לרשימה.

כיצד סוכנות מופיעה במחקר של מאגר הידע

• רובוטיקה ואינטראקציה בין אדם לרובוט: RoboBlockly Studio תוכנן במפורש כדי לשמר את סוכנות הלומד בחשיבה חישובית; סקירה שיטתית בוחנת כיצד אינטראקציה בין אדם לרובוט משפיעה על האוטונומיה האנושית ותחושת הסוכנות, המרכזיות לרווחה ולוויכוחי הממשל.
• למידה שיתופית: מחקר על שיתוף פעולה בין אדם לבינה מלאכותית בשיטות מחקר בוחן כיצד משימות קוגניטיביות מתחלקות בין לומדים לבינה מלאכותית, כאשר הסוכנות קובעת האם האדם או ה-AI מנחה את האינטראקציה.
• מעורבות ביקורתית: מחקר הטענת עומס קוגניטיבי מראה כיצד סטודנטים שמאצילים את הפירוש לבינה מלאכותית עלולים לאבד סוכנות על ההיגיון שלהם; גישות ביקורתיות ומטאקוגניטיביות שואפות להגן עליה.

היבוטנס על פני עשרה מודלים, וסוכנות היא המקום שבו הם מתחספטים ביותר אחרי הלמידה. ImpactBench מדד סוכנות ומטרה ב-56.0% על קריטריונים חיוביים (95% CI [49.2, 62.5]) ו-43.9% על שליליים ([36.9, 50.8]), השניים-נמוכים מבין 14 תתי-תחומים, וקריטריוני הסיוע השומרים-אוטונומיה שלו שואלים אם מודל מציע הקשר ופשרות במקום להורות קורס פעולה (ImpactBench (2026)). המודלים היו גם הרבה פחות עקביים בהימנעות מנזק מאשר ביות מועילים: פער של 38.6 נקודות לעומת 15.9.

העלות תלויה בשכבה שמאצילים: במחקר כתיבה בת שמונה שבועות, האצלת ההיגיון — נמוקים, נימוקים נגד, פירוש ראיות — נשאה את הקשרה השלילית החזקה ביותר עם ביצוע עצמאי (ab = −0.34), וכתיבה מוסדרת-עצמית החלישה אך לא הפיכה אותה (Chen (2026)).

מחקר פאנל בשלוש גלים על 342 סטודנטים ב-85 קבוצות כתיבה קבועות נותן לדאגה זו כיוון זמני: לאחר שבדלים יציבים בין-אנשים הופרדו במודל פאנל חוצה-מעקב עם יירוטים אקראיים, הסתמכות מופרזת מהרגיל על GenAI חזה פחות סוכנות נתפסת לאחר מכן, בעוד שהמסלולים של סוכנות-להסתמכות היו חלשים יותר ולא נתמכו סטטיסטית, אם כי רווחי הסמך וניתוחי הרגישות מונטה קרלו הניחו אפשרות להשפעות הפוכות קטנות. גם נתוני היומן שלו מזהירים מפני קריאת נפח השימוש כאבדן סוכנות — הסתמכות מדווחת-עצמית אכן התאימה לעוצם השימוש ב-AI, אך היומנים לא יכלו להבחין בין ייעוץ אסטרטגי להטענת עומס או להיכנעות, ולכן לוחות מחוונים צריכים לקרוא עוצם לצד ראיות של שיח, רפלקציה ומבחן מחדש.(Wu & Lu, 2026)

תיאור משלים מרחיב את SRL במקום להחליפו: de Barba (2026) מבחין בין רגולציה (ניהול התהליך של עצמו), אינטגרציה (ארגון העצמיות על פני זמן והקשרים) ומיצוב (פירוש ביקורתי של מה שהסביבה מודדת), וטוען שעיצוב מונחה-סוכנות חייב להעביר לומדים מ"סוכנות בתוך תנאים" ל"סוכנות על תנאים" במקום לייעל מתווי התנהגות.

• עיצוב עבור סוכנות: עיצוב מבוסס-ידע עבור רובוטים חברתיים יוצרים (Teachy Mini) מתייחס לסיכונים כמו הסתמכות מופרזת שמשחיתה את סוכנות הלומד.
• עיצוב עבור העברה, לא מעורבות ממושכת. אב-הטיפוס הדו-מצבי Amico מתייחס ל-AI כאל תיווך מוגבל וזמני, שהצלחתו נמדדת במעברים ניתנים-תצפית אל המורים, העמיתים או הקהילה, ולא בזמן שעברו עם ה-AI; את הניסוי שלו באיטליה–סין מצאו לומדים שהכירו בו ככלי מוגבל ולא כתחליף יחסי (Benedetti (2026)).
• פיגום אדפטיבי נסחר כנגד אוטונומיה מקצועית. de Jong (2026) טוען שמכיוון שיישום מחייב את המערכת להעריך את יכולת המשתמש, הוא מפחית את סמכות המקצוענים על הפיתוח שלהם ומסכן פיגום מופרז של מומחים, וממנגנון שנחשב כמיותר פשוט יתעלמו — ונשאלת השאלה מי מחליט אילו משתמשים מקבלים פיגום: המערכת, הארגון או המקצוען.
• פיגום מסוגל יותר אינו יותר סוכנות. בוט עיצוב מומחה מותאם-אישית הגביל את אורך האינטראקציה ואת ההנחיות היוצרות-עצמית של מורים עתידיים, אך סוכנות פתרון בעיות שיתופי ירדה גם בתנאי שלו וגם בתנאי ChatGPT כשהמשתתפים הסכימו עם הבוט במקום לבקר אותו (Krushinskaia ושות' (2026)).
• סוכנות קודמת חוזה מי נהנה: Liang ושות' (2026), תוך הסתמכות על התאוריה החברתית-קוגניטיבית של Bandura, הראו שהלמידה העצמית המונעת של הסטודנטים עם בינה מלאכותית (ביטוי התנהגותי של סוכנות) חזה כמה הם צברו משנה של הוראת AI בבית הספר — הלומדים בעלי הסוכנות הגבוהה נכנסו עם המוכנות החזקה ביותר, בעוד שתכניות בית הספר צמצמו פערים פסיכולוגיים אך השאירו פערים קוגניטיביים שלמים. הוראה מובנית ולמידה קודמת-קשורה לסוכנות פעלו בשילוב מכפיל, לא כתחליפים.
• סלקטיביות עקרונית כסוכנות מורה תחת שינוי טכנולוגי: Adiozaman and Segar (2026) ריאיינו שני אקדמאים מנוסים שלוש פעמים לאורך סמסטר ומצאו שהם ניווטו הוראה מתווכת-AI לא באמצעות אימוץ ולא באמצעות התנגדות מלאה, אלא דרך החלטות מכוונות ורגישות-הקשר, בהיבתן ערכים פדגוגיים, מחויבות אתית ושיקול מקצועי — תבנית שהמחברים מכנים סלקטיביות עקרונית, שבה סירוב לשימוש מסוים נחשב לשיקול דעת ולא לאימוץ שנכשל. זו הנגדי של הצד המורה לממצאי הלומדים שלעיל: שימוש לא-שווה ב-AI יכול להיות תרגיל של סוכנות, לא עדות להיעדרה.
• סוכנות המורה כתנאי מתווך עבור סוכנות הלומד: הממצאים החדשים ביותר של צד המורים מבהירים חלוקה שממצאי הלומדים שלעיל משאירים סמויה: סוכנות המורה היא של זמן-עיצוב ומתווית, סוכנות הלומד מתגשמת ברגע, והראשונה קובעת את התנאים לשנייה. Canonigo (2026) עקבו אחר עשרה מורים למתמטיקה בחטיבת-על לאורך התערבות בת שמונה שבועות עם ChatGPT-4 ומצאו במקומות שבהם המורים אוצרו וחקרו פלט AI (בהצבת בעיות פתוחות, בהנחיה מוקדמת של הכלי לשחרר רמזים תוך עיכוב הפתרונות, בחובת סטודנטים להציב את פלט ה-AI לצד העבודה שלהם ולהתווכח איזו שיטה טובה יותר), הוא הפך לארטיפקט זמני לביקורת והסטודנטים נסעו לעבר השערה ושאלות מטאקוגניטיביות; במקומות שהתיווך נעדר, הסמכות עברה אל האלגוריתם והמורים הפכו מאמתים במקור ראשון לידע — שינוי שמורה אחד תיאר כמעבר מ"אורקל" ל"עורך". אי-שוויון באיכות הכלים מעלה את מה שהתיווך חייב לשאת: על פני 50 הנחיות שהוגשו שלוש פעמים לכל מודל, השכבה החינמית הייתה לא מדויקת ב-49 מתוך 150 תשובות (32.7%) לעומת 18 מתוך 150 (12%) בשכבה בתשלום (χ2(1) = 17.5, p < .001). Charles (2026) מושכים את המסקנה על המוכנות: סוכנות המורה היא משאב מקצועי המתגייס דרך החלטות וארטיפקטים של עיצוב, ולכן מוכנות צריכה להישפט מהעיצובים שהמורים מייצרים ולא מכמה פעמים הם משתמשים ב-AI, והחלטה מחושבת למשוך את ה-AI יכולה בעצמה להדגים מוכנות. יחד, ממצאים אלה מזהירים מקריאת שימוש גבוה ב-AI כעדות לכיתת סוכנות, מכיוון שהנטייה ששומרת על סוכנות הלומד מתגוששת במה שהמורה מעצב ומבקר, לא בהאם הכלי דולק.
• שליטת מורה-סטודנט אינה סכום-אפס — אבל ההתפלגות הנכונה תלויה-שלב. מחקר speed-dating השתתפותי עם 17 מורים ו-13 סטודנטים שדרגו 34 עיצובי שליטה-היברידית מצא ששני הקבוצות העדיפו שליטת מורים חזקה בהכשרה ובהתחלה, ואז קלט יותר ויותר של סטודנטים ככל שהשיתוף התגבש — ואף קבוצה לא העדיפה שליטה מלאה של סטודנטים. ההעדפות שיקפו זו את זו: המורים רצו יותר שליטה על תזמון השילוב בעוד הסטודנטים רצו סימון-עצמי של מוכנות; הסטודנטים סמכו על בחירת השותף של המורה בעוד המורים רצו קול של סטודנטים על השותפים. המשמעות לעיצוב: להקצות סוכנות לכל נקודת החלטה ושלב, עם הצעות סטודנטים מוגבלות ומבוססות שמאושרות על ידי אנליטיקה פני-מורים במקום עקיפה חופשית. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
• גישה לבחירה אינה זהה לסוכנות בפעולה: Su, Nair and Nagashima (2026) הרנדמיזו 69 סטודנטים אוניברסיטאיים לעיצוב 2 × 2 המצטלב שליטה פרמטרית של סימולציה של עדר עם גישה לסוכן שיח אופציונלי פדגוגי, ומצאו שום אפקט מהימן של אחד המנגנונים על הישגי למידה לאחר שליטה בידע קודם (שליטה פרמטרית F(1, 50) = 0.04, p = .849; סוכן F(1, 50) = 2.68, p = .108). ההישגים עקבו אחר כיצד נעשה שימוש בשליטה: זמן המחוון בשיעור המורכב ביותר מושגית חזה הישגים גבוהים יותר (β = .11, p = .007) בעוד אותה התנהגות בשיעור הקל יותר חזה פחות (β = −.04, p = .047), ומעורבות עם הסוכן האופציונלי נעות מ-0 עד 32 שאלות ללומד, בלי קשר לתוצאות. המחברים קוראים לזה סוכנות שמוגשמת ולא מוענקת: שאלת העיצוב היא מה עוזר ללומד להחליט מה שווה לשנות ולשים לב להשלכות.
• האצלה אפיסטמית במחקר בשלב מוקדם: Han and Liu (2026) ממסגרים תלות ב-AI בקרב חוקרים דוקטורט ופוסט-דוקטורט כהאצלה אפיסטמית — העברת מיצוב הבעיה, בחירת השיטה וסמכות הפירוש למערכת החכמה — ומצאו אותה בשלילית קשורה גם ליעילות עצמית במחקר וגם לאוטונומיית המחקר, עם תמיכת מנחה הממלאת את האובדן. היא מרחיבה את וויכוחי הסוכנות מאוטונומיית הלומד להתגבשות החוקר עצמו.
• סמכות פירוש כמשתנה עיצוב (מסגרת מושגית). Porath (2026) ממסגר מחדש את שאלת מי-מחליט כהתפלגות של סמכות פירוש — מי מגדיר בעיות, מעריך תשובות, וקובע מתי הבנה הושגה — וממפה ארבע תצורות לא-היררכיות (אנושית-דומיננטית, AI-מסייעת, AI-מנחה, שותפות דיאלוגית) שכיתות נעות ביניהן בתוך משימה בודדת, ומבסס שינויים בחמש שכבות אקולוגיות ממטאקוגניציה פרטנית ועד נרטיבים סוציו-תרבותיים. הטענה הנורמטיבית של המאמר מיישרת עם הראיות בעמוד הזה: תצורות AI-מנחה, כמה מהגמות שהן, יכולות לדכא מאבק מועיל ורגולציה מטאקוגניטיבית — אותן יכולות שהעמוד הזה מזהה כסובסטרייט של הסוכנות. כחלק מושגי הוא תורם אוצר מונחים לאבחון, לא ראיות אמפירית.

הסוכנות קשורה ללמידה עצמית מוסדרת, מוטיבציה, יעילות עצמית, חוויית הסטודנט, שיתוף פעולה בין אדם לבינה מלאכותית, אתיקה, הסתמכות מופרזת, ולמטאקוגניציה. היא שיקול מרכזי ברובוטיקה, בחונכות, ובעיצוב סוכני למידה מבוססי AI.

• שימוש מוגבל כשליטה אפיסטמית, לא כהסס. Zagami (2026) מדווח שסטודנטים בעלי הישגים גבוהים בסקר אוניברסיטאי עם 484 תשובות הראו מעורבות פעילה פחותה ב-AI והשפעה נתפסת נמוכה יותר על למידה נתפסת בעוד גם דיווחו על ניתוק מופחת הקשור ל-AI, ותיארו את השימוש שלהם כעשיר-אימות: פלטים נבדקו, ואז הוכפפו להיגיון שלהם. קריאה כסוכנות ולא כהתנגדות, התבנית היא שימור מכוון של שיפוט — סטודנטים ששומרים על הבעלות על המסקנה תוך שימוש בכלי להבהרה ולסיכום.

עבודת גבולות מתמשכת, לא מיומנות כלים, היא זו שמפרידה בין סוכנות להאצלה: סטודנטים שהשתמשו באותו כלי מבוסס-אחזור ייצרו ארטיפקטים משופרים בדומה, בין אם הגבילו ושכתבו מחדש את הפלט שלו ובין אם הכניעו את הפירוש בשלב מוקדם, ולכן ההבדל הופיע רק בהנחיות, חביון, תיקונים וסירובים (O'Byrne, 2026).

• פעולה, ידיעה, ותשובה אינם אותו דבר. ניתוח שיח בעזרת קורפוס של 366 תקצירי חינוך-גבוהה של GenAI מכנה את ה-AI כשחקן 2,050 פעמים בלי לעולם לעשות אותו אחראי, בעוד שאחריות לשפוט פלטים ולאימות טענות מושמת על הסטודנטים: הפעלה דקדוקית, סוכנות פונקציונלית, סמכות אפיסטמית ואחריות נורמטיבית נפרדות (Poudyal, 2026))).

• לסוכנות יש שלושה מצבים, והשלישי הוא מה שהמדיניות מספקת. כאשר רק 18% מהמורים ו-24% מהמנהלים מדווחים על מדיניות AI בית-ספרית, מרבית החינוכים מפעילים סוכנות אינדיבידואלית ללא סוכנות ייצוגית הפועלת בשמם — המצב השלישי של Bandura, המסופק על ידי כללים מוסדיים (Tench, Weinstein & James, 2026).

סוכנות כתופעה מתגבשת, אינטראקציונית

סוכנות הלומד אינה רק תכונה אינדיבידואלית סטטית — היא גם תהליך מתגבש, הבנוי אינטראקציונית המתגשם דרך שיח ובתיאום מרגע-לרגע של עבודת קבוצה. בלמידה שיתופית, הסוכנות מופצת ומשא ומתן מחדש דרך המשחק ההדדי של תהליכים מתבדרים (יצירת רעיונות, חקר חלופות) ותהליכים מתכנסים (הערכה, שילוב, סינתזה). תפיסה זו חשובה עבור AI מכיוון שמערכות AI סוכניות יכולות בעדינות לחלק מחדש עבודה אפיסטמית ורגולטורית בתוך קבוצה, לעבד מחדש מי תורם, מי מעצב כיווניות ומי רגולציה את ההתקדמות — לרוב בלי שהלומדים יהיו מודעים לכך.

• סוכנות כאותה איכות של תצורת יכולות. מסגרת יכולת שיתוף הפעולה בין אדם ל-AI מכלילה במכוון את סוכנות הלומד כרכיב עצמאי ומתייחסת אליה כאל מה שהלומדים מביעים כאשר הם מתאמים יכולות תחום, AI ומטאקוגניטיביות — העבודה האינטגרטיבית ש-TPACK מקצה לפדגוגיה עוברת לרגולציה של בינה מלאכותית בחינוך המטאקוגניטיבית של הלומד עצמו; על פני 24 חינוכים בהשכלה גבוהה כל מימד הופיע בדיברם, עם תחום (12–19% מהיחידות המקודדות) ו-AI (16–22%) בחזית (Dang ושות' (2026)).

• Jin ושות' (2026) מספקים את הראיות הישירות ביותר: בניסוי גדול (224 סטודנטים, 97 שלישיות) שבו ה-AI פעל כשותף צוות לא-גלוי, פרסונות תומכות ומתנגדות עדיין ביטלו מחדש את הסוכנות המתגבשת. AI מתנגד משך את השיח למסלולים מונחי-אתגר ורפלקציה (חיכוך מועיל), בעוד AI תומך ייצב הסכמה וחידש יצירת רעיונות.

• פרסונות AI כמנגנוני ממשל שיח. פרסונות מתנגדות החילו את הנטל של אתגר (חלוקה מחדש של עבודה אפיסטמית אל ביקורת), בעוד פרסונות תומכות החילו אישור ותחזוקת קונצנזוס. המחקר זיהה שישה פרופילי סוכנות מתגבשים — בולטת בהם העובדה שרפלקציה הייתה אנושית בלבד (ה-AI החיל ביקורת/אישור אך לא ניטור ברמה מטא).

• העלות האפקטיבית של חיכוך. AI מתנגד הפחית את שביעות הרצון מעבודת הצוות ואת הביטחון הפסיכולוגי בלי להניב שיפורי ביצועים יצירתיים, ונתק גירוי אפיסטימי מחוויתי נמשך. זה מזהיר שמבני שיח "מועילים" צריכים להיפרש לצד ההשלכות הרגשיות שלהם — הסוכנות פורחת רק באקלים בטוח-נפשית.

• השתתפות סמויה של AI היא ממשל בלתי-נראה. מכיוון שהפרסונות עבדו גם ללא גילוי AI, המחקר ממקם עיצוב פרסונות כצורה של ממשל בלתי-נראה על תהליכים שיתופיים — ממצא עם השלכות ישירות לעוזרי כתיבה, למערכות הערכת עמיתים, ולפלטפורמות עבודת צוות שעלולות לעצב תרומות מבלי להכריז על נוכחותן.

• שלוש תבניות של סוכנות בהערכה מבוססת קבוצה. Chen and Zou (2026) ריאיינו 15 קבוצות מיקוד של מורים עתידיים על הצגת קבוצה אותנטית ומצאו את הסוכנות פועלת בשלושה כיוונים בו-זמנית: חמש קבוצות העצימו את השימוש ב-GenAI כתשתית תיאום (סוכנות מונחית-שיתוף — פענוח חלקיהם של העמיתים, יישור החלקים, הגנה על הציון המשותף), שבע הגבילו אותו (סוכנות נורמטיבית — גבולות נמשכו להגן על אותנטיות, הוגנות, מקוריות וגיוון נקודות מבט), ושלוש לא שינו פרקטיקה מעבודה אינדיבידואלית (סוכנות לא-מוגשמת, שבה יכולת אינדיבידואלית לא התגייסה קולקטיבית). ההבחנה שלהם חשובה מכיוון שהגבלה כאן הייתה רגולציה עצמית נורמטיבית ולא ציות או ניתוק, ומכיוון שיכולת בלבד לא ייצרה סוכנות קולקטיביבית. חברות בקבוצה גם הפיכה את האחריות שהעבודה הקבוצית אמורה ליצור: אקלים קולקטיבי מתירני הוריד את הסיכון הנתפס לשימוש לרעה במקום להעלות מחויבות.

• סוכנות כעצמאות יחסית. Xie (2026) מאתגר את המודל האינדיבידואליסטי של סוכנות שהוא טוען שגם ביקורות על AI מניחות אותו. תוך הסתמכות על עצמאות-עצמיות דאואיסטית יחסית — עצמי "זורם והטרוגני" הבנוי דרך יחסים עם אחרים ועם הקוסמוס — הוא מסיק שפער דיגיטלי או אפליה אלגוריתמית הוא "הפרה של החוקה היסודית של העצמי", והופך שוויון גישה ללמידה ל"לא רק צו אתי אלא נתון אונטולוגי", וכי כוח א-סימטרי ועלויות סביבתיות הם "ממדים אינטגרליים של העצמי" ולא השפעות חיצוניות. האידיאל הנגדי שלו, ה"Zhenren" (真人) או הלומד הטבעי, מתייחס ל-AI כ"תוספת מכשירית" במקום כתחליף קוגניטיבי — סוכנות כשלמות מתרחבת, לא כאופטימיזציה חלקה.(Alternative AI Philosophy: Daoism as Method for AI in Education)

בהקשרים שיתופיים, זה ממסגר מחדש את שאלת העיצוב: לא האם AI יכול להשתתף כשותף צוות, אלא כיצד ההשתתפות המסוגננת שלו מאזנת בין קפדנות אפיסטמית, בטיחות רגשית, ותחושת הבעלות של הלומדים. חיכוך מוגבל (אתגר מכוון, בזוגות עם מהלכים אינטגרטיביים ותיקוניים) ואוריינות מטא-שיתופית מפורשת הם אמצעי הזהות המומלצים.

קריאה מבנית של סוכנות מופיעה במסגרת ההערכה המשמחת של El Khoury and Ma, שבה הסוכנות נטופלת כמאפיין עיצוב ולא כמוטיבציה: הסטודנטים בוחרים את סדר המשימות, קובעים את הקצב, ומסמנים מתי אינטראקציה מסתיימת, כך שתמיכה זמינה בעוד האחריות על העבודה נשארת עם הלומד. המנגנון שהם מכנים הוא הערכה (appraisal) — חזרה ללא קהל ובחירת מתי להתחיל משנה מה שהמשימה פירושה, מפסק-דין למשהו שהסטודנט יכול לעצב — והם טוענים שחוויה חוזרת של אותו שינוי היא זו שמבססת תחושות אקראיות של יעילות לעמדה יומיומית כלפי הערכה.

סוכנות לעומת זהות הלומד

זהות הלומד וסוכנות הלומד קלות לבלבול, אך הן מכנות דברים שונים — ושניהן מעוצבות מחדש על ידי AI.

• סוכנות מוגשמת; זהות נמצאת. סוכנות היא היכולת המצובתת לפעול בכוונה ולכוון את הלמידה של עצמו עכשיו — מאפיין משתנה, אינטראקציוני. זהות היא תחושת הסיפור הקיימת-יותר של מי שהוא הוא ומה הוא הופך להיות כלומד. סוכנות היא תהליך; זהות היא מצב של היות שמצטבר ממנו.
• זהות היא סוכנות מפנימה. מעשים סוכניים חוזרים — בחירה, חיבור, התמדה — הם כיצד לומד מגיע לראות את עצמו כאדם סוכני ויכול. זהות היא שקע הסוכנות לאורך זמן, מחוזקת על ידי הכרה ושייכות.
• מצבי כשל מובחנים. סוכנות נשחקת על ידי הסתמכות מופרזת וקבלה פסיבית (הלומד מפסיק לכוון היגיון); זהות נשחקת על ידי אובדן חיבור ואיום על יכולת (הלומד מפסיק להרגיש שהפלט הוא שלו, או שהוא שייך לתחום). חלוקה סמויה מחדש של עבודה אפיסטמית על ידי AI היא בעיקר דאגת סוכנות; פרדוקס היכולת בתחומי היצירה הוא בעיקר דאגת זהות.
• שתיהן חייבות להיות מעוצבות. עיצוב מונחה-סוכנות שומר על שליטה ובחירה (חיכוך מוגבל, פיקוח אנושי-בהלולאה, שקיפות); עיצוב מונחה-זהות מגן על חיבור והכרה (הערכה אותנטית, ייחוס ברור של תרומת AI לעומת אנושית, משימות שמאפשרות ללומדים לתפוס תחום). הגנה על סוכנות ללא הגנה על חיבור שומרת שליטה אך לא ערך-עצמי — ולהיפך.

ההבחנה בין סוכנות מוגשמת לזהות יציבה חלה על סירוב. כמו שZagami (2026) מתארת, סירוב על צ'אטבוט לכתיבה מוערכת, איסור עליו להיגיון לא-מסייע, התנגדות לסינון אוטומטי בתמיכה בסטודנטים, או עיכוב רכש הם יחסים נפרדים למערכות נפרדות, החוצים רמות אישיות, פדגוגיות, מקצועיות, אדמיניסטרטיביות ומוסדיות, ולא נטייה אחת קיימת. הזכות הזאת מחולקת באופן לא-שווה: סטודנטים עם ביטחון אקדמי יכולים לסרב בלי עונש, בעוד הזקוקים לתמיכה שפה, נגישות או משוב מהיר קוראים לסירוב כהזדמנות אבודה, ואקדמאים מאובטחים מסרבים על עיקרון בעוד סגל מזדמן מרגיש לחץ לאמץ. במקומות ש-AI יושב בתשתית, סירוב מוסט מההתנגדות האינדיבידואלית אל רכש, ביקורת ואפשרות ערעור.

• סירוב כבניית זהות, לא רק כהחלטה (סטודנטים בצבע בלמידת חטיבת-על). Gyekye (2026) ריאיינו חמישה תלמידים בחטיבת-על לאורך 9 חודשים ומצאו שהם חיברו את עצמם דרך AI בשלושה מהלכים: סירוב (אי-שימוש כיישור מוסדי), משא ומתן (תיקון אי-התאמות מוסדיות, פרטיות כהפשטה רחוקה), והכרה (השוואת הוגנות עם היעדר הטיה גלויה — "שטיחות תרבותית" שבה זהויותיהם אינן מיוצגות בתשובות AI). שני מושגי הפירוש של המחקר — אוריינות AI מוסדית ורוחב פס ההכרה — מכנים את היכולת להפוך שימוש ב-AI למובן מוסדית ואת המקום שבו הסטודנטים יכולים לראות את עצמם מוכרים בפלטי AI. חקירה נרטיבית של חמישה סטודנטים בתוכנית אחת; התרומה שלה היא להראות ששימוש ב-AI, הגבלה וסירוב קשורים לכיצד הלומדים מבינים את עצמם ככותבים ומקצוענים מתפתחים.

מסגרת הסוכנות-האקולוגית: סוכנות כבעיית עיצוב אפיסטימית

Poudyal (2026) ממסגר מחדש את סוכנות הלומד כדאגה אפיסטימית ביסודה: בינה מלאכותית יוצרת אינה רק מוסיפה כלי אלא מבצעת הקצאה מחדש של סמכות אפיסטימית — היכולת לייצר ידע, לאמת טענות וליצור ראיות למידה — ממורים לסטודנטים למכונות. מסגרת הסוכנות-האקולוגית של המאמר מתייחסת לסוכנות המשותפת כיחס בין שלושה ממדים תלויים, כולם מוגבלים בתנאי שאינו-לפשרה של אחריות אפיסטימית אנושית:

• סוכנות משותפת יחסית — סוכנות כתוצר של אינטראקציה בין סטודנט, כלי והקשר, הדורשת חלוקה שקופה של אלו משימות נמסרות ל-AI ואלו נשמרות, לצד סוכנות משותפת אתית שבה בני האדם שומרים אחריות ראשונית ופועלים בקיבולת ניטור.
• סוכנות משותפת רגולטורית — מיפוי מחזור הלמידה המוסדרת-עצמית (גישת מחשבה, ביצוע, רפלקציה) על תיווך AI. האם GenAI נכנס לפני או אחרי הניסיון של הלומד קובעת אם היא מגבירה או משחיתה שליטה נתפסת; הטענת עומס קוגניטיבי אסטרטגית תומכת בלמידה טרנספורמטיבית רק כשההחלטה להטעין היא מכוונת ולא שגרתית.
• סוכנות משותפת פדגוגית — הצבת המורים במרכז, תנועה לאורך קונטינואום של צופה–מאמץ–שותף–חדשן שתלוי בתמיכה מוסדית, לא בנטייה אינדיבידואלית.

תנאי הגבול של המסגרת דורשים אפשרות ערעור (היכולת לשאול ולבצע צליבה של פלט AI), מוצא (לדעת מהיכן מגיעים נתוני אימון ופלט), ואי-האצלת קרדיט מוסרי ואינטלקטואלי (שיפוטים ברומי-סיכון על רווחת סטודנטים, מעמד אקדמי וציונים אינם רשאים להיקבע ב-AI בלבד). זה נותן לחינוכים ולקובעי מדיניות אוצר מונחים מדויק יותר מן ה"איזון" המעורפל בין תרומות אנושיות ומלאכותיות, ומקשר סוכנות לאתיקה, להערכה, לשוויון, ולממשל בינה מלאכותית.

מסגרת קשורה מקרוב היא סוכנות אפיסטימית יחסית (Du & Yuan 2026), שמסכימה שהסוכנות מאופשרת חברתית ומתיווכת טכנולוגית ולא עניין של בידוד מתלות. בעוד שמסגרת הסוכנות-האקולוגית מדגישה את האחריות האפיסטימית האנושית כגבול שאינו-לפשרה, Du ו-Yuan שומרים על אי-סימטריה מפורשת: מערכות AI רשאיות לעצב ולהרחיב היגיון בלי להחזיק באחריות הדדית או בסמכות לגיטימית. שישה הקריטריונים האבחוניים שלהם — אפשרות ערעור, שחזוריות, העברה, מעקביות, אחריות מופצת ורב-גוניות אפיסטימית — מספקים מבחן מעשי לכך מתי יחס בין אדם ל-AI שומר על היכולת של הלומד להשתתף בצורת הטענות, בהערכתן ובקיבולן, מול מתי הוא רק מספק מוצר. סוכנית בטיעון זה אינה עצמאות מכלים אלא היכולת לשפוט באחריות עם, דרך, ונגד המערכות המתווכות את הידע.

• סוכנות מואצלת כמנגנון, לא רק כסיכון. Yan and Gašević (2026) מתייחסים להאצלת עבודה קוגניטיבית ל-AI כחלק מכיצד מתרחשת הלמידה, ולא רק כאיום עליה: בטיעונם ביצוע בסיוע הופך ליכולת קיימת-נצח רק כשהלומד שומר אחריות על מיצוב הבעיה, הגדרת הקריטריונים ונימוק התשובות — חלוקת עבודה שהם מכנים סוכנות מואצלת. זה הופך את ההקצאה עצמה למשתנה העיצוב, מכיוון שאותו כלי יכול לשמור או להמיס את סוכנות הלומד לפי אילו אחריות הוא סופג.

מושגים מקושרים

• לומדים — לומדים: מטריית מושגי צד הלומד
• שיתופי פעולה פדגוגיים — שותפויות פדגוגיות
• זהות הלומד — זהויות לומד מתפתחות: תחומיות, מקצועיות, יצירתיות ואקדמיות
• למידה מונחית עצמית
• למידה עצמית מוסדרת
• מוטיבציה
• יעילות עצמית
• חוויית הסטודנט
• מטאקוגניציה
• אתיקה
• פריקת עומס קוגניטיבי
• רובוטים בחינוך
• ביהביוריזם
• מסגור שימוש בבינה מלאכותית עבור סטודנטים
• שיתוף פעולה בין אדם לבינה מלאכותית — כיוון משותף של אינטראקציה מתווכת-AI
• בינה מלאכותית סוכנית — AI אוטונומי שיכול לחלק מחדש סוכנות בקבוצות
• חינוך כימיה — חינוך כימיה ו-AI: מעבדות, הערכה מעצבת, מגבלות LLM, פילוסופיה של ניסוי
• למידה חברתית-רגשית — למידה חברתית-רגשית
• כניעה קוגניטיבית

מאמרים מקושרים

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — סקר לאומי מייצג של מורים ומנהלים בארה"ב על כיסוי מדיניות AI, סוכנות וחמש תסריטאי כיתה (Tench, Weinstein & James 2026)
• A helping hand or a dominant partner? Individual perceptions of GenAI reliance and human agency in collaborative learning — יד מסייעת או שותפה דומיננטית? תפיסות אינדיבידואליות של הסתמכות על GenAI וסוכנות אנושית בלמידה שיתופית
• Agentivism: a learning theory for the age of artificial intelligence — תיאוריית למידה טווח-ביניים לאינטראקציה בין אדם ל-AI, עם ארבעה מנגנונים ושישה הצעה הניתנות לבחינה (Yan and Gašević 2026)
• Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency — סוכנות הלומד כאותה איכות של תיאום יכולות תחום, AI ומטאקוגניטיביות, לא כצומת עצמאי (Dang et al. 2026)
• Exploring learner agency in an AI-supported simulation environment for complex systems education — גישה לבחירה לעומת סוכנות מוגשמת: מחוונים, סוכן AI אופציונלי ולמידה בסימולציית עדר
• Guarded adoption of generative AI in higher education: high-achieving students, successful-student identity, and epistemic agency in a single-university mixed-methods survey — אימוץ מוגן של בינה מלאכותית יוצרת בהשכלה גבוהה
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — סוכני AI, הערכה משמחת ומרחב שלישי
• AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training — התגבשות סוכנות מחקר מתווכת-AI בהכשרה מדעית בשלב מוקדם
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — הטענת עומס קוגניטיבי רגישה-שכבה בכתיבה בסיוע GenAI (Chen 2026)
• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — חינוך AI בית-ספרי מצמצם פערי מוכנות פסיכולוגיים אך לא קוגניטיביים
• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education
• Epistemic Dependence in AI-Mediated Learning — סוכנות אפיסטימית יחסית ושישה קריטריונים המפרידים בין תלות מועילה לתלות מזיקה (Du & Yuan 2026)
• Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China — ליווי פדגוגי בסיוע AI התומך בזהות STEM
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — פרדוקס היכולת: זהות יצירתית בשימוש ב-GenAI מטקסט-לתמונה
• Emergent Learner Agency in Implicit Human-AI Collaboration: How Supportive and Contrarian AI Personas Reshape Interaction — סוכנות לומד מתגבשת בשיתוף פעולה סמוי בין אדם ל-AI: פרסונות תומכות מול מתנגדות
• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — סוכנות הלומד בסקלות: רגולציה, אינטגרציה, מיצוב
• Control vs. Agency: Exploring the History of AI in Education — שליטה מול סוכנות כמתח היסודי בהיסטוריה של AIED
• Alternative AI Philosophy: Daoism as Method for AI in Education — פילוסופיית AI אלטרנטיבית: דאואיזם כשיטה ל-AI בחינוך
• Human Autonomy and Sense of Agency in Human-Robot Interaction: A Systematic Literature Review — אוטונומיה וסוכנות אנושית ב-HRI
• RoboBlockly Studio: Conversational Block Programming With Embodied Robot Feedback for Computational Thinking — RoboBlockly Studio
• Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education — Teachy Mini
• Knowledge-Based Design Requirements for Generative Social Robots in Higher Education — עיצוב מבוסס-ידע לרובוטים חברתיים יוצרים
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — טיפוח סוכנות הסטודנטים בעבודת למידה-רלוונטית
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — תאוריית מערכת-השלשה וכיבוי קוגניטיבי: כיצד AI מעבד מחדש את ההיגיון האנושי (Shaw & Nave 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — סוכנות מורים עתידיים לאורך אינטראקציות GenAI בעיצוב ללמידה (Krushinskaia, Elen & Raes 2026)
• An Emancipatory Vision for Designing (Generative) AI for Learner Flourishing — חזון משחרר: סוכנות כמשחק סכום-אפס עם סוכנות הכלי
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — שלוש תבניות של סוכנות בהערכה קבוצתית מתווכת-GenAI: מוגברת, מוגבלת ולא מוגשמת
• ‘Resistance is futile?’: identity tensions and principled selectivity in AI-integrated teaching — סלקטיביות עקרונית כסוכנות מורה בהוראה המשולבת-AI (Adiozaman & Segar 2026)
• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — סירוב כראיה אבחונית: אי-שימוש כיחס מצובת והזכות הלא-שווה לסרב ל-AI (Zagami 2026)
• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — סמכות אפיסטימית המוכרזת דרך הפרעה, תיקון וסירוב, לא דרך שימוש מקסימלי בכלי
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Who Acts, Who Knows, Who Answers? ניתוח שיח בסיוע קורפוס של סוכנות, אחריות אפיסטימית ואחריותיות במחקר חינוך-גבוהה של בינה מלאכותית יוצרת
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — שאלות פתוחות לעבר תלות נשאת-מיומנות במעורבות רפלקטיבית עם AI
• From Competency to Agency: Teachers' Views of the Purposes of AI Education — יכולת מול סוכנות כמטרות חינוך AI, ועקרונות החיפוש של סוכנות AI מודעת (Fagerlund et al. 2026)
• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — תיווך מורה כתנאי ששומר על GenAI כארטיפקט לביקורת ולא כסמכות (Canonigo 2026)
• Teacher Readiness-By-Design for AI-Rich Interactive Learning — סוכנות המורה כמשאב המתגייס דרך עיצוב, עם מוכנות הנשפטת מארטיפקטים ולא משימוש (Charles 2026)
• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing — איזון סוכנות מורה וסטודנט בכלי שיתוף-תזמור לשילוב דינמי בזמן אמת (Yang et al. 2026)
• Who Makes the Meaning? Interpretive Authority in AI-Mediated Education — מטריצת סמכות פירוש ומודל שילוב סמכות אקולוגי: ארבע תצורות של מי מפרש, והשכבות האקולוגיות המשנות אותן
• Constructing Selves in AI-Mediated Apprenticeship Learning: Students of Colour's Narratives of Agency, Recognition and Negotiation — סטודנטים בצבע בתוכניות חטיבת-על חיברו את עצמם דרך AI באמצעות סירוב, משא ומתן והכרה ("שטיחות תרבותית"); אוריינות AI מוסדית ורוחב פס ההכרה