בינה מלאכותית סוכנית

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

בינה מלאכותית סוכנית בינה מלאכותית בחינוך — מערכות בינה מלאכותית שמתכננות, מבצעות ומסתגלות באופן עצמאי לתהליכי עבודה מרובי-שלבים להשגת מטרות למידה, ועולות על שאלה-ותשובה של סבב בודד בכך שהן פועלות כשותפים מתמשכים ומוכווני-מטרה: חונכי AI שמספקים פיגום לאורך אינטראקציות מורחבות, מערכות מרובות-סוכנים שמתזמרות עיצובי הוראה, וסוכנים שמשתפי-רגולציה בלמידה. שינוי פרדיגמה זה מכלי שמגיב להנחיות לשותף פעיל נושא עימו הן הבטחה והן סיכון: בינה מלאכותית סוכנית יכולה להתאים אישית ולהעמיק למידה, אך היא גם מאיימת על הסוכנות, על המאמץ הקוגניטיבי ועל השליטה. מאמרי סקירת ההיקף, מסגרת חסימת-הכלי והשיטות הטובות ביותר מבחינה פדגוגית של מאגר הידע בוחנים את המתח הזה.

שאלות למחשבה

• בינה מלאכותית סוכנית לא רק עונה על שאלות — היא מתכננת, מבצעת ומסתגלת לתהליכי עבודה מרובי-שלקים לעבר מטרה, ופועלת כשותף מתמשך. במה שונה הלמידה עם סוכן יזום מן הלמידה עם כלי שעליכם להנחות אותו?
• התחום קובע קו מפריד בין בינה מלאכותית "שיחתית" לבין בינה מלאכותית "סוכנית" (מערכת נחשבת לסוכנית רק אם היא עומדת במספר קריטריונים כמו תכנון, זיכרון, אוטונומיה ופעולה מוכוונת-מטרה). היכן נמצא הקו הזה למעשה — והאם הכינוי "סוכנית" לכל צ'אטבוט מסתיר יותר משהיא חושפת?
• ככל שסוכן מאוטומט יותר, כך פחות עבודה קוגניטיבית מבצע הלומד. היכן עובר הגבול בין AI שמבצע פיגום ללמידה שלכם לבין AI שעושה את הלמידה במקומכם?
• סקירת היקף מצאה שרק 29% ממחקרי הבינה המלאכותית הסוכנית עיגנו את המערכות שלהם בתיאוריה חינוכית. אם רוב המערכות אינן מבוססות-תיאוריה, מה אמור לעורר בכם סקפטיות בעת הערכת סוכן חונכות "חכם"?
• מערכות מרובות-סוכנים מתזמרות סוכנים מומחים עם תפקידים נבדלים. כאשר כמה סוכנים עובדים יחד בכיתה, מי נושא באחריות — והיכן על אדם להתערב?
• המתח המרכזי של התחום הוא התאמה אישית מול סוכנות הלומד והמאמץ הקוגניטיבי. אם חונך מסוגל להתאים את עצמו כל כך טוב עד שלעולם אינכם נאלצים להתאמץ, איזו למידה אתם מקבלים בפועל?
• היכן על משימה נתונה לשבת בספקטרום "משנה לנסיעה" — והאם מעבר משיטה של "הסוכן מציע, הלומד מחליט" לשיטה של "הסוכן מחזיק בבעלות" משרת אי-פעם את הלמידה ולא רק את היעילות?
• סוכנים היברידיים המעוגנים בתיאוריית עיצוב מבוססת התגברו על הנחיה טהורה. מדוע מערכת מעוגנת תיאורטית עשויה לנצח הנדסת הנחיות גלמית — ומה הדבר אומר על האופן שבו נמדדת "החכמה" של סוכן?

מבוא

"בינה מלאכותית סוכנית" מתייחסת למערכות בינה מלאכותיות שיכולות לתכמן, לבצע ולהסתגל באופן עצמאי לתהליכי עבודה מרובי-שלבים להשגת מטרות למידה — ועולות על שאלה-ותשובה בסבב בודד בכך שהן פועלות כשותפים מתמשכים ומוכווני-מטרה בהקשרים חינוכיים. בחינוך, בינה מלאכותית סוכנית מתבטאת כחונכי AI שמספקים פיגום ללמידה לאורך אינטראקציות מורחבות, כמערכות מרובות-סוכנים שמתזמרות עיצובי הוראה מורכבים, וכסוכנים אוטונומיים שמסתגלים את האסטרטגיות הפדגוגיות שלהם על פי צרכי הלומד. פרדיגמה מתפתחת זו מזיזה את ה-AI מכלי שמגיב להנחיות לשותף שמנחה, מסתגל ושותף-רגולציה בתהליכי הלמידה באופן פעיל.

הגדרה וסיווג של בינה מלאכותית סוכנית

Kostopoulos et al. (2025) מספקים הגדרה מבצעית שהתחום חסר אחרת. הם מציעים רשימת בדיקה של שישה קריטריונים — מערכת נחשבת לסוכנית אם היא עומדת בארבעה לפחות: אוטונומיה (פעולה שאינה תלויה בהתערבות אנושית מתמשכת), חשיבה/תכנון, זיכרון/מודעות להקשר, פעולה מוכוונת-מטרה לקראת תוצאות למידה, הסתגלות ושיתוף פעולה/יוזמה דינמיים. סף ה-≥4 כולל מחוץ לצ'אטבוטים ראקטיביים (בוט FAQ סטטי ללא תכנון או התמדה אינו עובר את הקריטריונים) ובמקביל מתרחב על ארכיטקטורות מגוונות. הם גם מארגנים את המרחב לאורך שלושה צירים: תפקיד פדגוגי (חונך, מאמן/מנטור ללמידה, מלווה, עוזר למדריך, מתכנן תוכנית לימודים), רמת אוטונומיה (ראקטיבית → אדפטיבית → יזומה → שיתופית), ומגולמות (טקסטואלית, אווטאר/גרפית, מגולמת/רובוטית). טקסונומיה זו — ובמיוחד ספקטרום האוטונומיה והדרת הכלים הראקטיביים ברשימת הבדיקה — מעניקה לחוקרים ולמעצבים אוצר מילים משותף לסיווג מערכות סוכניות ולהבחין בין בינה מלאכותית סוכנית ממש לבין שיחתית בלבד.

מבחין מעשי הופך את הקו לבטון. צ'אטבוט FAQ סטטי שיכול לענות רק על קבוצה קבועה של שאלות עומד באפס קריטריונים (אין תכנון, אין התמדה, אין יוזמה) ובבירור אינו סוכני. חונך שיחתי שנזכר בסשן הנוכחי אך אינו פועל אלא אם הונחה, אינו מחזיק מודל לומד חוצה-סשנים, ואינו מסוגל לקבוע תת-מטרות עשוי לעמוד בקריטריון אחד או שניים בלבד (זיכרון, חשיבה מסוימת) — שיחתי, לא סוכני. בדומה, חונך שמתכנן שיעורים מרובי-תורות, שומר התקדמות לומד בפרופיל מתמשך, מזנק ביזום רמז כאשר הלומד נתקע, ומתכנן מחדש את הצעד הבא על בסיס הפרופיל הזה עומד בתכנון, זיכרון, אוטונומיה ואינטראקציה מוכוונת-מטרה — ארבעה קריטריונים לפחות, ולכן הוא נחשב לסוכני. הערך של הרצת מבחן זה אינו פדנטיות: התווית "סוכני" על כל ממשק שיחה של מודל לשוני גדול מטמטמת את עצם שאלת העיצוב — מה המערכת יוזמת אל מול מה שהלומד חייב ליזום — וקובעת אם היא מבצעת פיגום או מחליפה את הלמידה.

סוכנות מוגבלת כעמדה חינוכית-עיצובית. מסגרת AGAI-HE של Ilieva et al. (2026) מקבלת את רשימת היכולות שהגדרות כמו רשימת הבדיקה המשושת-קריטריונים מתארות, ואחר מגבילה אותה בכוונה: מטרות, תפקידים, מקורות נתונים, כלים, נקודות ביקורת, תנאי עצירה והחלטות סופיות מוגדרים או מאושרים על ידי מחנכים, וכל פונקציה סוכנית חייבת להתייחס לדרישת למידה, למטרת הערכה או לבקרת ממשל. המסגרת גם קובעת קו בין תזמור סוכני לבין הנחיה מתקדמת — זרימת עבודה סוכנית משמרת את מצב המשימה, מקצה פונקציות, בודקת תנאי השלמה, חוזרת לשלבים קודמים כאשר הראיה אינה מספיקה, ורושמת החלטות מהותיות. יש לציין שמחקר התפיסה החקרני שלה עם 130 סטודנטים בהשכלה גבוהה לא מצא הבדל מובהק בין למידה נתמכת-סוכן ללמידה נתמכת-צ'אטבוט, דבר שהמחברים קוראים לו כראיה ליכולת סוכנית אינה ממירה בעצמה ליתרון פדגוגי נתפס (פיקוח אנושי).

התחום: התרחבות מהירה ומבנה נוכחי

סקירת ההיקף של מאגר הידע — הסינתזה המקיפה ביותר של התחום עד היום, שממפה 474 מחקרים (2020–2026) — מתעדת תחום שצמח בפיצוץ מאז 2025, אך ספרותו נשלטת עדיין על ידי מאמרי ועידה מרוכזים בהשכלה גבוהה, בתחומי STEM ובתסריטי חונכות מבוססי-טקסט. הסקירה מנתחת מאפייני פרסום, תכנוני מחקר, תפקידי סוכנים, מודלים וארכיטקטורות AI, שישה ממדים של יכולת סוכנית, ואת מידת השילוב של תיאוריה חינוכית, ומספקת מפת דרכים לחזית ולפערי התחום. יש לציין שרק 29% מהמחקרים הנסקרים (138 מתוך 474) עיגנו את המערכות שלהם בתיאוריה חינוכית באופן מפורש, וחושפים פער משמעתי בין עבודה מונחית טכנית לבין עבודה מונחית פדגוגית.

מפת התחום מבוססת-תפקידים

במקום בו סקירת ההיקף של 474 המחקרים והסקירה המושגית של Kostopoulos et al. ממפים את רוחב המחקר ואת היכולת, Baradziej (2026) מארגן את בינת המלאכות הסוכנית לפי התפקיד שהיא ממלאת — ממסג מוסדית לקבלת החלטות היכן לפרוס ולשלוט במערכות אלה. לאורך 48 מחקרי השכלה גבוהה, שישה תפקידים עולים לפי מידת העדות: למידה מותאמת אישית וחונכות אדפטיבית (18/48), הערכה ומשוב (12), סיוע והעצמת הוראה (11), תמיכה ניהולית ובסטודנטים (8), עיצוב תוכנית לימודים והתאמת כוח עבודה (5), ותמיכה במחקר ובפעולות אקדמיות (4). עדשת התפקידים מדגישה בחירת עיצוב שחוזרת בכל פריסה: כמה שליטה הרגעית נשארת בידי האדם (יחסי "משנה") אל מול כמה הסוכן מחזיק בבעלות (יחסי "טייס אוטומטי") — ציר האוטונומיה שקובע אם הסוכן מבצע פיגום ללמידה או מחליף אותה.

עיצוב והערכה של מערכות סוכניות

המחקר במאגר הידע משתרע על עיצוב והערכה:

• סוכנים היברידיים המעוגנים בתיאוריה מתגברים על הנחיה טהורה: ISD-Agent-Bench, מדד ביצועים של 25,795 תסריטי עיצוב הוראה, מוצא שהגישה הטובה ביותר ביותר משלבת מסגרות ISD קלסיות (ADDIE, Dick & Carey, Rapid Prototyping) עם חשיבה בסגנון ReAct מודרני — היברידי (תיאוריה + טכניקה) > תיאוריה טהורה > טכניקה בלבד. עיגוד סוכני מודלים לשוניים גדולים בתיאוריית עיצוב חינוכית מבוססת מעניק יתרון מבני שהנחיה גלמית אינה יכולה לשחזר.
• מסגרות הערכה לכלים סוכניים: מסגרת חסימת-הכלי מציעה הוראה והערכה של שיטות חישוביות באופן שאינו תלוי בכלי AI ספציפי, תוך הדגשת יסודות החשיבה החישובית, של הערכה אותנטית באמצעות הגנה בעל-פה, ושל אימות — רלוונטי לחששות התלות-יתר.
• סולם דיווח-וממשל: מסגרת Autonomy–Oversight–Evidence (AOE). Dey (2026) טוען שהמונח בינה מלאכותית סוכנית מיושם כל כך שאינו עקבי, עד שהראיה והפיקוח אינם ניתנים להשוואה בין מחקרים — מערכות שמתכננות, נזכרות, משתמשות בכלים או מתאמות סוכנים מרובים נאספות יחד עם ממשקי GenAI סטטיים ועם סוכנים פדגוגיים קונבנציונליים. סקירתו האינטגרטיבית הביקורתית של חמש-עשרה סקירות שפונו קובעת שהראיה החזקה ביותר היא לתוצאות ברמת החפץ (דיוק המשוב, צמצום הזיות) והחלשה ביותר היא ללמידה עמידה, לשוויון, לעומס עבודה ולתוצאות מוסדיות, כשהפריסות האותנטיות בדרך כלל קצרות, באתר בודד, וקשורות-חלשות לפיקוח. הפתרון הוא שלישיית דיווח מוגדרת — רמת אוטונומיה A0–A4 (יצירה ראקטיבית → תזמור מוגבל → אוטונומיה מואצלת על משימה → אוטונומיית זרימת עבודה → אוטונומיה בעלת השלכות על ציונים, קבלה והתקדמות), רמת פיקוח O0–O4 (לא מוגדרת → ביקורת רטרוספקטיבית → אישור טרם-השימוש → בקרה עם נקודות ביקורת → פיקוח מוגבל ומתמשך), ושלב בשלות הראיה M0–M5 (רעיון → אב-טיפוס/מדד ביצועים → הערכת משתתפים → פריסה אותנטית → מורחבת/מרובת-אתרים → משוכפלת/קנה-מידה מוסדי) — בתוספת כלל פרופורציונליות: האוטונומיה המותרת לא תקדים את בשלות הראיה או את חוזק הפיקוח (לדוגמה, מערכת A4 בעלת-השלכות דורשת ראיה ברמה M4–M5, אישור משפטי, ו-O4 עם סמכות סופית אנושית). דיווח של A2–O3–M3 הופך טענות מעורפלות על "פריסה סוכנית" למפרטים ניתני-השוואה ולבחינה, ומעניק למוסדות דקדוק של אימוץ מדורג, תיעוד והחזרה לאחור — המשלים הראייתי לספקטרום ממשנה לטייס אוטומטי שלעיל.
• בדיקת עמידות אדברסרית: בדיקת עומס מרובת-סוכנים מתאמת סוכני חוקר, מטרה ושופט לחשיפת מצבי כשל בלתי-נראים לבדיקת אסטרטגיה בודדת, ומורידה את ציוני העמידות ב-0.17–0.20 נקודות — קריטי לעקביות פרסונה ולפריסה בטוחה עם לומדים.
• יישומי תחום: מערכות סוכניות מופיעות בתחומים שונים, ובהם סוכני למידה אדפטיבית, סוכני LLM פדגוגיים, פיגום LLM מונחה, סוכני למידה בסייברבקורת ממותחת וסוכני סימולציה קלינית.
• סוכני אינטרנט כמעריכי חוויית למידה: סוכן אינטרנט אוטונומי "מתואר" בודד שמנווט שיעור מקוון כמו תלמיד — Wang, Mitchell & Piech (2025) — מפיק תיאור עשיר דיו בכדי לחזות נשירת סטודנטים ולתת למעצב משוב בר-פעולה עוד לפני שהלומדים האמיתיים נפגשים עמו, ועולה על מחזור מדומה שלם ועל כל קו-בסיס בקורס CS1 גלובלי. מצב זה את ההערכה הסוכנית (סוכן כמבקר חלופי של חוויית למידה) כשימוש נפרד, בעלות נמוכה, בבינה מלאכותית סוכנית לצד סוכנים שמלמדים או מעצבים.

מערכות מרובות-סוכנים

גורם גדל ונפרד של בינה מלאכותית סוכנית עוסק במערכות מרובות-סוכנים שמתזמרות סוכנים מומחים מרובים עם תפקידים נבדלים. מאגר הידע מתעד מספר ארכיטקטורות: יצירת קוד מזווגת סוכן יוצר עם סוכן מאמת ליצירת שאלות עם-אדם-בלולאה; בדיקה אדברסרית מתאמת סוכני חוקר/מטרה/שופט; כיתות מרובות-סוכנים (למשל, MAIC עם ארכיטיפים של מורה, עוזר הוראה וחבר לכיתה) יוצרות דינמיקות למידת-עמיתים מגוונות; ולמידה חברתית מרובת-סוכנים חוקרת כיצד סוכנים המאיימים מעצבים למידה. עיצוב מרובה-סוכנים מעלה שאלות נבדלות על פיקוח אנושי (איזה סוכן אחראי, והיכן מתערב אדם?), עלויות תיאום, וכיצד שוני התפקידים תומך בפיגום או מקשה עליו.

שתי מערכות מ-2026 מחדדות מה התמחות הפקידים קונה — והיכן היא מפסיקה להשתלם. MeduAI-SP (Yang et al., 2026) מחלקת הוראת ראייה קלינית על פני ארבעה סוכני LLM — סוכן מטופל, סוכן חונך סוקרטי, מעריך ברמת-תורה, ומעריך סופי — כל אחד נושא פונקציה הוראתית נבדלת. הארכיטקטורה מונעת תשובות בכוונת עיצוב: לחונך נאסר לחשוף את האבחנה או את תשובות המקרה, וציוני ה-OSCE של המעריך הסופי נשארו מוסתרים במהלך המפגש החי. התמחות הפקידים, ולא יכולת גלמית של המודל, היא מה שהניסוי מייחס לתשומת-לב לשיפור בהתנהגות הייעוץ (71.8% אל מול 55.6% בבחינה הסופית), ומציעה תבנית מוגדרת לעיצוב מרובה-סוכנים מיושר-פדגוגיה. מחקר שני מצביע על גבולותיו של הדפוס הזה: במערכת דיון אתי של 45 סטודנטים ו-15 קבוצות (Seo et al., 2026), שלוש פרסונות LLM המבטאות אתיקה של טיפול, דאונטולוגיה ואתיקה פרגמטית לא הפיקו הבדלים מובהקים בינן, וכולן דורגו מתחת לעמיתים אנושיים בתרומה, בגיוון ובהשפעה (כל Kruskal-Wallis p < .001). המחברים מייחסים את הפער להסכם חנופי — הסוכנים קיבלו כמעט כל תרומה אלא אם הייתה שגויה לחלוטין — ולחוסר חשיבות גלויה, וטוענים שעיצוב סוכנים ממוקד-משימה חייב לצרף שקיפות תהליכית עם מעקות (מסגרת של עמית-נופל, שלב שאלות ייעודי) כדי להימנע מתלות-יתר.

צעד מעבר לתזמור של מעט סוכנים מומחים הוא האקוסיסטמה המלאה של המערכת הסוכנית המרובת-סוכנים שהציעו Sudarshan et al. (2026): פלטפורמה רבת-מוסדית המתאמת סוכני למידה, הוראה וניהול באמצעות לולאות משוב חוצות-פונקציה ואינטליגנציה מבוזרת. המהלך הנבדל שלה הוא הטיפול בההכלה כחשש ארכיטקטוני מדרגה ראשונה — תיאום סוכני נגישות, תמיכה קוגניטיבית ורווחה כדי שלומדים עם צרכי חינוך מיוחדים ייתמכו בממדים הקוגניטיבי, החושי והרגשי בזמן אמת, במקום שיוגשו באמצעות כלי מסייע מבודד. המאמר ממקם זאת בתוך לולאת התפתחות משותפת של אדם ו-AI (התנהגויות והחלטות אנושיות מעצבות הסתגלות של AI, שמחזקת את יכולת האדם בתורה) ששומרת על אנשים בלולאה.

• סוכני LLM ספציפיים-משתתף לפתרון בעיות שיתופי. Fang (2026) מכוונן סוכני LLM בודדים על נתוני דיאלוג של משתתפים אמיתיים כדי לייצג כל משתתף בסימולציות פתרון בעיות שיתופיות, עם בחירה הסתברותית של דובר וקודי נושא וזיכרון של חלון-נגלל ועם סיכום. עם אימות באמצעות ניתוח רשת אפיסטמית, הדיאלוגים המדומים אינם נבדלים מבחינה סטטיסטית מאמיתיים (מרחק ENA 0.17, p=0.65 בשיטת פרמוטציה) — הדגמה של בינה מלאכותית סוכנית המשחזרת שיח שיתופי אותנטי.
• חונכות מרובת-סוכנים בעלת אינטליגנציה חברתית. אבות-טיפוס של חונכות מרובת-סוכנים בעלת אינטליגנציה חברתית כמו ASTRA חוקרים כיצד לומדים מתואמים עם AI בזוגות, תוך שימוש בסוכני חונך ומנחה נבדלים לעידוד תיאום והשתתפות מאוזנת. ההערכה המבוססת-מעקב של המסגרת מאפשרת ניתוח שכפול של אינטראקציה, איזון השתתפות ואימות בתכנות מבוא.

המתח המרכזי: אוטומציה אל מול למידה

עבודת השיטות הטובות מבחינה פדגוגית מנסחת את המתח המגדיר של התחום: ככל שבינת-המלאכות-בחינוך עוברת מצ'אטבוטים פסיביים לסוכנים יזומים שמתחילים ורודפים מטרות, ההתאמה האישית משתפרת אך הסוכנות של הלומד והמאמץ הקוגניטיבי נמצאים בסיכון. ככל שהסוכן מאוטומט יותר, כך פחות עבודה קוגניטיבית הלומד עושה. תגובת העיצוב — שפשוף מכוון, פיגום דינמי, פיקוח עם-אדם-בלולאה, ושימוש מבוקר בבינה מלאכותית — פועלת כמעקה עקרוני. הדבר מתחבר לקשיים הרצויים, לסוציו-תרבותיות, ולסיכון של תלות-יתר, ולנושא הרחב יותר של שימור הסוכנות בלמידה המתווכת בינה מלאכותית.

בדיקה אמפירית אחת מגיעה מדוח מעשי על Spec-Driven Development בקורס PBL של תוכנה (Tanaka et al. 2026): סטודנטים שהשתמשו בסוכני AI לאורך שלבי הפיתוח הפיקו יותר קוד אך הראו צניחות בהבנת הקוד שהתחדדו רק לאחר ראיונות אחד-על-אחד עם המדריך — ראיה שדה מוגדרת למתח בין אוטומציה ללמידה ולפיקוח עם-אדם-בלולאה כתגובה.

ספרות הסקירה הופכת את העיקרים האלה למעקות עיצוב ניתני-מדידה ולא לכוונות מעורפלות. בנושא הפיגום, Kostopoulos et al. (2025) ממליצים על פרוטוקולי דעיכה — להקטין בהדרגה את תדירות הרמזים לאחר כל נסיון מוצלח — ולכוון את יחס חיפוש העזרה (רמזים שהוזנו על ידי AI ÷ סך פעולות הסטודנט) מתחת ל-0.3, כדי שהסוכן לא יהיה זה שמנהל את רוב האינטראקציה. הם מצרפים לכך נקודות ביקורת רפלקטיביות (למשל, לבקש מהלומד להסביר את חשיבתו לפני שהסוכן מציע את הרמז הבא) וערכות דעיכה אדפטיביות שהסתברות ההתערבות שלהן יורדת ככל שהמיומנות עולה. בשקיפות, על הסוכנים לחשוף הסבר מסוג "מדוע ההצעה הזו?" ולשמור יומני מעקב החלטות עם חותמת זמן (שיקול הסוכן, מקורות נתונים, החלטות) זמינים לביקורת הוראתית. בהוגנות, הם מייעצים לבצע בדיקת השפעה שונה לפני-הפריסה על שלוש קבוצות דמוגרפיות לפחות (למשל, מגדר, שפה, גאוגרפיה) ולערב מורים מגוונים בעיצוב. המדדים האלה מעניקים למדריך או למעצב מנוף ביקורת: במקום לשאול "האם הסוכן מועיל מדי?", למדוד אם הרמזים דועכים, אם הלומד הוא היוזם, ואם חשיבת הסוכן ניתנת לבדיקה.

אוצר מילים משלים לשאלת האוטונומיה מגיע מהאנלוגיה לתעופה שצפתה בהסינתזה של Baradziej (2026): עד כמה פריסה יושבת בספקטרום ממשנה לטייס אוטומטי — מסוכן שמסייע לאדם השומר בשליטה הרגעית, ועד סוכן שמחזיק בכל המשימה ואדם מפקח בלבד. אותה מערכת בסיסית ניתנת לקביעה אל כל אחד הקצוות, והבחירה היא פדגוגית לפני שהיא טכנית. תצורות בסגנון "משנה" (הסוכן מציע, הלומד מחליט, האדם שומר על המילה הסופית) נוטות לשמר את הסוכנות ולתמוך בתהליכים הדורשי-מאמץ שבונים למידה; תצורות בסגנון "טייס אוטומטי" ממקסמות השלמת משימה ויעילות אך מזיזות את העומס הקוגניטיבי מעל הלומד. בחירת עמדה בספקטרום זה — לכל משימה, ולא פעם אחת באופן גלובלי — היא דרך מוגדרת ליישום עקרון ה"שפשוף המכוון" של התחום.

השלכות חיוביות של סוכני AI בחינוך

כאשר מעוצבים היטב, בינה מלאכותית סוכנית מציעה תועלות ניכרות:

• התאמה אישית עמוקה ואדפטיבית יותר. סוכנים מתמשכים יכולים להחזיק שיחת למידה לאורך תורות רבות, לעקוב אחר מה שהלומד יודע, להסתגל לקושי ולתזמן פיגום מרובה-שלבים — ועולים על התשובות החד-פעמיות של צ'אטבוטים קודמים. הדבר תומך בלמידה אדפטיבית ובלמידה מותאמת אישית בקנה-מידה. בהסינתזה של Baradziej (2026) הראיה החזקה ביותר לתפקיד הזה מדווחת על הישגים אקדמיים של 15–25% ועל עליות במעורבות של עד +40%, עם פוטנציאל מיוחד ללומדים שהוגשו באופן היסטורי בצורה גרועה על ידי הוראה אחידה-לכול (סטודנטים דור ראשון, הבדלי למידה, לומדי שפה שנייה).
• פירוק עבודת הוראה שגרתית. סוכנים יכולים לתכנן שיעורים, ליצור ולאמת שאלות, לכתוב טיוטות משוב, ולתזמר תת-סוכנים מומחים (למשל, יוצר + מאמת ליצירת שאלות), ומשחררים מורים לאינטראקציה בעלת-ערך גבוה יותר. זו ההבטחה של זרימות עבודה מרובות-סוכנים מופנות-מורה. סוכני הערכה בפרט מדווחים על הסכמה של 90–95% עם המעריכים האנושיים ועל צמצום של 50–70% בזמן הציונים, אם כי אותה ראיה מסמנת את הטיה ואת העלות המטאקוגניטיבית של משוב מיידי שאינו רפלקטיבי.
• אינטראקציה עשירה ומגוונת. כיתות מרובות-סוכנים ועמיתים מדומים יוצרים דינמיקות אינטראקציה מגוונות (שיח דמוי-עמיתים, אי-הסכם קונסטרוקטיבי, משחק תפקידים) שמערכות סוכן-בודד אינן מסוגלות להן, ותומכים בלמידה שיתופית, בחקירה בסגנון סוקרטי ובסימולציה.
• שפשוף פרודוקטיבי. סוכנים המעוצבים לאתגר במקום להסכים יכולים לדחוף לומדים לעיון מחודש עמוק יותר. מחקר על סוכני עיצוב אדברסריים מראה שסוכני-סכסוך קונסטרוקטיביים עוררו איטרציות עיצוב משמעותיות יותר, חקר רחב יותר של חלופות, ועיצובים סופיים מדורגים גבוהים יותר (N=48) — צורה של קושי רצוי.
• תרגול וסימולציה בקנה-מידה. סימולציות מבוססות-סוכן (סטודנטים מדומים, תסריטים קליניים מאפשרים ללומדים לתרגל בסביבות בעלות-סיכון נמוכה לפני יישום בעולם האמיתי, כמו בסימולציה קלינית ובלומדים מדומים.
• פיגום מודע-ראיה. סוכנים מעוגנים היטב יכולים ליישם תיאוריית למידה ופדגוגיה מוכרת באינטראקציות שלהם, ומדדי ביצועים מראים שסוכנים מעוגנים-תיאוריה מתגברים על הנחיה גלמית.

מחלקה צרה יותר, שנבנתה על ידי מדריכים, של סוכנים מקבלת טענה נבדלת בהצעת המרחב השלישי של El Khoury and Ma: GPTs מותאמים, Gems וסוכני Copilot Studio שתוכננו על ידי מדריכים למטרה פדגוגית ספציפית ובמפורש אינם מערכות אוטונומיות. הערך הנטען שלהם הוא כמרחב חזרה בעלות-סיכון נמוכה — סימולטור מבחן בעל-פה, סימולציה של תקשורת קלינית, אווטאר הגייה אנגלית כשפה שנייה — שבו סטודנטים מתאמנים לפני שיפוט, בעוד תפקידו ההערכתי של המדריך נשחרר שלם, והסוכן מחוץ להיררכיות החברתיות שסטודנטים מנווטים עם עמיתים ועם מדריכים. שני גבולות ראויים לציון: המחברים מחליטים לסווג מחוץ להיקף הערכה מבוססת-סוכן, והם טוענים שההערכה חייבת להישאר יחסית — תפקיד המדריך אינו ניתן להחלפה על ידי מכונה, אם כי הוא יכול להיות מורחב ומופיע כבעל-קיימות יותר באמצעות עיצוב זהיר.

השלכות שליליות וסיכונים של סוכני AI בחינוך

אותה אוטונומיה שמאפשרת את התועלות האלה יוצרת גם סיכונים משמעותיים:

• כרסום בסוכנות ובמאמץ הקוגניטיבי של הלומד. ככל שהסוכן מאוטומט יותר, כך פחות עבודה קוגניטיבית הלומד עושה. סוכנים יזומים שמתחילים, מתכננים ומשלימים משימות עשויים להשאיר לומדים כצרכנים פסיביים, ולרוקן את התהליכים הדורשי-מאמץ — כתיבה, שליפה, עריכה מחדש — שבונים למידה עמידה. זו הלב של חשש התלות-יתר ושל הסוכנות. ההשפעה ניתנת למדידה: בהסינתזה של Baradziej (2026), לומדים פסיביים בסביבות חונכות סוכנית הופיעו פחות מלומדים פעילים ב-8.7% — ראיה שהנזק נובע מעיצוב הפריסה (לתת לסוכן לבצע את העבודה הקוגניטיבית) יותר מאשר מהטכנולוגיה עצמה.
• אוטומציה-יתר של תהליך הלמידה. אם סוכן מייעל השלמת משימה במקום למידה, הוא עשוי להפיק "תשובות" שמעקפות הבנה — בדיוק הסיכון שמסגרת חסימת-הכלי מזהירה מפניו, שבו החפץ אינו מתעד את הלומד.
• הפחתת המעורבות המטאקוגניטיבית ועצמית-המוונת. כאשר סוכנים מטפלים בתכנון ובניטור, לומדים עשויים שלא לפתח את המטאקוגניציה ואת ההסדרה העצמית שהחינוך שואף לבנות. על סוכנים להיות מעוצבים כדי לעורר, לא להחליף, את התהליכים האלה.
• אמון שלא במקומו ופערי אימות. סוכנים אוטונומיים עשויים להפיק פלט סביר אך לא מאומת; לומדים ומורים עשויים לסמוך-יתר בו. הצורך באימות עמיד ובאוריינות AI גדל ככל שהסוכנים נוטלים על עצמם אוטונומיה רבה יותר.
• אטימות, תיאום ואחריות. מערכות מרובות-סוכנים מקשות על פיקוח אנושי: איזה סוכן אחראי לשגיאה, והיכן מתערב אדם? כשלי תיאום, נדידת פרסונה והתנהגויות מתעוררות יכולים לפגוע באמינות ובהבטיחות הפדגוגית.
• הטיה ושוויון. סוכנים שאומנו על נתונים המקודדים הטיה עשויים לשחזרה בקנה-מידה, וגישה לא שווה למערכות סוכניות מסוגלות עשויה להרחיב את אי-השוויון החינוכי. הטיה פועלת במספר רמות — נתוני אימון, ארכיטקטורה, קריטריוני הערכה ואוכלוסיות מבחן — ולכן היא זקוקה לתגובה מוסדית (ביקורות הטיה, מערכי נתונים מגוונים, תיעוד שקוף, מעורבות בעלי עניין), ולא לבדיקות חד-פעמיות. צורה עדינה יותר וספציפית-תרבותית היא הגמוניה אפיסטמית: מכיוון שרוב המערכות הסוכניות אומנו על נתונים באנגלית ובמערב, הן מטביעות הנחות מסוימות לגבי ידע, טיעון ורישום אקדמי. ראיית הסינתזה מתעדת כלי חינוך לשפה שוללים מסורות רטוריות לא-מערביות ומענישים תכונות לשוניות של תרבויות אקדמיות לא-אנגליות, וניתוחים של העולם הגלובלי הדרומי מראים פדגוגיות סוכניות המשחזרות אי-שוויון כאשר הן מתעלמות מגיוון אפיסטימי וממגבלות תשתית.
• יושר ההערכה ודעיכת כישורים. כאשר סוכנים יכולים להפיק עבודה לפי דרישה, הערכת למידה אמיתית הופכת לקשה יותר, ותלות-יתר עשויה לכרסם בכישורים היסודיים — "חוב ההבנה" ובעיית ההסמכה שהתחום מסמן.
• סטודנטים רוחות ופער האימות. Bozkurt, Crompton & Fell Kurban (2026) מתארים את "הסטודנט-רוח" — ממלא דיגיטלי שנוצר בצימוד מודלים לשוניים גדולים (ה"מוח") עם דפדפני בינה מלאכותית סוכנית (ה"גוף") שיכולים לנווט במערכות ניהול למידה, להתעסק בתוכן ולהשלים הערכות בחיקוי אנושי, והופכים את הנוכחות האמיתית של הלומד לאופציונלית. הדבר יוצר פער אימות שכלי פיקוח וגילוי מסורתיים אינם מסוגלים לסגור מבחינה מבנית, ומצטבר חוב קוגניטיבי אצל הלומד שנמנע ממנו. ככל שה-AI עובר מיצרני לסוכני, איום היושר והאימות הזה גדל — סיכון ייחודי-סוכני מעבר לאלה של GenAI בסבב בודד.

סוכני AI ויושר אקדמי

בינה מלאכותית סוכנית מעמידה איומי יושר נבדלים החורגים ממקרי ה-GenAI בסבב-בודד שהתחום נאבק בהם כבר. מכיוון שסוכנים פועלים באופן עצמאי לאופקים ארוכים — ומכיוון ש"סטודנטים-רוחות" ("מוחות" של LLM בצימוד עם "גופים" של דפדפנים סוכניים) יכולים לנווט במערכות ניהול למידה, להתעסק בתוכן ולהשלים הערכות בחיקוי אנושי — הם הופכים את הנוכחות האמיתית של הלומד לאופציונלית ויוצרים פער אימות שפיקוח וגילוי אינם מסוגלים לסגור. מספר השלכות יושר עוקבות:

• החפץ אינו מתעד את הלומד. כאשר סוכן יכול ליצור, לתכנן ולבצע הגשה שלמה, איכות המוצר משקפת את יכולת הסוכן, לא של הלומד. זו בעיית ההסמכה החסימת-הכלי בקצה הקיצוני שלה — הערכה מסורתית מסוג "הגישו את העבודה" מאבדת את ערכה הראייתי.
• אימות, לא גילוי, הוא התגובה היחידה שברת-השגה. אכיפה מבוססת-גילוי אינה מסוגלת מבחינה מבנית להתמודד עם סוכנים אוטונומיים. שאלת היושר עוברת מ"האם נוכל לתפוס סוכני AI?" ל"האם נוכל לאמת את מה שהלומד מסוגל לעשות בפועל?" — לטובת הערכה מבוססת-תהליך, אינטראקטיבית ואימות עם-אדם-בלולאה (בינה מלאכותית עם אדם בלולאה).
• השלמת קורס מוערך על ידי סוכנים הוכחה כעת, וזו כשל תוקף, לא רק כשל יושר. Hadjisolomou & El-Haddad (2026) תעדו סוכנים (Claude for Chrome, Perplexity Comet, Claude Opus) שנכנסו לקורס LMS תואר-ראשון חי והשלימו עבודה מוערכת אמיתית מהנחיה בודדת — חידון של 10 שאלות קיבל 10/10 בתוך פחות מ-5 דקות, ופוסט בלוח דיון שבו הסוכן בדא סיפור אישי אמין לאחר כריית פוסטים של עמיתים. באמצעות מסגרת התוקף המבוססת-טיעון של Kane, הם ממקמים "הנחת ייצור אנושי" בבסיס הסקירה של הציונים: השלמת סוכן מסירה את גיבויה, ולכן כל ציון אסינכרוני ללא פיקוח — כולל אלה שהתקבלו ביושר — מאבד את תמיכת הפירוש מכיוון שהמחברות אינה ניתנת לאימות. המסגרת של הבעיה כתוקף ולא כיושר חשובה מכיוון שמוסד יכול להעניש התנהגות פסולה ועדיין להישאר ללא יסוד לציונים שהוא מדווח, ומכיוון שאותם חפצים מזינים שרשראות ראיה של סקירת תכנית והסמכה. התגובה שלהם, מיושרת עם "אימות על פני גילוי" של עמוד זה, היא עיצוב מחדש של ההערכה לנוכחות אנושית מאומתת (נוכחות על פני מוצר, שילוב על פני בידוד, אותנטיות על פני גנריות, תרגול בעלות-סיכון נמוכה / נוכחות בעלות-סיכון גבוהה) עם תפריט של אפשרויות-רגע מאומתות השומרות על שוויון.
• אחריות מפוזרת. במערכות מרובות-סוכנים, כאשר סוכן אוטונומי מפיק פלט בעייתי, לא ברור מי אחראי — הלומד, המערכת, או המוסד. הדבר מטמטם את הייחוס שהתהליכים של יושר אקדמי מניחים.
• חוב קוגניטיבי מצטבר בשקט. סטודנטים-רוחות מאפשרים ללומדים לעקוף את התהליכים הדורשי-מאמץ שבונים הבנה, ולצבור חוב קוגניטיבי שנחשף רק כאשר נדרשת ביצוע עצמאי. היושר קשור כך ללמידה אמיתית, ולא רק לציות לכללים.
• הרחבת פערי השוויון. לומדים עם גישה למערכות סוכניות מסוגלות יותר מרוויחים יתרון מוגזם, ותמיכה אוטומטית עשויה לכרסם בעזרה לאלה הזקוקים לה ביותר — מימד שוויון בחינוך של היושר.

הדבר מחבר את הדיון על בינה מלאכותית סוכנית לכיסוי היושר האקדמי של מאגר הידע, שממסגר את התגובה כעיצוב מחדש של ההערכה וכאוריינות AI ולא כגילוי בלבד.

שפשוף פרודוקטיבי ואינטראקציה חברתית

לא כל התנהגות סוכנית צריכה להיות סיוע חלק. מחקר על סוכני עיצוב אדברסריים מראה שסוכנים המגלמים סכסוך קונסטרוקטיבי עוררו איטרציות עיצוב משמעותיות יותר, חקר רחב יותר של חלופות, ועיצובים סופיים מדורגים גבוהים יותר בקרב מעצבי אינטראקציה מתחילים (N=48) — דינמיקה של שפשוף פרודוקטיבי, שבה סוכן הסכסוך היה מתסכל אך בסופו של דבר מועיל. הדבר מתחבר לשאלות סוקרטיות ולחשיבה עיצובית, וממחיש כיצד בינה מלאכותית סוכנית יכולה לתמוך בעיון מחודש עמוק במקום בקבלה פסיבית.

מחקר על האופן שבו בינה מלאכותית סוכנית מגיעה לתוצאות למידה במסלולים פסיכולוגיים ולא טכנולוגיים מספק את זווית המדידה החסרה. Pramod and Patil (2026) סקרו 398 סטודנטים לעסקים בהודו ומודלו אוטונומיה, מיומנות וקרבה לצד אינטראקטיביות, שיתוף מידע ונוכחות חברתית נתפסת; האוטונומיה הייתה הדחף המוטיבציוני החזק ביותר (β = 0.504) והאינטראקטיביות הייתה החברתית החזקה ביותר (0.468), כשהמוטיבציה והנוכחות החברתית הזינו מעורבות בעוצמה כמעט זהה (0.533 ו-0.493) לפני שהמעורבות ניבאה ביצוע למידה נתפס (0.671). לקח העיצוב הוא שהמסלול החברתי אינו אוטומטי: מבנה של סביבה שיתופית הזיז את הנוכחות החברתית הנתפסת פחות מהרספונסיביות ומשיתוף המידע הפשוטים, ולכן טיפול בסוכן כממשק שיחה ולא כמשתתף משאיר את רוב המסלול הזה ללא שימוש.

השלכות למדריכים ולמעצבי הוראה

עבור מורים, סגל ומעצבי הוראה, בינה מלאכותית סוכנית משנה גם את מה שאפשר וגם את מה שחייבים לשמור:

• הקצאה מחדש של מאמץ לעבודה בעלת-ערך גבוה יותר. סוכנים יכולים לקחת על עצמם תכנון שיעורים, יצירת שאלות ואימות, מיון משוב ואחזור משאבים. על מדריכים להתייחס אליהם כפיגומים אוטומטיבים המשחררים זמן למה שסוכנים אינם יכולים לעשות: הוראה יחסית, שיפוט מוקשר ועיצוב חוויות למידה. זרימות העבודה מרובות-הסוכנים המופנות-מורה הן מובט מבטיח.
• שמירה על העבודה הקוגניטיבית של הלומד בחזית. שאלת העיצוב המרכזית אינה "מה הסוכן יכול לעשות?" אלא "מה הלומד חייב לעשות?" על מעצבי הוראה לקבוע מערכות סוכניות כך שהן מבצעות פיגום ולא מחליפות את התכנון, הניטור והמאמץ של הלומד — באמצעות פיגום דינמי ושפשוף מכוון כדי לשמר את הסוכנות ולהימנע מתלות-יתר.
• עיצוב לאימות ולתהליך, לא רק לפלט. כאשר סוכנים יכולים להפיק עבודה לפי דרישה, החפץ אינו מתעד למידה. על מדריכים לצרף כלים סוכניים להערכה מבוססת-תהליך (הגנה בעל-פה, משימות חסימת-הכלי, בדיקות אימות) כדי שההבנה — לא רק הייצור — תימדד.
• אירור ועיגוד סוכנים בפדגוגיה. ראיות המדדים מראות שסוכנים מעוגנים-תיאוריה מתגברים על הנחיה גלמית. על מעצבים לעגן את התנהגות הסוכן במסגרות הוראה מבוססות (למשל, שחרור הדרגתי, שאלות סוקרטיות, תיאוריית למידה) ולא להסתמך על ברירת מחדל של שרשור כלים גנרי.
• שימור פיקוח ושיפוט אנושי. מערכות מרובות-סוכנים ואוטונומיות הופכות עיצוב של אדם-בלולאה לחיוני: לקבוע היכן מתערב אדם, מי אחראי, וכיצד נכשלים נתפסים. בדיקה אדברסרית עוזרת לחשוף מצבי כשל לפני הפריסה.
• בניית אוריינות AI בקרב המדריכים. מורים ומעצבים זקוקים למודלים מנטליים מדויקים של בינה מלאכותית סוכנית כדי לקבוע, לנטר ולבקר מערכות אלה — וכדי לבנות שימוש אחראי ללומדים. הדבר מתחבר לכשירות המורה בבינה מלאכותית ולפיתוח סגל.
• מעקב אחר שוויון. כלים סוכניים מסוכנים להרחיב פערים אם הגישה אינה שווה או אם האוטומציה מכרסמת בתמיכה ללומדים הזקוקים לה ביותר; לעצב תוך מחשבה על שוויון בחינוך.
• הקמת פיגום מוסדי לפני הרחבה. שאלת הפריסה אינה רק ברמת-עיצוב אלא גם ברמת-מוסד. הסינתזה של Baradziej (2026) מעמידה את ראיות הממשל בשלושה עמודים: לפתח אוריינות AI בקרב סטודנטים וגם סגל; לבנות תשתית אתית (מדיניות הגנת נתונים, מסגרות אחריות אלגוריתמית ויושר אקדמי) לפני פריסה בקנה-מידה גדול; ולספק הכשרת מחנכים מבוססת-מיומנות החורגת על היכרות עם הכלים אל מסגרות פדגוגיות המשמרות סוכנות אנושית. בהינתן שרק ~6.5% מסגל בהקשרים לאומיים מסוימים מדווחים על שימוש ישיר ב-AI, פער ההכשרה הוא מגבלה מחייבת על אימוץ אחראי.

טכניקות להבטחת יושר אקדמי עם בינה מלאכותית סוכנית

מכיוון שסוכנים אוטונומיים הופכים גילוי ללא-תועלת, על מדריכים להתמקד בטכניקות שמאמתות למידה והופכות עבודה כנה לגלויה, ולא באכיפה:

• העדפת אימות על גילוי. להחליף או להשלים "הגישו את העבודה" באינטראקציות הדורשות מהלומד להדגים הבנה שאין באפשרותו להעביר: הגנות בעל-פה, משימות חסימת-הכלי, פתרון בעיות חי, והערכה מבוססת-תהליך. המטרה היא לקבוע מה שהלומד מסוגל לעשות באופן עצמאי, לא לתפוס סוכן.
• שימוש בהערכה אינטראקטיבית ומדורגת. לדרוש הגשות מדורגות (טיוטות, עריכות, רפלקציות) ובדיקות שיחתיות עוקבות החודרות לשאלה האם הסטודנטים מבינים את העבודה שהוגשה — גישות "הוויבה של AI" וניהול קוגניטיבי. סטודנטים-רוחות אינם מסוגלים להחזיק בחקירה חיה שביצעו הם עצמם.
• קבלת ציפיות ברורות ומונחות-מטרה. לעגן ציפיות יושר במטרת הקורס — מה השימוש ב-AI מותר, מתי, ומדוע — ולא בכללים מופשטים. בהירות מדינית המיושרת עם פדגוגיה מפחיתה את העורפליות שהסטודנטים מנצלים ואת השיפוטים המוטעים המתועדים במחקר היושר.
• הפיכת השימוש ב-AI לגלוי ומוצהר. הצהרות שימוש ב-AI מובנות וספציפיות-משימה (מיפוי שימוש לשלבים קוגניטיביים) מאלצות רפלקציה ומנרמלות גילוי כנה, ומזיזות את התרבות מהסתרה לשקיפות.
• בניית אוריינות AI כחינוך יושר. ללמד סטודנטים כיצד להשתמש בסוכנים באחריות ולשפוט פלט באופן ביקורתי, תוך מיצוב היושר כלמידה אמיתית ולא כציות לכללים. הדבר כולל אוריינות AI, הבנה של מה שסוכנים יכולים ואינם יכולים לעשות, ואת העלות הלמידתית של עקיפת מאמץ.
• שמירה על אנשים בלולאה. לשמור על פיקוח אנושי של החלטות הערכה, לאמת הגשות בעלות-סיכון גבוהה באופן אינטראקטיבי, ולעצב כלים סוכניים כך שמדריך יכול תמיד להתערב.
• סגירת פער האימות באמצעות אינטראקציה. להקשרים מקוונים או אסינכרוניים לחלוטין, להשתמש ברכיבים מפוקחים או אינטראקטיביים הדורשים נוכחות חיה, בטיפול ישיר באיום הסטודנט-רוח ולא בהנחה שגילוי יתפוס אותו.

לקחה מאוזנת

בינה מלאכותית סוכנית אינה תרופת פלא ואינה נזק בלתי-נמנע: ערכה תלוי בעיצוב. בשימוש לפיגום סוכנות הלומד, בעיגוד בפדגוגיה ובשמירה על אנשים בלולאה, סוכנים יכולים להתאים אישית ולהעמיק למידה; בשימוש למקסמון אוטומציה והשלמת משימות, הם עלולים לכרסם במאמץ עצמו המייצר למידה. עקרון העיצוב החוזר הוא הכוונותיות — להחליט במפורש מה הסוכן עושה ומה הוא משאיר בכוונה ללומד.

מושגים מחוברים

• פיגום
• חונכות חכמה
• אוריינות AI
• הנדסת הנחיות
• עיצוב תוכנית לימודים
• מטאקוגניציה
• למידה אדפטיבית
• פיתוח חינוכי
• בינה מלאכותית עם אדם בלולאה
• סוכנות
• פריקת עומס קוגניטיבי
• קשיים רצויים
• למידה סוציו-תרבותית
• סימולציה
• בטיחות פדגוגית
• בינה מלאכותית בחינוך
• שוויון בחינוך
• הערכה אותנטית
• תפקיד המורה
• עיצוב למידה
• כשירות המורה בבינה מלאכותית
• יושר אקדמי
• הוראה ולמידה מקוונות
• מדיניות חינוכית לבינה מלאכותית

מאמרים מחוברים

• Agentic AI in educational environments and its association with social and motivational pathways to learning performance — Autonomy, competence, relatedness and social presence as the pathways from agentic AI to engagement (Pramod & Patil 2026)
• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — AI agents, joyful assessment, and third space
• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — The AGAI-HE framework: bounded, human-supervised agentic GAI in higher education (Ilieva et al. 2026)
• Beyond the Agent Label: Evidence Maturity, Human Monitoring, and Governance of Agentic AI in Higher Education — critical integrative review introducing the AOE evidence/oversight framework
• Agentic AI Ecosystems in Higher Education: A Perspective on AI Agents to Emerging Inclusive, Agentic Multi-Agent AI Framework for Learning, Teaching and Institutional Intelligence — Perspective on inclusive agentic multi-agent AI ecosystems in higher education
• A systematic review of the roles of agentic AI in higher education — Systematic review of the roles of agentic AI in higher education (48 studies; six roles; tripartite responsible-integration framework)
• Agentic AI in Education: State of the Art and Future Directions — Agentic AI in education: state of the art and future directions (IEEE Access survey; operational definition + taxonomy)
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw — Scoping review of agentic AI in education (474 studies)
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — The tension between automation and learning
• A Tool-Invariant Framework for Teaching and Assessing Computational Methods in the Age of Agentic AI — Teaching and assessing computational methods in the age of agentic AI
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents — ISD-Agent-Bench: benchmarking instructional-design agents
• Adversarial Stress Testing of Role-Playing Language Agents using Multi-Agent Evaluation — Adversarial stress testing of role-playing agents
• Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers — Constructive conflict AI agents in design education
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Teacher TPACK and multi-agent workflows
• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — Code generation agents
• EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners — Pedagogical LLM agent benchmark
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — Guided LLM scaffolding for independent learning
• LearnMate^2: Design and Evaluation of an LLM-powered Personalized and Adaptive Support System for Online Learning — LearnMate-2 adaptive learning agents
• CyberAGENTS: Structured Autonomy for Agentic Gamified Learning in Cybersecurity — Gamified cybersecurity learning agents
• Agentic AI-driven Immersive Simulation: A Knowledge-Aware Virtual Training Platform for High Dose Rate (HDR) Brachytherapy — Agentic AI in clinical simulation
• The Devil is in the Details: AI Agents, Ghost Students, and the Crisis of Verified Presence in an Agentic AI World — Ghost students and the agentic-AI verification gap (Bozkurt et al. 2026)
• AI Agents Can Now Navigate and Complete LMS Tasks: A Call for Pedagogical Innovation — AI agents completing LMS tasks; validity failure via the human-production assumption (Hadjisolomou & El-Haddad 2026)
• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — AI Web Agents: a describing agent as a learning-experience evaluator (predicts dropout, gives design feedback before students engage)
• Practical Implementation Report on Introducing Spec-Driven Development Using AI Agents in Software Development PBL — SDD with AI agents in software PBL; automation vs. comprehension
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training
• Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration — Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration