מאגר הידע AIEdAIEd KB
בעמוד הזה

העמוד הזה מתורגם לעברית. עמודי המאמרים עדיין כתובים באנגלית. קראו את העמוד הזה באנגלית

מושגים

מחקר חינוכי בסיוע בינה מלאכותית

נוצר 2026-10-12

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

סינתזה: מחקר חינוכי בסיוע בינה מלאכותית הוא השימוש בבינה מלאכותית ככלי של העבודה האקדמית של התחום עצמו — חיפוש ואחזור ספרות, סינון רשומות לסקירות, קידוד נתונים איכותניים, ניתוח נתונים, ניסוח ועריכת כתבי-יד, והרפלקציה השואלת מה הכלים האלה עושים לידע המיוצר. הוא נבדל ממחקר על בינה מלאכותית בחינוך: המבנים המשמשים לחקר אם בינה מלאכותית עוזרת ללומדים שייכים לשיטות מחקר AIEd, הערכת מערכות AI שייכת להערכת AIEd, וקריאת מחקר AIEd בודד שייכת לפירוש ויישום מחקר AIEd. עמוד זה מכסה את זרימת העבודה של החוקר עצמו ואת חקירתו של החוקר-המטפל — לימודים של הוראה ולמידה ומחקר כיתתי — ואת המהלכים האפיסטמיים כאשר אוטומציה נכנסת לאחד מהם. העדות שלו דלה ומתחדשת: הצעת מסגרת, חשבון רפלקסיבי של צוות סקירה אחד, מחקר קבוצות-מיקוד קטן, שני מחקרים ביבליומטריים, דוח סדנה, ומקרי בוחן של חוקר בודד. הוא מתאר כיוון מסע ולא נוהר מבוסס, וקו מחקר-המטפל הוא הדל ביותר מכולם.

שאלות למחשבה

  • מי נחשב כחוקר כאן: האקדמאי הממומן, סטודנט לתארים מתקדמים, המרצה החוקר את הכיתה שלו? אילו מהם העדות מתארת בפועל?
  • מסך AI יצא מסקירתכם. מי אחראי להחלטה זו — הספק, הכלי, הפרוטוקול, או אתם?
  • כשמודל מסכם מקורות שלא קראתם, איזה חלק מהעבודה האקדמית הפסקתם לעשות?
  • לומד מדומה יכול לבדוק מורה על פני פרופילים רבים. מה הייתם בודקים לפני להאמין לפסק-דין שלו לגבי תלמידים אמיתיים?
  • חקירת מטפל היא בדרך כלל מקומית וקטנה. האם העדות שלה צריכה לעמוד בסף של ניסוי ממומן, או לשקולה אחרת כי ההקשר הוא הנקודה?
  • אם AI עזר לנסח מאמר, מה יש לספר לקוראים, והיכן אמור לגור החשוף הזה?

מבוא

מחקר חינוכי בסיוע בינה מלאכותית הוא התחום מפנה את כלי ה-AI לעבודה שלו עצמו. אובייקט המחקר אינו לומד שמשתמש במורה AI אלא חוקר שמשתמש במודל לחיפוש, סינון, חילוץ, קידוד, ניתוח, או כתיבה. מה שמשתנה היא זרימת העבודה של החוקר ו, בשקט יותר, הקריטריונים שלפיהם הפלט שלו נחשב לעדות.

עמוד זה אינו במכוון על מחקר על בינה מלאכותית בחינוך. שאלות על האם מורה AI משפר למידה מטופלות בשיטות מחקר AIEd, הערכת מערכות AI בהערכת AIEd, והקריאה הזהירה של מחקר בודד בפירוש ויישום מחקר AIEd ובמגבלות מחקר AIEd. שתי הספרויות מתבלבלות לעתים קרובות, וטענות הכלים של השנייה נלקחות בהשאלה לעתים קרובות לתמוך בראשונה.

ההיקף רץ מחיפוש ספרות דרך סינון, קידוד, ניתוח וכתיבה, וכולל את הרפלקציה האפיסטמולוגית השואלת מה אוטומציה עושה לידע שהתחום מייצר. הוא כולל גם מחקר מטפל: לימודים של הוראה ולמידה וחקירת כיתה, שבהם מורה חוקר את הנוהג שלו עצמו. קו זה הוא החלק החלש ביותר בעמוד, והסעיפים שלהלן אומרים זאת במקום להחליק עליו.

כיצד AI נכנס לזרימת העבודה של המחקר

חשבונות שימוש עקביים יותר מהעדות להשפעה. Dai and Chan (2026) ריאיינו 28 סטודנטים למחקר לתארים מתקדמים בשבע קבוצות מיקוד במוסד אחד ומצאו ש-27 מתוך 28 השתמשו בבינה מלאכותית יוצרת איפשהו במחקר שלהם: יצירת רעיונות, סקירת ספרות, הסבר, עיבוד נתונים, תכנות, כתיבה אקדמית, עריכה ותרגום.

המשתתפים שלהם כיילו ולא האמינו בכסות. הם התאימו כלים למשימות לפי נתוני ההימור והדרישה האינטלקטואלית הנתפסים, השתמשו ב-AI ביתר עוז בעבודה פרוצדורלית בעלת הימור נמוך, ונשארו זהירים היכן שהתרומה האקדמית הייתה מרכזית. הם גם שמרו על פיקוח אנושי לאורך כל הדרך, והתייחסו למודל כעוזר שיכול להיות "מוטעה" או "שגוי לחלוטין."

הממצא המדיניותי הוא המעשי. ההנחיה המוסדית הקיימת התייחסה להוראה, למידה והערכה, והמשתתפים חוו אותה כמופשטת ולא מיושרת עם נוהר המחקר. המחברים מציעים הנחיות מועדות-חוקר, הבנויות על מסגרת אוריינות AI ארבע-ממדית, כפיגום התפתחותי ולא כספר חוקים.

המחקר מכסה מוסד בודד, קבוצה עצמית-נבחרת של 28, וחשבונות מדווחים-עצמית; סטודנטים אולי דיווחו פחות על שימוש מסיבות יושרה. הוא מתאר כיצד קבוצה בעלת יכולת משתמשת בכלים אלה, לא מה השימוש מייצר.

חיפוש ספרות ואחזור

דוח סדנה ממפה אג'נדה ולא מודד אותה. סדנת CHIIR 2026 על בינה מלאכותית יוצרת וחיפוש אקדמי אספה חוקרים באינטראקציה מידע ואחזור אנושיים, והדוח שלה מתאר מערכות שנבנו לאחזור מסמכים ועכשיו מסכמות, ממליצות, מסונתזות ומנהלות שיחה — ומטילים ספק בהנחה שהמערכת מאתרת מקורות בעוד הפרשנות נשארת עם המשתמש.

הרצאת-ברק אחת בדקה כיצד מודלים משחזרים חוקרים. נגד אמת-קרקע של OpenAlex ו-Google Scholar עבור 1,596 חוקרי-זרע ב-10 תחומי דעת ו-8 אזורים גלובליים, חוקרים מצוטטים ביותר שוחזרו בקצב של כפיים משל עמיתים מצוטטים פחות, בבדיקת DeepSeek R1, Llama 4 Scout, ו-Mixtral 8×7B.

ספראי דיווח על "פער אמון": סטודנטים לעתים קרובות סמכו יותר מדי על חיפוש יוצר בעוד שהסגל לא סמך עליו, וסדנות מושב-אחד נשפטו כחסרות-די לאוריינות מתמשכת. חוט העיצוב שהמשתתפים חזרו אליו ביותר היה "חיכוך" — שמירת המשתמשים מעורבים בעבודה הקריטית, ולפעמים לא-נוחה, שממנה מגיעה הלמידה.

הדוח מכסה אירוע בודד ועצמית-נבחר, ורושם ברובו דעות, עקרונות עיצוב, ושאלות מחקר. המספרים שלו שייכים להרצאות בודדות ולא לסדנה, ודבר בו לא מראה שחיפוש אקדמי AI משפר או פוגע בלמידה.

אוטומציה של סינון וסקירות שיטתיות

סקירות שיטתיות הן המקום שבו האוטומציה התקדמה רחוק ביותר, ושבהן המגבלות שלה נגלות. Wang et al. (2026) מהרהרים על סקירה של צוות בין-תחומי אחד ומדווחים שהאוטומציה הפחיתה את הנטל הפרוצדורלי בעיקר בסינון תקצירים — כלים כמו ASReview, SWIFT-Review, Covidence, AIScreenR, ו-MetaMate — בעוד שחילוץ נתונים, פיוס וסינתזה נשארו עם מבקרים אנושיים. חונכות ודיון עמיתים פעלו כתשתית מתודולוגית, לא כנחמדות.

המסקנה שלהם היא חלוקת עבודה ולא מסירה: להקצות אוטומציה לנטל פרוצדורלי, לאמת כל פלט, ולשמור החלטות פרשניות אנושיות. החשבון הוא רפלקציה של צוות אחד ללא תנאי השוואה, ולכן האסטרטגיות שלו מתוארות ולא נבדקות.

Zabaleta and Lin (2026) מכמתים את בעיית הדיווח על פני 888 מאמרי אוטומציית-סקירה הנושאים 14,726 פריטי הערה. מאז 2023, 38.0% ממאמרי תוכנה ומוצר לא דיווחו על הערכה כלל, לעומת 9.3% ממאמרי LLM. הפער שורד שיכון: בסינון ובחירה, מאמרי תוכנה הגיעו בממוצע ל-3.2 פריטי הערכה מהותיים עם 39.3% שלא דיווחו על אף אחד, בעוד שמאמרי LLM הגיעו בממוצע ל-7.3 פריטים עם 3.8% לא-הערכה.

הערכה חיובית לא רמזה התאמה להאצלה. מבין 118 מאמרי LLM עם הערכות חיוביות בלבד, 52% עדיין דיווחו על לפחות דאגה אחת שזרימת העבודה ירדה מתחת לסף הנדרש לתפקידה. גישה למודל הייתה ברובה קניינית: 84.1% משימוש ב-LLM הסתמכה על מערכות קנייניות או מאוחסנות, 11.0% היה מעורב, ורק 4.9% היה משקל-פתוח.

מהתבניות האלה המחברים מנגזים את PRISMA-LLM, מסגרת תלת-שכבתית שחמשת רמות היישום שלה הן דרגות חשיפה ולא דרגות סיכון. היא הצעה המוצעת לבדיקה, לא הרחבה רשמית שאושרה על ידי הנהלת PRISMA. שתיקה ברמת המאמר, הם מזהירים, אינה הוכחה שהאימות חסר — הוא אולי חי בדוח מוצר, בפרוטוקול, או במאגר.

קידוד וניתוח איכותניים

ניתוח איכותני הוא השלב שבו הפרשנות היא המוצר, מה שהופך את ההאצלה לקשה יותר להצדקה. עמוד מחקר איכותני אוסף את עדות הקורפוס על קידוד בסיוע AI, כולל מחקרים שמראים שהסכם אנוש-מודל אינו זהה לאיכות הקידוד וששגיאות יכולות להתגלגל דרך ניתוח טמפורלי. הספרות הזו מתייחסת למודל כעוזר קנה-מידה שהפלטים שלו דורשים אימות נגד שיפוט אנושי.

Martin et al. (2026) מתארים את שינוי התפקיד ישירות. ככל שמודלי קידוד אוטומטיים מיושמים, החוקר עובר מקידוד נתוני תלמידים לאימות פלטי המודל; כשמודלים לא-מפוקחים מקובצים חשיבה, האלגוריתם מבצע את הניתוח החקרני הראשוני. חוקרים, הם טוענים, זקוקים ביתר עוז לכישורי מדע-נתונים לצד מומחיות איכותנית, כמותית ותיאורטית.

המסגרת שלהם מספקת גם את הבדיקה שחשובה כאן: AI מסביר יכול לחשוף אם קידוד אוטומטי עוקף אחר הבנה סמנטית או אחר מילות מפתח בלבד. צינור קידוד שמסכים עם תוויות אנושיות אולי עדיין קורא את הדבר הלא-נכון.

ניתוח נתונים והמהלכים האפיסטמיים

Martin, Rost, Koenen and Graulich (2026) לוחצים על ייצור הידע של התחום עצמו, והמאמר שלהם הוא עמוד-השדרה של עמוד זה. מעוגנים בחשבונו של Hasok Chang (2004) על איטרציה אפיסטמית — שלבים עוקבים של ידע שנבנים אחד על השני לעבר מטרות אפיסטמיות — הם מציירים מקבילה לפיתוח בן כ-150 שנה של המדחום וטוענים שהתחום אולי נמצא כעת בתוך איטרציה דומה.

הדאגה המרכזית שלהם אפיסטמית ולא טכנית. בעיית המדידה-הנומית של Chang קובעת שמדידת כמות דורשת חוק המקשר אותה למשהו נצפה, ועדיין חוק זה אינו ניתן לבדיקה אמפירית ללא ידיעת הכמות מראש. פונקציות מדידה שנגזרו מ-AI, שמתעוררות מנתוני אימון ואופטימיזציה ולא מהחוקר, אולי מחריפות ולא פותרות זאת, משום שהן יכולות להיראות מדויקות וניביות תוך שהן נשארות אטומות.

למסגרת שבעה שלבים: מסגור בעיה; כלים ומדידה; ניסוי והסקה מבוססת-עדות; השוואות ושכפול; בניית נורמות וקונצנזוס; יישום והשלכותיו; ועידון מתמשך. המחברים מציגים אותם כממדים אנליטיים שעשויים לחזור, לחפוף, או להיות נעדרים, לא כרצף מאומת.

השוואה היא השלב עם הקצה השוויוני החד ביותר. עקרון Regnault דורש שמכשיר ייתן את הקריאה הזו בתנאים אלה ושמכשירים מסוג יסכימו — אך ההשוואה חייבת להתרחב על פני אוכלוסיות תלמידים, ולמידת מכונה נוטה לקודד רעיונות קנוניים טוב יותר מהדרכים המגוונות שבהן תלמידים מביעים את החלשים.

הם גם מגדירים בעיית אחריות. חוקרים משתמשים במודלים מאומנים מראש שנתוני האימון, ההכוונון העדין והמטרות שלהם עשויים להיות לא ידועים להם, ומוסיפים שכבה של תלות אפיסטמית; כי המערכות האלה מתעוררות מרשתות סוציו-טכניות, האחריות הופכת לקשה להקצהה — "בעיית ידיים-רבות."

הכנות הנחוצה היא שהמאמר מדווח על אין נתונים ומבסס אין אפקטי למידה. הוא לא מראה שמתודולוגיות AI משפרות מחקר או מייצרות מסקנות תקפות יותר; ההשוואה הזו מוצגת כעבודה עתידית, והמחברים מכירים שההשערה שלהם "עשויה מאוד להוכיח כלא-נכונה."

כתיבת מחקר, ציטוט, ויושרה

כתיבה היא המקום שבו סיוע AI גלוי ביותר ושבהן הכשלונות שלו בעלי ההשלכה הגדולה ביותר, כי אזכור הוא טענה של אחריות. Denny et al. (2026) ביקרו את כל ספריית ACM הדיגיטלית — 723,930 פרסומים ו-15,872,533 אזכורים — ועיקבו 113,588 אזכורים מ-5,225 מאמרי חינוך-מחשוב שפורסמו מ-2021 ואילך.

הם אימתו ידנית 828 רשומות חשודות ומצאו 30 אזכורים הכוללים מידע ביבליוגרפי מפורש בבדיקות ב-14 מאמרים, כולם מ-2025 ו-2026. ב-SIGCSE Technical Symposium המניין עלה מ-3 בהליכי 2025 ל-17 ב-2026, ומופיע ב-2.3% ממאמרי הליכי 2026. שבעה-עשר מתוך 30 היו היברידים המשלבים כותרת אמיתית עם מחברים מפורשים או שגויים.

המניין שלהם הוא גבול תחתון מכוון, והם מציגים את הבעיה כמשותפת ולא כפתורה על ידי תוכנה. מחברים צריכים לאמת כל עבודה מצוטטת, במיוחד כששימשה בינה מלאכותית יוצרת בכתיבה; מבקרים אינם מסוגלים לבקר כל אזכור, ולכן אתרים מאמצים בדיקות ממוקדות; מוציאים לאור צריכים לשפר מטא-נתונים. גילוי אוטומטי יורש את הפגמים של המטא-נתונים שהוא מתייחס אליהם כאמת-קרקע.

אפקטי הקנה-מידה של כתיבת AI מופיעים במחקר ביבליומטרי שני. Wang et al. (2026) ניתחו 147,074 פרסומים מעיתונות PLoS ו-Nature מאז 2020 ושייכו כתיבה בסיוע AI עם צוותים קטנים יותר ונטולי-ג'וניור. במעבר הקיצוני מאפס לסיוע AI מלא, גודל הצוות היה 22.1% קטן יותר ב-PLoS ו-45.5% קטן יותר ב-Nature (Poisson β = −0.250 ו-−0.607, שניהם p < 0.01).

ההשפעה לא סבלה באופן מובהק. כ-7.34% ממאמרי PLoS בסיוע AI ו-7.40% ממאמרי Nature הגיעו ל-5% העליון של FWCI, מעל שתי קבוצות ההשוואה בכתיבה אנושית, והשוואות מותאמות הראו 3.0% ו-2.7% הסתברות גבוהה יותר של FWCI-עליון-5% (שניהם p < 0.01). הנתונים הם תצפיתיים, ולכן המחברים מוותרים על טענות סיבתיות חזקות.

סוכנים מתמשכים בסביבת המחקר

מעבר להנחיות בודדות, סוכנים מתמשכים מוטבעים במרחב העבודה של המחקר עצמו. Alzahrani (2026) מדווח על מקרה-בוחן בן 115 יום של חוקר בודד עם סוכן בעל זיכרון מתמשך, קבצים מקומיים, כלים חיצוניים, שגרות מתוזמנות ותפקידים מואצלים, הפועל במרחב העבודה של מדען-רופא אחד.

התוצאות המתארות גדולות. טלמטריית הסוכן הראשי הניתנת לשחזור החזיקה 75,671 רשומות ייחודיות על פני 96 ימים פעילים, שברול ימים פעילים של 0.835; מרחב העבודה החזיק 502 קבצים הקשורים-זיכרון, 17 ספריות סוכן מוגדרות, ו-57 קבצי מיומנות. תת-קבוצה קפדנית בת 25 ימים ממאי החזיקה 627 אירועי השלמת-מודל ו-73,950,305 טוקנים מוקלטים, מהם 82.9% היו קריאות מטמון, עם כ-US$1,961 בהוצאות מערכת שנצפו.

התרומה העיקרית של המחקר היא מסגרת מדידה — PARE-M — שנבנתה כי התוצאים שהסוכן המתמשך אמור לתמוך בהן, כמו ממשל ועלות לכלי-יצירה, אינן נראות למכוני פרק-זמן. הממצא השלילי המרכזי שלו הוא שנפח האינטראקציה הכולל לא הדגים קלט אנושי מופחת: ככל שהזיכרון והנהלים הצטברו, היקף העבודה המואצלת התרחב, ולכן התבנית החזקה ביותר היא הרחבת קיבולת ולא תחלובת עבודה מוכחת.

המגבלות הן אלה שמקרה-בוחן עצמי-בודד מזמין. חוקר אחד היה משתמש, מעצב, מקור נתונים, אנליסט ומוטב, ללא קבוצת ביקורת, ללא תקופת בסיס, וללא מקודד עצמאי לאירועי הממשל.

לומדים מדומים ככלי מחקר והערכה

סימולציית סטודנטים הוא עמוד מאגר הידע על הטכניקה והתופנה: כיצד לבנות לומד סינתטי שמצב הידע והשגיאות שלו נאמנים דיו כדי לעמוד במקום אדם. עמוד זה מתייחס לאותו מנגנון ככלי של מחקר והערכה — למה לומד סינתטי שימש כשהתערבות, כלי, מכון או מורה חייבים להיבדל בקנה-מידה או בתנאים שלומדים אמיתיים אינם מסוגלים לספק.

השימוש הבהיר ביותר הוא הערכת מורה לאורך זמן. Lee et al. (2026) ממקמים סוכן-מורה ביחסים בני 30 יום עם לומד מדומה שהשליטה שלו, ממודל איתור-ידע המאומן על נתוני תלמידים אמיתיים, מניעה את התשובות שלו. בהערכת 10 מתאמי-סוכן, כל מתאם התייצב תוך 5–10 ימים רחוק מתחת למזהה למידה-אידיאלי, תוצאה שהערכת מושב-אחד אינה מסוגלת להשיג. בדיקת כיול מול דיוק-תצפית שנצפה מחבקת את האלכסון (ECE 0.049, Brier 0.033 על פני 1.19 מיליון ניסיונות).

נאמנות היא התנאי הקודם, והיא מדידה. Wang et al. (2026) מדווחים על סטייה התנהגותית מעדות תלמידים אמיתיים של DKL = 0.31 לעומת 0.53 לבסיס הטוב ביותר, ובמבחן טיורינג בן 71 ממדדים העדות שלהם היו בלתי מובחנות סטטיסטית מנתוני תלמידים אמיתיים (52.8% דיוק, d′ = 0.15). הכשל שיש להימנע ממנו הוא הטיית מיומנות: מודלים מונחיים פותרים את המשימה טוב מדי כדי לעמוד במקום מתחילים.

מצב האמונה הוא החלק הקל לזייף. Do, Sonkar and Sachan (2026) הראו שעל פני שבעה מודלים מ-4B עד 120B פרמטרים, סימולטורים נטשו תפישה מוקצית ופתרו מחדש מידע פנימי בקצבים כמעט אחידים תחת משוב ממוקד, לא-מיושר וגנרי. הם מכמתים זאת בציון הפיכה-סלקטיבי ומרימים נאמנות עד +0.56 דרך אימון, וזוהי הנקודה: הנחיית פרסונה אינה בונה לומד.

לומדים מדומים משמשים גם כמגרש-בדיקה מבוקר לכלי הערכה עצמם. Fan et al. (2026) שידדו כל אחד משלוש בסיסי-מורה עם לומד מדומה חלש קבוע תחת פרוטוקול רשום-מראש ומצאו שמבריני תועלתנות כלל-מטרה נושאים מעט א Signal פדגוגי, כאשר שבע מדיניות משתרעות על 2.3 נקודות של פדגוגיה משופטת בתוך פס של 0.25 נקודות של תועלתנות משופטת. פניות שחושפות תשובה נמשכו בעבודה עצמאית פחותה יותר של התלמיד בכל בסיס.

האזהרה שייכת על העמוד. פסק-דין של סימולטור טוב רק ככל שהסימולטור, והכיסוי שלו נוטה אל הלומדים הקלים ביותר.

מחקר מטפל: לימודי הוראה ולמידה וחקירת כיתה

זהו הקו שהקורפוס מתעד פחות. לימודי הוראה ולמידה ומחקר כיתתי הם חקירות מטפל — מורה החוקר את הקורס שלו, לעתים קרובות בקנה-מידה קטן, לעתים קרובות כמחקר-עצמי — והעמודים שנאספו כאן אינם מספקים חשבון מחקר על שימוש AI במצב הזה.

העדות הקרובה ביותר היא סמוכה ולא על-הנקודה. סטודנטי התארים המתקדמים בDai and Chan (2026) למדו להיות חוקרים, לא לחקור את ההוראה שלהם. הצוות בWang et al. (2026) ביצע סקירה בין-תחומית רשמית, לא פרויקט מקומי. המחקרים הביבליומטריים מתארים תחומי דעת ומוציאים לאור, לא כיתות.

ההכרזה הכנה היא אפוא פער ולא ממצא. חקירת מטפל בסיוע AI מתפשטת ככל הנראה וכמעט לא מתועדת בקורפוס הזה; עמוד שהיה מציג את עדות אוטומציית-הסקירה והביבליומטריה כאילו היא יושבות כיצד מרצה צריך להשתמש ב-AI לחקור את ההוראה שלו היה חורג.

מה שאפשר לשאת פניה היא נטייה ולא תוצאה: לקרוא את תפקיד ה-AI בשיטות, לשמור החלטות פרשניות אנושיות, ולדווח על מה שאומת ומה שלא.

מה שהעדות אינה קובעת עדיין

  • אין השוואה ראש-בראש. Martin et al. מציגים את ההשוואה בין שיטות בסיוע AI ושיטות מסורתיות כעבודה עתידית. אין מאמר-עוגן שמראה שמתודולוגיה AI מייצרת מסקנות תקפות יותר.
  • מבנים דלים לאורך כל הדרך. העגנים הם הצעת מסגרת, חשבון רפלקסיבי של צוות אחד, דוח סדנה, מחקר קבוצות-מיקוד, וביבליומטריה תצפיתית. אף אחד אינו ניסוי מבוקר של שיטה בסיוע AI.
  • פער דיווח, לא ביקורת של נוהר. PRISMA-LLM קורא שתיקה ברמת המאמר; זרימת עבודה ללא הערכה במאמרה אולי מאומתת במקום אחר.
  • מחקר מטפל מיוצג לא-די. רק מעט עמודים כאן מזכירים SoTL או מחקר כיתתי, ולכן הקורפוס אינו מסוגל לבסס טענות על מורים החוקרים את הנוהג שלהם.
  • מטרה נעה. הכלים משתפרים יותר מהר מהפרסום, ולכן ממצא על זרימת עבודה מ-2025 מתאר דור של מערכות שאולי אינן קיימות עוד בצורה זו.

מושגים קשורים

מאמרים קשורים

ציטוט

Martin, P. P., Rost, M., Koenen, J., & Graulich, N. (2026). Amid an Epistemic Iteration: How AI Methodologies May Transform the Nature of Science Education Research. Science & Education.

Wang, X., Dadashipour, F., Basori, Maeda, Y., & Richardson, J. C. (2026). Scaffolding systematic reviews in learning design and technology through mentoring and AI integration. Educational Technology Research and Development.

Dai, W., & Chan, C. K. Y. (2026). Shaping responsible GenAI use in research through AI literacy-oriented guidelines: Insights from postgraduate students. International Journal of Educational Technology in Higher Education, 23, 33.

Denny, P., Barbre, G., Blake, M., Hua, Y. C., Leinonen, J., Luxton-Reilly, A., Prather, J., & Reeves, B. N. (2026). Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature. arXiv preprint.

Zabaleta, M., & Lin, B. (2026). PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews. arXiv preprint.

Liu, Y., Arguello, J., Hoeber, O., et al. (2026). Report on CHIIR 2026 Workshop on Generative AI and Academic Search (GAI&AS). ACM SIGIR Forum.

Alzahrani, A. H. (2026). Persistent AI Agents in Academic Research: A Single-Investigator Implementation Case Study. arXiv preprint.

Wang, H., Zhang, M., Bu, Y., Zhao, S. X., & Liu, M. (2026). Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams. arXiv preprint.

Lee, U., Lee, S., Jeong, Y., Lee, E., Shin, M., & Kwon, H. (2026). EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners. arXiv preprint.

Wang, H. D., Cohn, C., Xu, Z., Guo, S., Biswas, G., & Ma, M. (2026). BEAGLE: Behavior-Enforced Agent for Grounded Learner Emulation. arXiv preprint.

Do, H., Sonkar, S., & Sachan, M. (2026). Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators. arXiv preprint.

Fan, S., Deng, B., Xu, M., Liu, J., & Zhang, H. (2026). Rethinking LLM-Judged Helpfulness as a Pedagogy Signal: A Pre-Registered Audit Across Tutor Models. arXiv preprint.

שאלות נפוצות קשורות

מטא-דאטה

רמהHigher Ed
קהל יעדResearchers, Instructors, Faculty Developers
טכנולוגות ושיטותבינה מלאכותית יוצרת, מודלי שפה גדולים (LLM), בינה מלאכותית עם אדם בלולאה, סימולציית סטודנטים, סימולציה
הערכה ומדידהמדידה חינוכית, רווחי למידה
שיטות מחקר והערכהשיטות מחקר ב-AIED, מטא-אנליזה וסקירה שיטתית, מחקר איכותני, מחקר כמותי, הערכת מערכות בינה מלאכותית בחינוך, בנצ'מרק, מחקר מעורבות
שוויון, אתיקה ושימוש אחראיהצהרות שימוש וגילוי בבינה מלאכותית, סיכון להזיה, אמון
יסודות הבינה המלאכותית בחינוךאוריינות AI, שיתוף פעולה בין אדם לבינה מלאכותית, יושרה אקדמית
סוג העמודSynthesis
SourceHistoryEditChat

הטמעת העמוד הזה

העתיקו את הקוד שלמטה כדי להטמיע את העמוד הזה במערכת ניהול למידה או באתר אחר. הגרסה המוטמעת מציגה רק את תוכן העמוד — היא מסתירה את כותרת האתר, את הניווט ואת כותרת התחתונה.