אוריינות AI

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

אוריינות AI — הידע, המיומנויות וההנכיונות הקריטיות הנדרשים כדי להבין, להעריך ולהשתמש ביעילות ב‑AI טכנולוגיות בהקשרים חינוכיים. אוריינות AI משתרעת על פני הבנה יסודית של אופן פעולתו של AI, מיומנות מעשית בשימוש בכלי AI, הערכה קריטית של AI של תוצרים, ומודעות אתית למשמעויותיו החברתיות של AI.

שאלות לשיקול דעת

• מה המשמעות של 'אוריינות AI'? האם הכוונה היא לדעת כיצד להשתמש בכלים, להבין כיצד הם עובדים, או להיות מסוגל להעריך את תוצרם באופן ביקורתי — ומה החשוב ביותר עבור המטרות שלכם?
• אוריינות AI המדווחת עצמית נוטה בחדות מהביצועים הנמדדים — מורים מעריכים את המיומנויות שלהם ביתר מכפי שהן במידה של כ‑40%. כמה בטוחים אתם במיומנויות ה‑AI שלכם, ובאילו ראיות הייתם סומכים כדי לבחון את הביטחון הזה בפועל?
• אוריינות AI מתוארת כפרקטיקה חברתית מטאקוגניטיבית, לא כרשימת בקרה של מיומנויות. כיוון ש‑LLM הסתברותיים ואטומים, מה המשמעות של 'הערכה ביקורתית' של תוצרים כאשר אי אפשר לראות לתוך המודל?
• קיים מתח בין אוריינות לשימוש ביקורתי בהקשרים אקדמיים לבין אוריינות לשילוב בזרימת עבודה לצורכי תעסוקה — מחנכים ומעסיקים מעריכים מיומנויות שונות. איזה סוג של אוריינות AI מלמדת ההקשר שלכם בפועל?
• הדרכת אורייות AI טכנית בלבד, ללא תמיכה בתחושת היעילות העצמית ובוויסות עצמי, עלולה למעשה להגביר את התלות ב‑AI. כיצד לימוד השימוש ב‑AI יכול לגרום לכם להיות תלויים בו יותר במקום להיות מסוגלים יותר?
• אוריינות AI היא גם מיומנות זיהוי: לזהות מתי AI מסכים איתכם כי הוא מחניף ולא משום שאתם צודקים. האם אי פעם תפסתם AI שפשוט אמר לכם מה שרציתם לשמוע?

מבוא

אוריינות AI צצה במהירות כמיומנות ליבה עבור לומדים, מחנכים ומוסדות, ככל ש‑בינה מלאכותית יוצרת משתלב בחינוך. בשונה מאוריינות דיגיטלית כללית, אורייות AI דורשת הבנה של מערכות הסתברותיות שיכולות להזות, להפגין הטיה, ולהעביר סוכנות הלומד מאדם למכונה — מה שהופך את חשיבה ביקורתית ואת הסתמכות יתר למרכזיים בבניית המושג.

ממדי אוריינות AI

המחקר על אורייות AI במאגר הידע הזה משתרע על ארבעה ממדים מקושרים זה בזה:

מסגרות מאפשרות ביתר ויתר לעקוב אחר האופן שבו ממדים אלה יוצאים אל הפועל בפועל: Dai & Chan (2026) מראים כיצד חוקרים מתקדמים מפעילים את ארבעת הממדים בעת שימוש ב‑בינה מלאכותית יוצרת לאורך זרימת המחקר, ובונים מהם הנחיות לשימוש אחראי המותאמות למחקר, בעוד Şan & Orhan Karsak (2026) משתמשים במיפויי שיוק מילים כדי להראות שההכרה של סטודנטים טורקיים כלפי AI נשלטת באופן אינסטרומנטלי על ידי מושג ה‑"black-box", כאשר קונספטים של ממשל אתי מבודדים מבחינה מבנית (τ=−0.819) — ראיה לכך שעיצוב ההכשרות המוכרות (credentials) חייב לגשר בכוונה בין שימוש ניסיוני בכלים לבין מסגרות אתיות.

הדרישה תלויה במה שהלומד והמערכת עושים יחדיו. מסגרות אורייות מתארות בדרך כלל סט כללי יחיד של מיומנויות, אך מה שנדרש בפועל מפעילות נתמכת GenAI משתנה בהתאם לאופן שבו העבודה האפיסטמית מתחלקת בתוכה. Sun, Dohn and Rehm (2026) סיווגו 102 מחקרים אמפיריים בהשכלה גבוהה מול טקסונומיית היישומים של GenAI של Strobel et al., ומצאו שצורות הקשר (entanglement) מסוג Assistant ו‑Enabler שולטות ב‑42.16% מהמאגר לכל אחת, בעוד Generator, Reimaginator ו‑Synthesizer יחדיו היסתכמו בפחות מחומש — נטייה שהם מייחסים לגיטימציה מוסדית ולא ליכולת המודל, שכן אותם המודלים תומכים בחמש הצורות כולן. קריאת כל צורה דרך שלושת רמות ההקשר של Dohn (פנים-תחום, פנים-פעילות, מסגרת-פעילות) מראה שהדרישות מתכנסות עבור עבודת Assistant ומתפצלות עבור הצורות השוליות, שבהן מה שהפעילות דורשת מהתלמידים סוטה ממה שהמוסד מכיר כמיומנות לגיטימית. המסקנה שלהם מרחיקה את האוריינות מן השליטה בכלים לחלוטין: אורייות GenAI היא היכולת לזהות כיצד עבודה אפיסטמית ואחריות מתחלקות במסגרת הקשר נתונה, ולפעול בהתאם בתוכה.

ידע יסוד: הבנת מהו LLM, כיצד הוא שונה ממערכות מבוססות-כללים, ומהן מגבלותיו הבסיסיות. זה כולל מודעות ליכולות המודל, להטיות נתוני האימון, ולהבחנה בין AI המיועד למשימה ספציפית לבין מודלים כלל-מטרה. מחקר בתחום הנדסת הנחיות בוחן כיצד הבנת מנגנוני ההנחיה משפיעה על שימוש יעיל ב‑AI.

מיומנות מעשית: היכולת להשתמש בכלי AI ביעילות — מ‑הנדסת הנחיות ועד לפרשנות תוצרים. מחקרים של דפוסי השימוש של סטודנטים ב‑GenAI מגלים שגישה לכלים בלבד אינה מייצרת מיומנות; תרגול מובנה ו‑פיגום חיוניים. מסגרת ה‑vibe coding מראה כיצד מורים ב‑K-12 יכולים לפתח אורייות AI מעשית באמצעות יצירת כלים מונחית. Miles, Haber-Curran ו‑Arar (2026) טוענים שלממד זה יש חלק שהדרכת האופטימיזציה מפספסת: אורייות ההנחיה (prompt literacy), כשונה מהנדסת ההנחיה, מתייחסת להנחיה כמעשה רטורי ואתי, ולכן הדרכה שמכוונת רק את התוצרים להעלאת הביצועים משאירה את הממדים האתיים והאפיסטמולוגיים של שימוש ב‑LLM ללא מענה.

הערכה ביקורתית: ההיכילות להעריך את תוצרי AI מבחינת דיוק, הטיה והתאמה. מחקר על הערכת אורייות מראה פער של 40% בין אורייות AI מדווחת עצמית לבין מבוססת-ביצועים — אנשים מעריכים ביתר את מיומנויות הההערכה שלהם באופן עקבי. סטייה זו היא המקרה הברור ביותר במאגר הידע שבו מדד דיווח עצמי אינו מצליח לשקף את המיומנות שהוא מכנה. הדבר מתחבר למחקר על הסתמכות יתר שמראה שתלמידים שמסמכים אמון על AI ללא ביקורת לומדים פחות. עבודה קונספטואלית אחרונה דוחפת את ההערכה קדימה אל אימות: מסגרת PEARLS (Wang) מתייחסת לתוצר AI כטענת ידן ארעית שהנמקה שלה חייבת להיבנות ולהיבחן לאורך שישה ממדים (Process, Evidence, Access, Reproducibility, Legitimacy, Source), ומקדמת למידה מונחית אימות כמנגנון שבו לומדים בונים מומחיות בעת בחינת טענות AI. כמשלים לכך, מסגרת השימוש האחראי הממוקדת-סטודנט (Alsammani) מציעה עשר הנחיות מופנות אל הסטודנטים על פני עמודי Learning and Growth, Ethics and Integrity, ו‑Awareness and Safety, שממקמות הנחיות מטאקוגניטיביות בנקודת ההחלטה. עבור לומדים בתיכון, מסגרת AI-Assisted Research Competency (AARC) (Beau, Flaquière & Lazar 2026) מבססת זאת על אפיסטמולוגיית תכונות ועל אינטואיציית AI, ומגדירה אורייות מחקר כעריכת חקר עם AI ללא ויתור על היותך מחבר, שיפוט, אימות או אחריות — כמתורגל במפתר אנליטי ובשגרת מחויבות אמת–צטט–השתקף. בקצה הערכה, Saleh (2026) מציע מבחן יכולת אנושית שהופך את ההערכה לעקרון תכנון: לשאול מה על התלמיד להדגים בעצמו, מה ניתן לחזק באמצעות הגברה ב‑AI, ומה על התלמיד לאמת, להגן עליו ולקחת אחריות אליו.

אימות בתחומי הדעת מעלה את הבר עוד יותר. Vega-Baudrit and Rivera Alvarez (2026) טוענים שבכימיה אוניברסיטאית הדרישה המרכזית של אורייות AI היא תרגום ייצוגי בין התחומים המקרוסקופי, תת-המיקרוסקופי והסימבולי של Johnstone, כיוון שתוצר יכול להיות משכנע באופן מקומי בתחום אחד בעודו סותר איזון מטענים, מנגנון או גבול בטיחות בתחום אחר. התרופה שהם מציעים היא שילוב המרכז סביב אימות: הפיכת האימות לפעילות מוערכת, שמירת יומני הנחיות והיסטוריית תיקונים כעקבות חשיבה, ויחס להנחיה כמעשה אפיסטמולוגי המציין אילוצים, הנחות וקריטריוני היתכנות, כאשר סטודנטים מזהים הנחה שגויה או מצדיקים דחיית תשובה מיוצרת.

מודעות אתית ומוסדית: הבנת ההשלכות הרחבות יותר של AI — מ‑יושרה אקדמית ועד שוויון ועד פרטיות. אורייות AI ברמה המוסדית כרוכה בפיתוח מדיניות, ב‑פיתוח חינוכי, וב‑מסגרות ממשל — אורייות AI מוסדית היא עניין של מדיניות לא פחות מאשר של פדגוגיה. מסגרת EPIQ-AI מציגה את אורייות AI המוסדית כאתגר של יישור סוציו-טכני, לא רק כהדרכת יחידים.

• אורייות AI כקיבולת ממשל לפיתוח בר-קיימא. Islam, Morshed and Islam (2026) מגבירים מחדש את אורייות AI כקיבולת מונחית-ממשל ולא כמיומנות חינוכית או טכנית טהורה, ומקשרים אותה לכל שבעה-עשר יעדי הפיתוח הבר-קיימא של האו"ם. טקסונומיית AIRE בעלת ששת השלבים שלהם (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) מרחיבה את היררכיית בלום על ידי הוספת סינתזה אתית וחזון אסטרטגי, וממקמת מיומנויות מתקדמות (Analyze–Govern) כשביל מאורייות יסודית לממשל ברמה מוסדית ורמת-מדיניות — היוריסטיקה של "יעד הפיתוח הבר-קיימא ה‑18" המתייחסת לאורייות כגשר קוגניטיבי ואתי חוצה-תחומים. סקר של 300 אנשי מקצוע בהקשר לאומי מצא מודעות טכנית גבוהה אך מוכנות אתית וממשלתית מוגבלת, כאשר חשיבה אתית והגיה רפלקטיבי הם החוזים החזקים ביותר של שימוש ב‑AI בר-קיימא ואמין ואורייות ממשל היא החוזה החזק ביותר של מודעות לקשר בין AI ליעדי הפיתוח הבר-קיימא (β = 0.64). ממצא זה בונה מבסיס אמפירי את ההדגשה של מאגר הידע על אורייות לשימוש ביקורתי, ומקשר את אורייות AI ישירות לשילוב קיימות ו‑מדיניות. מאגר המסגרות הפך בעצמו לבעיה. Fitsilis (2026) השווה 16 מסגרות כשירות AI שאושרו מוסדית לחינוך ולפיתוח כוח אדם, ומצא ליבה משותפת של עשרה תחומי כשירות אך שונות רחבה במבנה, בהתקדמות ובהנחיות היישום — הקושי המעשי הוא לבחור ביניהן, לא מחסור.

כיצד אורייות AI מתפתחת

מחקר מצביע על גישות שיתופיות ו‑פעילות כיעילות ביותר. Rismanchian & Doroudi ממקמים את אורייות AI כמשהו רחב ממיומנות יישומית: במסגרת AI×Ed שלהם הלומד הוא משתמש-קצה נפרד של AI (אליו ניגשים דרך אורייות AI וחינוך AI), והם טוענים לטובת עבודת אורייות AI מחודשת המעודדת הגיה על הלמידה עצמה — התייחסות לאורייות כדרך חזרה אל מחקר "AI כאנלוגיה לאינטליגנציה אנושית" על אופן שבו אנשים לומדים, זרם שהתחום נטש ברובו. מסגרת ICAP (Interactive → Constructive → Active → Passive) מספק טקסונומיה שימושית של מעורבות קוגניטיבית: תלמידים לומדים אורייות AI בצורה הטובה ביותר כאשר הם בונים ידע יחד במקום לקבל מידע סביל. מעצבים צריכים לבחור את המצב שמתאים למטרת הלמידה, ולהעדיף את המצבים העמוקים יותר (constructive ו‑interactive) כאשר ניתן. פעילויות מעשיות — עיצוב הנחיות, הערכת תוצרים בקבוצות, דיון באתיקה — עולות על הרצאות.

קומפוזיציה מתחילה מניסיון חיה — אך עומק המושג דורש פיגום. Burriss et al. (2026) מצאו שבני נוער עיגנו עקרונות אתיקה מופשטים של AI במערכות שהם פוגשים מדי יום — "כרטיסי מעבר אלקטרוניים", מחשבים ניידים מנוהלים בית הספר, גלאי פלגיאט — עם קבוצה אחת שהסבירה שה‑AI בבתי הספר "היה אישי לכל חברי הקבוצה", ו‑15 מתוך 18 תשובות סוף-היחידה דיווחו שעשיית הסרטון שינתה את ההבנה שלהם את האתיקה של AI. המחברים מפורשים לגבי הגבול: ההרכבה לא הבטיחה מעצמה עיגון קונספטואלי — "הסכמה מדעת" תורגמה כ‑"אנחנו צריכים לאשר", וחלק מהמונחים (כמו "failsafe") לא הוסברו מעולם, מה שהוביל אותם לתכנן עבודה קונספטואלית עמוקה יותר במחזורים מאוחרים יותר. הפקה יצירתית מפתחת אורייות AI בצורה הטובה ביותר כאשר פיגום קונספטואלי מפורש מלווה את היצירה ולא מניח שהוא צומח ממנה.

אינטואיציית AI כמשלים חווייתי לאורייות. פער חוזר הוא שמסגרות K-12 מניחות שלומדים ניגשים ל‑AI דרך ידע הצהרתי מבוסס-כללים, בעוד בפועל הם מפתחים תחילה "תחושה" מעשית לאופן שבו AI מגיב — מתנסים בהנחיות, מתבוננים בהתנהגות, מסתגלים אסטרטגיות — לפני שהם מסוגלים לנסח עקרונות פורמליים. Beau & Lazar (2026) מגבירים זאת כ‑AI intuition: הבנה חווייתית, אינדוקטיבית, לרוב משתמעת, המתפתחת באמצעות אינטראקציה איטרטיבית עם מערכות AI ותומכת בשיפוט רגיש-הקשר תחת אי-ודאות. המסגרת הדואלית שלהם ממקמת את אורייות AI (מיומנויות מובנות, נייחות ברובן) לצד אינטואיציית AI (תהליך למידה דינמי), וממפה את שתיהן על פני הממדים הסטנדרטיים — הבנת קונספטים, שימוש בכלים, הערכה ביקורתית, יישום אתי, הגיה — כדי שלומדים ישלבו בהירות קונספטואלית ו‑מעקות בטיחות (אורייות) עם החוכמה המעשית לסמוך-אבל-לאמת ולהחליט מתי לנתק (intuition). כיוון שהאינטואיציה מטפחת "תצפית מומחית" של AI (כגון בדיקת הנחיות בקפדנות כדי למצוא היכן מודל נכשל), המחברים טוענים שהיא מהווה מגן מפני הסתמכות יתר ושחיקת החשיבה הביקורתית; היא נבדלת מ‑הנדסת הנחיות (המטרה אופטימיזציה של תוצרים) בכך שהיא שמה במרכז שיפוט אפיסטמולוגי. הדבר מקשר את האורייות ל‑למידה חווייתית, קונסטרוקטיביזם, ולפרקטיקת כיתה מבוססת-התפתחותית, ומכוון את הכשרת המורים לקידום חקר אינדוקטיבי ולא רק למסירת קונספטים.

מוטיבציה היא תנאי מוקדם, לא רק תוצאה. Liang et al. (2026) מצאו, בקרב 2,086 תלמידים בתיכון בתוכנית AI שנמשכה שנה, שתלמידים שעברו אל פרופיל נקבע-עצמית (Self-Determined) מוטיבציוני (שביעות צרכים גבוהה באוטונומיה, בכשירות ובשייכות) או שנותרו בו, הראו את עליית אורייות AI הגדולה ביותר. אורייות AI מתפתחת באמצעות מעורבות מתמשכת, ומעורבות זו עצמה מעוצבת על ידי מוטיבציה ותמיכה בצרכים הפסיכולוגיים — ולכן הוראת אורייות AI יעילה צריכה לשים לב למוטיבציית הלומדים, לא רק למיומנויותיהם.

דגש הוראה ופתיחות המשימה מגיעים לביצועים דרך צרכים שונים. Yu, Lin and Chen (2026) חילקו 320 סטודנטים לתואר ראשון באקראי לארבע קבוצות בניסוי 2×2 על משימת יצירת תמונות AIGC שנדרגה במפתר אובייקטיבי (ICC = 0.89), ומצאו שהדרכה מבוססת-חשיבה, שכיסתה מגבלות המודל, הערכה ביקורתית ואתיקה, גבררה על הדרכת הנחיה מבוססת-מיומנויות (M = 9.21 לעומת 7.69, F(1, 316) = 50.79, p < 0.001, partial eta squared = 0.138), עם הפער הרחב יותר במשימות פתוחות (10.10 לעומת 8.00). המודל המבני מראה ששתי בחורות העיצוב פועלות בדרכים שונות: ההדרכה פעלה בעקיפות דרך אוטונומיה (beta = 0.035) וכשירות (beta = 0.079), בעוד פתיחות המשימה פעלה בעיקר דרך אוטונומיה (beta = 0.029), הכשירות הייתה החוזה החזק ביותר של הביצועים (beta = 0.358), ולשייכות לא הייתה השפעה עצמאית. לכן תוכן ההדרכה חשוב יותר מאשר אם הלומדים מקבלים תרגול בהנחיה, והוא חשוב ביותר כאשר המשימה פתוחה.

המשתנים הסובבים את אורייות AI נמפו מאז באופן רחב יותר. סקירה שיטתית מ‑2025 של המתואמים של אורייות AI סינתזה 31 מחקרים מ‑14 מדינות (N = 12,071), ומצאה את הקשרים העוקבים ביותר בטווח האפקטיבי-ההתנהגותי: יעילות עצמית ב‑AI, גישות חיוביות ל‑AI, מוטיבציה וכשירות דיגיטלית נדדו יחד עם אורייות AI, בעוד חרדה מ‑AI וגישות שליליות נדדו נגדה. משתנים דמוגרפיים כמעט לא נרשמו, עם גיל ומעמד סוציו-כלכלי מתאמים בחולשה או לא כלל. אזהרת הסקירה עוסקת בכלים: אותם מחקרים שהניבו קשרים חזקים מהערכה עצמית הראו גם קשרים חלשים בהראה כאשר אורייות AI נבחנה ולא דורגה עצמית.

חקר משוואות מבניות של 502 סגלי הוראה באוניברסיטת מחקר סינית אחת מצא את אורייות AI כחוזה החזק ביותר של רווחה מ‑AI (β = 0.713), לעומת מסלול קטן של יעילות טכנולוגית עצמית (β = 0.082), כאשר תמיכה חברתית וארגונית הגיעה לרווחה רק בעקיפות (Liu et al. (2026)).

קשר שלילי אחד לכאורה מתהפך תחת בקרה: בקרב 303 סטודנטים לתואר ראשון בהונג קונג, חרדה טכנולוגית התאמה באופן שלילי עם אורייות AI (r = −0.14) אך חזתה β = 0.15 במודל משותף, אפקט שהתמקד בהערכה ביקורתית ובכשירות אתית (Chow et al. (2026)).

Hu (2026) מוסיף תיאור סדור של מה שאורייות AI חוזה ולא מה שחוזה אותה. בסקר של 450 סטודנטים באוניברסיטאות בסין היבשתית שכבר משתמשים ב‑ChatGPT, החקר מצא שאורייות AI התקשרו ישירות לשימוש מתמשך (beta = 0.16, p = 0.002) ובעקיפין לאורך מסלול טורי דרך אמון ויעילות עצמית אקדמית יעילות עצמית (indirect effect = 0.07, 95% CI [0.04, 0.10]), כאשר הקשר בין אורייות לביטחון היה הקשר החזק ביותר במודל (beta = 0.50). חרדת AI מנעה את הקשר הראשון (אינטראקציה beta = −0.25, עם שיפועים פשוטים יורדים מ‑0.76 ל‑0.25 על פני טווח החרדה), ולכן השרשרת דלילה עבור סטודנטים חרידים יותר, ואין להניח שהדרכת אורייות בלבד תגיע אליהם. העיצוב חוצה-חתך והמדגם מוגבל למשתמשים קיימים, ולכן הסדר הוא הנחת מודל ולא רצף שנצפה.

מטרה יישומית ליבה של אורייות AI היא צמצום שימוש לרעה בבינה מלאכותית: ללמוד את הסטודנטים להשתמש ב‑AI באופן אתי ופרודוקטיבי במקום להחליף בו את העבודה הקוגניטיבית שלהם. היכן שאורייות AI בונה את הקיבולת להעריך ולהשתמש ב‑AI באופן ביקורתי, הפחתת שימוש לרעה היא התשואה ההתנהגותית והמבנית — השילוב של עיצוב כלים עם עיצוב הערכה מחדש, וגורמי חינוך כמו רצפי חשוב-קודם/AI-שני מפוגמים ותרגול הנחיה עם משוב מכוון. שני הקונספטים מחזקים זה את זה: אורייות AI מספקת את ההנכיונות הקריטיות שהופכות התערבות להפחתת שימוש לרעה לבעלת-עמידות, בעוד ראיית הפחתת השימוש לרעה (כגון פער הביצועים–למידה) מנמקת מדוע האורייות חייבת לעבור משליטה תפעולית לשיפוט ביקורתי.

אורייות AI זקוקה גם לצורות מותאמות-התפתחותית עבור הלומדים הצעירים ביותר. AI-Play מתרגם מיומנויות אורייות AI לפעילויות מבוססות-משחק, לא-מחוברות (unplugged), עבור לומדים מגיל הגן ועד כיתה ב׳ — המאורגנות סביב AI Body (AI כמערכת הבנויה מחלקים), AI Food (AI לומד מדוגמאות), AI Brain (AI משתפר באמצעות דפוסים ומשוב), ובעדשה אתית Pre/Post-AI — ומטפלות במחסור מתמשך בהנחיה לאורייות AI מבוססת-התפתחותית עבור גיל הרך והכיתה הא׳, ובדרך הופכות את אורייות AI לנגישה עבור מחנכים ו‑משפחות בלתי-טכניים. כמשלים לכך, Vahedian Movahed & Martin (2025) מצאו שילדים בני 6–14 סמכו במידה רבה על צ׳אטבוט מותאם-גיל כמקור מידע, ורובם תיארו אותו כ"תוכנת מחשב חכמה שלומדת" (הבנת למידת מכונה נבטית), אך הראו פערים במעורבות ביקורתית ובמודעות לבטיחות דיגיטלית — ראיה שאמונם של לומדים צעירים יכול להקדים את מיומנויות הההערכה הביקורתית שלהם, מה שהופך הדרכת כיול אמון ובטיחות מפורשת לחלק הכרחי מאורייות AI עבור ילדים.

מדידה שומרת על קצב עם המפנה ההתפתחותי בקצה הצעיר. אימות משנת 2025 של Thianwan and Srikoon עבור שאלון הערכה עצמית לאורייות AI לילדים בכיתות עליונות של בית הספר היסודי פיתח כלי בן 15 פריטים לכיתות ד׳–ו׳, המאורגן סביב Learning About AI, Learning About How AI Works, ו‑Learning for Life with AI, ואישר מבנה תלת-גוררי בשתי מדגימות (n = 335 ו‑n = 579) עם אלפא של קרונבאך כולל של .934. המחברים מגדירים אותו כאבחון פרמטיבי של אורייות נתפסת ולא מודגמת, ומציינים שדיוק ההערכה העצמית של ילדים מוגבל על ידי יכולת מטאקוגניטיבית שנמצאת עדיין בהתפתחות.

למידה מבוססת-פרויקטים כמנגנון אספקה. Zhu & Kong (2026) פיתחו ואימתו מדד AI-PBLS (למידה מבוססת-פרויקטים של AI), ובמדגם של 1,027 סטודנטים בתיכון ובאוניברסיטה בהונג קונג (446 עם נתונים מלאים), השתמשו בדגם משוואות מבניות כדי להראות ש‑העצמה בשימוש ב‑AI לפתרון בעיות ו‑מודעות אתית ב‑AI מתווכות יחד את הקשר בין למידה מבוססת פרויקטים הנתפס לסיפוק מקורס אורייות AI. הדבר ממקם את PBL לא רק כפורמט אספקה אלא כמנגנון שבונה ביטחון לומד והגיון אתי לצד כשירות, ומחזק את הקשר בין PBL לפיתוח אורייות AI משמעותי. הוא מספק גם כלי מדידה מאומט עבור מדידה עתידית של חוויות קורס אורייות AI.

העלאת הממד האתי של האורייות סובלת מבעיית סימן. בקרב 584 סטודנטים לתואר ראשון שלימדו את עצמם AI, הכשירות העלתה את המודעות האתית (β = 0.644, p < .001), והמודעות האתית העלתה את חרדת ה‑AI (β = 0.439, p < .001) במקום להורידה, הפוך מהכיוון הצפוי (Mu et al. (2026)). הלקח שהמחברים מושכים הוא שהדרכת האופן שבו חששות אתיים נשלטים חייבת ללוות את הממד האתי עצמו, או שעבודת האורייות עלולה להשאיר את הלומדים חרידים יותר מאשר הייתה להם.

אורייות AI כפער ליבה במסגרות בינה מלאכותית שיחתית. סקירת המטרייה של סוכני AI שיחתיים (Ganguly et al. 2025, 34 סקירות) מזהה תמיכת אורייות AI מוגבלת כפער מרכזי במסגרות CAI, ומפת הדרכים שלה לשימוש אתי הופכת הערכה יסודית (כולל חיזוק אורייות AI) לעמוד הראשון לצד עיצוב משתתף, הנחיות שימוש אתי, והערכה מתמשכת של ההשפעה הקוגניטיבית. היא מוסיפה ומוצאת שאורייות AI, הדרכה ומודעות מדורגות בין הכיוונים האתיים המדגשים ביותר בספרות CAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

יעילות התערבות אורייות AI. מטא-אנליזה תלת-רמתית של 59 מחקרים (172 גדלי אפקט, 7,211 משתתפים) מעריכה אפקט כולל גדול של התערבות אורייות AI (g = 0.837, p < .001) — אך עם טווח חיזוי רחב [−0.292, 1.966], ולכן היעילות משתנה במידה רבה בין הקשרים. התערבויות במזרח אסיה ובאירופה גבררו על אלו בצפון אמריקה, והתערבויות ממוקדות-ידע גבררו על אלו המכוונות למיומנויות, גישות או אתיקה. המחברים טוענים שעל כן חינוך אורייות AI צריך להתקדם מעבר לידע אל מיומנויות, פרקטיקות, אתיקה וגישות, בתמיכת פדגוגיות משולבות ומשתקפות (מבוססות-פרויקטים ובעיות, מבוססות-חקירה, חווייתיות) וכלים נתמכי GenAI — מעבר שמתאים לצורות המשתתפות, המיוצרות-שימוש, של חשיבה חישובית המתוארות במקומות אחרים במאגר הידע הזה.

סינתזה שנייה מגיעה לגודל דומה על בסיס צר יותר ומחדדת את בעיית המדידה. Yu, Kim, Chang and Huang (2026) אגרו 57 גדלי אפקט מ‑16 מחקרים המכסים 3,837 תלמידי K-12 שלימדו AI עצמו ולא עם AI, והעריכו Hedges' g = 0.892 (95% CI [0.548, 1.236], p < .001), עמיד להנחות מתאמים קדם-אחור מ‑0 עד 1 ויציב לאחר חיתוך-ומילוי ב‑g = 0.952. כל אחד מ‑57 האפקטים הצביע חיובי (טווח 0.16 עד 4.93), ואף מנחה (מקור פרסום, שנה, שלב בית הספר) לא הסביר את ההטרוגניות המשמעותית (I² = 94.68%). ההסבר המועדף של המחברים הוא המדידה: המחקרים שנכללו כינו הכול, מידע ואתיקה של AI ועד גישות, מוטיבציה, יעילות עצמית ואינטרס קריירה, "אורייות AI", ולכן המספר המשוכלל מתאר התפלגות של ממצאים חיוביים תחת תווית אחת רופפת ולא התערבות אחידה אחת. בקריאה לצד Liu et al., שתי ההערכות מסכימות שהדרכת אורייות AI עובדת ומסכימות על מעט מאוד אחר, מה שהוא בעצמו אות המדידה של התחום.

ראיות מכיתה עבור עיצובים קצרים בכוונה דלות יותר, אך הן רצות באותו הכיוון ומוסיפות תוצאת ברמת התנהגות שסקרים אינם מספקים. Clerc et al. (2026) נתנו ל‑116 תלמידים צרפתים בכיתות ח׳–ט׳ סדנה בת שעתיים על אופן פעולתה של LLM ואופן כשלה, בצוותא עם תרגול בחיזוי האם הנחיה תתן תשובה שמישה, הערכת התשובה, ותיקון או בקשת חוזר. יומיים מאוחר יותר, במהלך שישה בעיות מדעניות עם תמיכת LLובקבוצת ביקורת, סטודנטים שאומנו קיבלו הנחיות לא-מצוינות לעיתים רחוקות פחות (51.5% לעומת 66.7%, OR = 0.47), שאלו שאלות המשך אחרי תשובה חלשה לעיתים רחוקות בהרבה (59.2% לעומת 27.9%, d = 0.80), ושפטו את נכונות התשובה ברגישות רבה יותר לאיכות ההנחיה (interaction OR = 2.52), עם הבדל ציונים מתון (11.38 לעומת 10.29 מתוך 20, p = .040). הסדנה לא תרגלה את משימות המבחן, ולכן מה שהועבר היה גישה ויסותית ולא היכרות עם המשימה — והמחברים מפורשים שיומיים אינם עמידות.

אורייות מדיה קריטית בתמיכת AI בחטיבת בית הספר. Demir and Akar (2026) מספקים הדגמה קונקרטית לחטיבת בית הספר של הוראת אורייות בתמיכת GenAI: תוכנית בת 18 שעות במודל 5E לתלמידים טורקים בכיתה ד׳, שבה ChatGPT ו‑Grammarly שולבו שלב-אחר-שלב כסוכנים פדגוגיים (ChatGPT לשאלות רפלקטיביות ושו"ת, Grammarly ו‑Canva AI לשיפור תוכן, Padlet למשוב עמיתים), בהתאמה לתכניות הטורקית ולמדעי החברה. הקבוצה הנתמכת-AI הראתה עליות גדולות בקריאת מדיה (+3.50), בכתיבה (+1.67), ובסך אורייות המדיה (+5.17, כולם p < .01) עם גדלי אפקט בין-קבוצתיים של Cohen's d = 1.12–1.31, בעוד קבוצת הביקורת התקדמה בצניעות בלבד. ניתוח איכותני העלה שישה תחומים של צמיחה באורייות מדיה קריטית — הגנה עצמית דיגיטלית ופרטיות נתונים, שימוש במדיה מכוון ואחראי, תקשורת בטוחה ומודעות גבולות, הערכה ביקורתית ומודעות להטעיה, מודעות לסיכון מקוון, ואתיקת מדיה/אזרחות דיגיטלית — ראיה ששימוש מותאם-התפתחותית ב‑GenAI המשובץ בתחום דעת יכול לבנות את ממדי הההערכה הביקורתית והאתיקה של אורייות AI, לא רק מיומנות תפעולית.

מסגרות למבנה אורייות AI. כמה תרומות אחרונות מציעות התקדמויות מובנות לבניית אורייות AI. Marienko, Markova, and Semerikov (2026) מציעים מסגרת בעלת חמישה שלבים (Awareness, Application, Evaluation, Creation, Ethics) המשולבת בשלוש פרדיגמות של AI בחינוך (AI-directed, AI-supported, AI-empowered), שפותחה דרך מחקר שיטות מעורבות בקרב מחנכים תיכוניים באוקראינה (סקר לאומי n = 2018; הערכת PD n = 1130). הם מצאו ש‑84% מהמחנכים משתמשים ב‑AI אך רק 11% מהם מזהים שירותים מתמחים מעבר ל‑ChatGPT, והתערבות פיתוח מקצועי הניבה שיפור של 24% בכשירות AI — ראיה ש‑PD ממוקד מקדם אורייות מעבר להיכרות שטחית עם כלים. העיגון של המסגרת ב‑קונסטרוקטיביזם, קונקטיביזם ו‑TPACK מתחבר ל‑ידע טכנולוגי-פדגוגי-תוכני (TPACK) ול‑כושר AI של המורה. כמשלים לכך, Moore et al. (2026) השתמשו בתהליך DBR של שנתיים עם דגש ייעוץ של בני נוער ומומחי AI כדי לעצב תכנית ML המשולבת במדעים לבני נוער בתיכון, ומצאו עליות בידע ML בשתי הקוהאורות (Cohort 2 M2−M1 = 0.175 לעומת Cohort 1 0.076) ועליות גדולות יותר בקרב משתתפים נשים ולא-לבנים — ראיה שעיצוב משתתף המשובץ בתחום דעת יכול לקדם הן את אורייות AI והן את שוויון.

סקירת PRISMA של 39 מחקרי STEAM (2016–2025) מצאה שהיישומים שבהם מפתחים בעיקר אורייות טכניות — קונספטים יסודיים של AI, חשיבה חישובית, אורייות נתונים — בעוד מפתחים פחות מודעות אתית, דמיון יצירתי, ויצירה, ניהול ועיצוב עם AI, ולכן יחידות המשובבות בתחום דעת עלולות לפספס את האלמנטים מסדר גבוה יותר (Niri et al., 2026).

הבנייה שנויה במחלוקת בדיוק במקום שבו המחנכים מעורבים. סקירה של 34 מחקרים על אורייות AI בהכשרת מורים מצאה שהתחום חסר קונצנזוס על מה שאורייות AI פירושו עבור אנשי חינוך מקצועיים כשונה מאוריינות דיגיטלית כללית, ומסגרת כשירות AI לא מורים של UNESCO מפרטת 15 מיומנויות על פני חמישה ממדים בעודה מתפקדת כמראה מדיניות גלובלית ולא כהנחיית יישום. הסגל בחוג המשתתף להכשרת מורים חוצה-מוסדות התייחס לאורייות AI כממד משולב של הכשרה מקצועית ולא כמיומנות טכנולוגיה נפרדת, ולכן ציפו שהמועמדים יבקרו, ישוו ויצדיקו תוצרי AI במסגרת קורסים תחומיים ולא ידגימו היכרות עם כלים.

הכשרת מורים ראשונית היא המקום שבו המבנה דל ביותר. Pinto et al. (2026) סקרו 11 מחקרים על AI בהכשרת מורים ראשונית למורות מתמטיקה בבתי ספר יסודיים טרום-שירות, ומצאו שתשעה היו מפגש יחיד או כמה מפגשים משובצים בקורסים קיימים, שהנחיה הייתה תוכן הדרכה מפורש רק בחלק מהם, ושאתיקה הופיעה בשלושה בלבד, ואף לא מהם טיפל בשקיפות, הטיה אלגוריתמית או אחריותיות. הסיכונים שהם מדווחים הם כשלים ברמת האורייות: מורות טרום-שירות לא הבחינו בשגיאות קונספטואליות שהפיק ChatGPT, קיבלו תכנים מיוצרים ללא ביקורת, והאצילו יותר פתרון בעיות לכלי ככל שהמשימות נעשו קשות יותר. ההמלצה שלהם היא לבנות כשירות AI לאורך רצף ההכשרה כולו, משלב הכנה ועד לפרקטיקום, ולא במודול מבודד.

תיאורים של מורים על מדוע AI נלמד מוסיפים שכבת מטרה שמסגרות הכשירות משאירות משתמעת. Fagerlund et al. (2026) ראיינו 13 מורים פיניים מגיל הרך ועד כיתה ט׳, ברובם מתחילים בחינוך AI, וקראו את משפטי המטרה שלהם דרך שלושת התחומים של Biesta. Qualification, רכישת הכשירות, הייתה המטרה הברורה והקונקרטית ביותר, והיא פעלה כשער כניסה לשתיים האחרות: התלמידים היו אמורים לתפוס את AI כתופעה סוציו-טכנית ולהשתמש בכליו, כאשר AI משמש הן כמטרת למידה והן כעזר ללמידה. Socialization הופיעה כטיפוח התלהבות, הצגת AI כ"מגניב", והצגת התלמידים כעובדים עתידיים מיומני-AI שיצטרכו לעמוד בדרישות הכשירות. Subjectification, המעורבות הנקבעת-עצמית ובעלת-המשמעות האישית שביסטה מתייחס אליה כמרכזית, נקראה כחשובה אך לא היה לה אוצר הוראה קונקרטי מעבר לדיון והתבוננות, והמורים לא הציעו דוגמאות מעובדות לערעור סמכות ה‑AI. המחברים מציעים סוכנות AI מודעת (informed AI agency), היוריסטיקה הממקמת את ה‑subjectification במרכז בעודה מתייחסת לכשירות כמסגרות הסבר לבחירות נקבעות-עצמית. המשמעות התכנונית היא ש"למה" של חינוך AI זקוק לתשומת לב תכנונית לא פחות מ"איך": כאשר ה‑subjectification נשען על דיון גנרי, הדרכת אורייות AI חוזרת להיות ה‑qualification שאמורה הייתה לשבת לצדה.

המוכנות עצמה היא מטרה שנויה במחלוקת. Charles (2026) טוען שמוכנות מורים ללמידה עתירת-AI צריכה להיקרא מאיכות העיצובים שהמורים מייצרים, לא מאימוץ, ביטחון או כשירות דיגיטלית, ובונה מסגרת סביב תיווך עיצובי (design mediation): החלטות נצפות כמו בחירת כלים, עיצוב משימות והנחיות, פיגום, אימות, שקיפות, עיצוב הערכה מחדש, תכנון נגישות ופיקוח אנושי. לשני טעני המסגרת השלכות ישירות לפיתוח מקצועי. ראשית, יעילות עצמית הוא משאב גיוס ולא מחוון איכות, כיוון שביטחון ללא ידע פדגוגי ספציפי-AI או נטייה אתית עלול להאיץ עיצוב גרוע במקום למנוע אותו, מה שמעמיד בסימן שאלה את הקריאה הרגילה בביטחון המורים כאות מוכנות. שנית, בהירות מדיניות ותמיכה מוסדית הם מנחים נפרדים, ולכן תמיכה חומרית יכולה להיות גבוהה בעוד הציפיות נשארות מעורפלות והמוכנות עדיין לא מתורגמת היטב. המסגרת מסרבת גם להשוות אי-שימוש לחוסר מוכנות, שכן החלטה מנומקת להימנע מ‑AI יכולה בעצמה להבטיח שיפוט עיצובי. היא קונספטואלית ולא מאומתת, ולכן היא מספקת טענות ומקורות ראיה ולא אפקטים מבוססים.

אורייות אינטראקציה עם AI: הממד האינטראקציוני. Brunnström and Palmqvist (2026) מציעים כשירות צרה יותר, אינטראקציונית — היכולת לנווט, להעריך וללמוד מאינטראקציה איטרטיבית עם GenAI — כביטוי ספציפי של הממדים היישומיים, ההערכתיים והאינטגרטיביים במסגרות רחבות יותר כמו ה‑AI Literacy Heptagon. ההדגמה המשתקפת שלהם מראה ממה היא מורכבת בפועל: זיהוי שתשובה זורמת מכוונת מעל סכמת הידע של האדם, בקשת פישוט, צמצום היקף, והפניית המערכת אל תרגול ממוקד. שני משפטים תכנוניים נובעים מכך — המיומנות מחולקת באופן לא-שווה, ולכן שימוש לא-מונחה עלולה לייתן יתרון לסטודנטים בטוחים כבר מעכשיו ולהרחיב פערים (שוויון), והיא חייבת להילמד במפורש ולא להניח שהיא קיימת, עם מורים מכסים כיצד לנסח הנחיות פרודוקטיביות ומתי להפסיק להשתמש בכלי (למידה עצמית מוסדרת).

אורייות AI ביקורתית: מעבר למיומנויות אל כוח והתנגדות

זרם נפרד של מאגר הידע מתייחס לאורייות AI לא רק כמיומנויות או הערכה ביקורתית אלא כפרקטיקה ביקורתית ופוליטית החוקרת כוח, סמכות, ומי ידע נחשב. הדבר מקשר את אורייות AI ל‑פדגוגיה ביקורתית ול‑שוויון:

• "התנגדות ל‑AI" כעמדת אורייות. Critical AI Literacy (CAIL) יכולה לכלול התנגדות ל‑AI — סירוב לבלתי-נמנעות ולטכנו-פתרונות של הדיסקורס הדומיננטי, וטיפוח סוכנות קולקטיבית באמצעות פדגוגיות דיאלוגיות ושיתופיות.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) הדבר ממקם את החינוך כמרחב שבו קהילות מדמיונות ובונות עתידות אלטרנטיביים, במקום רק להסתגל לסדר טכנולוגי נתון.
• אפיסטמולוגיות מבוססות-קהילה. למידת AI מבוססת-קהילה מעיגנת את המעורבות ב‑AI בדרכי הידע החיות והמבוססות-קהילה של הלומדים, ומחלקת מחדש את הסמכות האפיסטמולוגית של AI באמצעות כיוונון-עדין אפיסטמולוגי, חלוקה מחדש של סמכות, ובחנה ממוקמת.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
• מסגרות ביקורתיות ופמיניסטיות. מחקר ביקורתי ופמיניסטי טוען שאורייות AI צריכה להיקשר במסגרת פדגוגיות של צדק, התנגדות, ו‑קיימות תרבותית — בשאלה איזה ידע AI מייצר, מי נהנה, ומי אחראי כאשר מערכות נכשלות.(Can we disrupt the momentum of the AI colonization of science education?)
• אמצעי תכנית ממוקמים. אורייות AI ניתנת לבנייה באמצעות אמצעי הוראה ממוקמים ופעילים (כמו Episodes of Situated Learning) שמפתחים מיומנויות AI לאורך שלבים ולא באמצעות הוראה מופשטת.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
• יצירה קומפוזיציונית כפדגוגיה של אורייות AI ביקורתית. במקום להתייחס לאורייות AI כידע טכני או כשירות יחיד, יש לתכנן הזדמנויות ללומדים ליצור מסרים על AI לקהלים אמיתיים — מוצר בינה מלאכותית רב-מודאלית כמו מודעת שירות ציבורית שמדגימה ומשדרת בו-זמנית כשירות ביקורתית. במחקר הכיתה של Burriss et al. (2026), 22 תלמידים כיתה י״א בחרו בעצמם נושאי אתיקה של AI והכינו סרטוני PSA על מעקב בית ספרי, הסכמה מדעת, והאשמה אלגוריתמית; בכל שבעת הסרטים הנזק צמח מסרבוב אנושי-מכונה ולא מכלי מרושע, העלילות נסגרו עדיין על תקווה ו‑סוכנות הלומד, והמחברים ממקמים את סיפור וההפנייה — עמידים בפני הערכה מסורתית — כמרכזיים לפדגוגיה של אורייות AI ביקורתית שממקמת את זהות התלמיד, בחירה וקול.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
• כשירות רגולטורית, לא קבלה. Kim (2026) מגבם מחדש את אורייות AI בהשכלה גבוהה כ*כשירות רגולטורית* — פרקטיקה מופעלת של אימות, תיקון, אימוץ סלקטיבי או דחייה של תוצרי AI במהלך עבודה אקדמית — ומראה שהיכולות ההערכתיות והמודעות האתית (לא רק נכונות להשתמש ב‑AI) חוזות מעורבות ביקורתית פעילה.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
• זיהוי החניפות כמיומנות אורייות. כשירות הערכתית ליבה היא זיהוי מתי AI מסכים עם הלומד ומתי הוא צודק. החניפות ההקשרית מראה שאורייות AI והדרכת הנחיה מפחיתות — אך לא חוסלות — שיקוף חניף של שגיאות המשתמש, ו‑AI חניף מועדף על ידי משתמשים בדיוק כי הוא גורם להם להרגיש מובנים. אורייות AI חייבת אם כן ללמד לומדים לזהות הסכם-לשם-הסכם ולכבד חיכוך מתקן, ולהתחבר ל‑כיול אמון ול‑צמצום שימוש לרעה בבינה מלאכותית.
• הערכה, לא רק אימות. O'Byrne (2026) מצא שסטודנטים שבדקו את התוצר רק לדיוק, אמינות והתאמה עדיין קיבלו עבודה שטוחה קונספטואלית, בעוד אלה ששפטו גם נואנס, קול ועמדה אפיסטמולוגית כתבו אותה מחדש — מה שהופך את "מתי לא להאציל שיפוט" לשאלת האורייות.

הזרמים הביקורתיים האלה משלימים את הממדים התפעוליים והקוגניטיביים של אורייות AI: כאשר האחרונים שואלים "האם הלומד מסוגל להשתמש ב‑AI ולהעריך אותו?", אורייות AI ביקורתית שואלת "האם הלומד מבין ומאתגר את מבנות הכוח שה‑AI מגלם?"

איזה מיומנויות AI נחשבות? הפילוג בין מסגרת המנחה למסגרת המעסיק

שאלה מרכזית ופתוחה באורייות AI היא אילו מיומנויות חשובות ועבור מי. מחקר Ithaka S+R שהשווה כיצד מורים אמריקאיים ומעסיקים מעדיפים את 26 המיומנויות של מסגרת היכולות AI של HiBob מצא שהם מסכימים על החשיבות של אחת בלבד (הצבת ציפיות ריאליות לעבודה המוגברת-AI). מורים נותנים משקל לנטייה ביקורתית, לשימוש אחראי — זיהוי מגבלות AI, שקיפות וייחוס, אחריות אנושית, סקירת תוצרים פרואקטיבית — המתאימה לערכים האקדמיים של ייחוס, סקירה ואורייות מידע. מעסיקים נותנים משקל למיומנויות מונחות-פרודוקטיביות — הערכה ועיצוב מחדש של זרימת עבודה, אוטומציה, ו‑צוותי אדם–AI — המשקפות יעילות צוותית במקום העבודה. כיוון שרק שלוש מתוך 26 המיומנויות נלמדות על ידי מחצית או יותר מהמורים, ואלה הנלמדות נוטות אל הקטגוריות הביקורתיות, הדוח מזהה פער מיומנויות AI קונקרטי: קטגוריות שלמות שהמעסיקים מעריכים אינן מעודפות ואינן נלמדות בתכניות המכללות.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) הפילוג הזה מציב את אורייות AI כבנייה שנויה במחלוקת — אורייות לשימוש ביקורתי בהקשרים אקדמיים לעומת אורייות לשילוב בזרימת עבודה לצורכי תעסוקה — מתח שרלוונטי ל‑מסגור שימוש בבינה מלאכותית עבור סטודנטים, עיצוב תוכנית לימודים, ו‑למידה במקום העבודה.

הדירוגים של הסטודנטים עצמם מספרים סיפור קשור אך מסודר אחרת. ElSayary and Ragab (2026) סקרו 380 סטודנטים באוניברסיטאות, ברובם משתמשי AI תכופים הרשומים ל‑STEM, ומצאו שאורייות AI המדווחת עצמית נשאה את רוב ההסבר של מוכנות תעסוקית נתפסת: ארבעת ממדי האורייות הוסיפו ΔR² = 0.554 (p < .001) מעל בקרות רקע ששוות 0.054 בלבד, והמודל המלא הגיע ל‑60.8% מהשונות. בתוך מערך האורייות הממד ההערכתי היה החזק ביותר (Analyze & Evaluate, β = 0.286), ואחריו האפקטיבי (Attitudes & Mindsets, β = 0.266), עם שימוש מעשי (β = 0.217) וידע יסודי (β = 0.187) מאחוריהם; עבור מוכנות קריירה נתפסת באופן ספציפי, רק Analyze & Evaluate (β = 0.216, p < .001) ו‑Attitudes & Mindsets (β = 0.192, p = .004) התקשרו באופן מובהק. בקריאה מול הפילוג של Ithaka, תחושת המוכנות למקום העבודה של הסטודנטים עצמם נוטית אל הנטייה ההערכתית-הביקורתית שהמורים מעדיפים ולא אל מיומנויות שילוב זרימת העבודה שהמעסיקים מעניקים להן משקל. העיצוב הוא דיווח עצמי ממפגש אחד עם ממוצעים גבוהים באופן אחיד (4.17 עד 4.57 מתוך 5) וללא מדד מעסיק או תעסוקה, ולכן מה שהוא מראה הוא שאורייות AI בהערכה עצמית ומוכנות תעסוקית בהערכה עצמית נעות יחד, כאשר החלקים ההערכתיים-והנכיוניים עושים את רוב העבודה, לא שהסטודנטים האלה מוכנים באופן מוכח לשוק העבודה.

אורייות AI בחינוך STEM

בסיס הראיות הדיסציפלינרי המפותח ביותר לאורייות AI מגיע מחינוך STEM, וHallström, Chiu, Ding, Koretsky and Li (2026) מסנתזים את עשרת המחקרים המצוטטים ביותר (2022–2026) כדי להציג גם את קו הבסיס וגם את מגבלותיו. לאורך המאגר, אורייות AI מוגדרת באמצעות שישה מבנים חופפים — ידע/מיומנויות/הנכיונות (Su & Yang 2024), ידע מושגי-פרוצדורלי-הקשרי (Stolpe & Hallström 2024), לדעת-להבין/להשתמש-ליישם/להעריך-ליצור/אתיקה (Ng et al. 2022), ומסגרת השימוש-תקשורת-הערכה של Long & Magerko (Hornberger et al. 2023) — כך ש"עמימות המושג" של השדה היא בעיית מדידה: שני מחקרים עשויים להעריך "אוריינות AI" מבלי להעריך את אותו המבנה. רק שניים מתוך העשרה מציעים מסגרות שלמות. הממצא החד ביותר של הסקירה הוא אי-סימטריה — המאגר מודד כמעט אך ורק את אוריינות התלמידים בעוד כמעט דבר אינו מפתח את אוריינות המורים, פער שמשאיר התערבויות אוריינות AI למורות נשענות על הנחה ולא על ראיות, ואשר המחברים מקשרים לדרישה הפרקטית שהמורות יהיו עצמם בעלות אוריינות AI כדי להפעיל התערבויות כאלה.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

הראיות על צ'אטבוטים במאגר זה פועלות נגד הדמה מבוססת שוטפות. Ding et al. (2023) מצאו שחונכות ChatGPT בפיזיקה אוניברסיטאית העלו ביטחון וידע אך חיזקו תפיסה מוטעית של AI כ"על-אנושי ובלתי ניתן לטעות", ומסקנתם כי הדרכת אוריינות AI היא "לפני ולפנים שיפור המיומנויות החשיבתיות הביקורתיות של הסטודנטים בהערכת מידע". Xu et al. (2026) מצאו שתכנות STEM נתמך ChatGPT שיפר ביטחון וידע אך השאיר חשיבה חישובית ומחשבה עצמאית ללא שינוי — רווחים בשוטנות בצד אי-רווח בחשיבה. שני הממצאים משקפים את החששות מכיול אמון ומהסתמכות יתר המופיעים במקומות אחרים בעמוד זה: מורה שאינו מעולם סותר את הסטודנט יכול ליצור לומדים בטוחים שאינם מסוגלים להעריך. גישה, לא מוכנות או יעילות עצמית, התבררה כקובעת החזקה ביותר של שימוש בפועל בכלי AI בקרב סטודנטים לתואר ראשון ב-STEM (Falebita & Kok 2025), והסקירה מציינת שהכיסוי הדיסציפלינרי של STEM מוטה כלפי ביולוגיה ופיזיקה, כאשר טכנולוגיה כנושא כמעט ואינה נוכחת. לעיצוב ספציפי לדיסציפלינה, האזהרה הפרקטית של הסקירה היא שמסגרות כשירות מקיפות (UNESCO, EU/OECD) "לעתים קרובות חסרות קשר למחקר אמפירי או בסיס תיאורטי מספיק" ומעטות מהן מיושמות בכיתה.

תכנון התערבות אורייות AI

המסגרות והמחקרים האמפיריים של מאגר הידע מתכנסים אל מערך של הנחיות מעשיות עבור מחנכים ומעצבי הוראה הבונים התערבות אורייות AI:

1. שימוש במסגרת כשירות מובנית כפיגום, לא כרשימת בקרה. מסגרות בשלות מעניקות למעצבים אוצר מילים משותף ומטרה מסודרת-התפתחותית. מסגרת SAIL מארגנת אורייות AI לשלושה תחומים (AI Concepts; Application and Technical Skills; AI Digital Citizenship) לאורך ארבעה שלבים מפוגמים — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. ה‑AI Literacy Heptagon חוצה לרוחב שבעה ממדים (technical knowledge, application, critical thinking, ethics, social impact, integration, legal/regulatory) עם ארבעה שלבי מיומנות מיושרים-בלום, ומדגיש שההדגשה חייבת להיות מותאמת להקשר תחום הדעת — תוכניות טכניות מעניקות משקל ליישום, תוכניות מדעי הרוח מעניקות משקל להגיון אתי ולהשפעה חברתית.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. מעורבות לומדים לאורך מצבי ICAP. ביישום מסגרת ICAP, הוראה יעילה נותנת ללומדים הזדמנויות להתעסק ברמות קוגניטיביות מרובות — חשיפה סבילה (הרצאות על קונספטים של AI), מניפולציה פעילה (שימוש מעשי בכלים), יצירה קונסטרוקטיבית (יצירת ארטיפקטים של AI, הסברים עצמיים), ודיאלוג אינטראקטיבי (פתרון בעיות שיתופי עם עמיתים ו‑AI) — בבחירת המצב שמתאים למטרת הלמידה. סקירה שיטתית מצאה שהתערבות שיתופיות מוצלחות לאורייות AI מתפרסות על פני ארבעת מצבי ICAP.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. הערכת כשירות מודגמת, לא תפיסה עצמית. אורייות AI המדווחת עצמית נוטה בחדות מהביצועים הנמדדים — מורים מעריכים את מיומנויות ה‑AI שלהם ביתר ב‑~40%, ומדדים מבוססי-ביצועים מתאמים עם שילוב AI בכיתה בהרבה יותר מדיווחים עצמיים (r≈0.72 לעומת 0.31). עצבו התערבויות סביב הערכה מבוססת-ביצועים וכיול במקום סקרי ביטחון, והשתמשו בפרופילים אבחנתיים (מעריכים-יתר לעומת מתחילים אמיתיים) לכוונון התמיכה.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. בניית הנכיונות מטאקוגניטיביות וביקורתיות, לא רק מיומנות תפעולית. אורייות AI מובנת טוב יותר כפרקטיקה חברתית מטאקוגניטיבית מאשר כרשימת מיומנויות: כיוון ש‑LLM הסתברותיים ואטומים, לומדים חייבים לפקח על האסטרטגיות שלהם ולהתאימן, לטפח סקפטיציזם מדעי, ולחקור כיצד אלגוריתמים מעצבים ייצור ידע — לא רק ללמוד להפעיל כלים. עיצוב משותף-משתתף ומרחבים ניסיוניים, מבוססי-פרויקטים (לא הדרכת כלים חד-פעמית) הם המקום שבו מודעות זו צומחת.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. שיבוץ האורייות בתחום הדעת והפיכתה למתמשכת. המעבר אל שלבים גבוהים יותר של אורייות AI (משימוש לא-ביקורתי → שימוש מודע → הערכה ביקורתית → שיפור) נראה ביותר כאשר החוויות מתמשכות ומשובצות בתחום דעת ולא נמסרות כסדנות עצמאיות. עצבו לתרגול חוזר, קונטקסטואלי, בתוך קורסים אותנטיים.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) מודל קונקרטי של אורייות ביקורתית משובצת-תחום הוא הטקסונומיה המבוססת-משימות של Dierickx et al. (2026) לעיתונות: היא ממפה משימות נתמכות-LLM לאורך ארבעת שלבי זרימת החדשות (איסוף חדשות, מתן משמעות, עריכה, פרסום/הפצה), כל אחד קשור להנחיה בסיסית ולאסטרטגיית סיכון-ושיקום. על ידי התייחסות להגדרת משימה ולהנחיה כצורת ממוקמת של שיפוט מקצועי — לא כמיומנות טכנית ניטרלית — היא הופכת את ההנחיה עצמה לכלי לאורייות AI ביקורתית (הטיה, הזיה, הסתמכות יתר, והערך המתמשך של פיקוח עיתונאי אנושי), והלוגיקה הבסיסית שלה עוברת למקצועות ידעניים אחרים (משפט, רפואה, מדיניות ציבורית). כמשלים לטקסונומיות ספציפיות-תחום כאלה, טקסונומיית Dohn et al. (2026) מסווגת פעילויות למידה של GenAI לאורך שישה ממדים, מהם Epistemic Engagement (הבנה / שימוש / ביקורת / בנייה של GenAI) המבצעים ישירות את אורייות AI כעומק היחס הקוגניטיבי של הלומדים עם הטכנולוגיה — מחשיפה סבילה ועד ביקורת ובנייה פעילות.

6. התייחסות לשוויון ולפער הדיגיטלי כאילוצי תכנון. אורייות AI היא מנגנון לטיפול בפער הדיגיטלי התלת-שלבי (גישה, מיומנויות, תוצאות): סגירת פער המכשירים אינה מספיקה אלא אם כן מיומנויות ושימוש ביקורתי נבנים כדי שהתועלת תתפזר בצורה הוגנת. התערבויות צריכות לתכנן במפורש עבור לומדים הנכנסים עם גישת AI מוקדמת פחותה, ולשלב פרספקטיבות תרבותיות וממשלתיות במקום להתייחס לאורייות כניטרלית-תרבותית.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(הפער הדיגיטלי)

7. צימוד האורייות עם מנופי הפחתת שימוש לרעה. כיוון ששימוש לרעה ב‑AI פוגע בפעולה בלמידה עמידה, הדרכת אורייות צריכה להיות מצומדת עם המנופים המבניים והחינוכיים המתועדים תחת צמצום שימוש לרעה בבינה מלאכותית — עיצוב כלים עם "רמז-לא-תשובה", עיצוב הערכה מחדש, ורצפים מפוגמים חשוב-קודם/AI-שני עם תרגול הנחיה מכוון.

8. התחלה מנקודת הכניסה בפועל של הלומדים. לומדים נכנסים עם נטויות שונות — הימנעות מונעת פחד, חוסר אמון או חוסר גישה, לעומת הסתמכות לא-ביקורתית המסתירה אי-הבנה. גישה אבחנתית, מבוססת-שלב (במקום תכנית אחידה) מאפשרת למעצבים לפגוש סטודנטים איפה שהם ולהניע אותם אל מעורבות ביקורתית ואחראית.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. הרחבת ההצעה מעבר לקהלים שהחינוך הפורמלי מגיע אליהם כבר. מסגרת AI Literacies לתקשור שירות ציבורי טוענת מסקירת נוף של יותר מ‑40 מסגרות ו‑35 ראיונות מומחים שההצעה נטתה אל מיומנויות טכניות ופונקציונליות, ושאורייות AI חופפות ויש לחברן לאורייות דיגיטלית, מדיה ומידע במקום ללמד אותן כנושא עצמאי. המבנה שלה — שישה תחומי כשירות, חמישה ערכים ושלושת רמות התקדמות (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) עם מדריך הערכה — הוא תבנית שמישה עבור ספקים מחוץ לחינוך הפורמלי, והטענה לשוויון שלה היא הוראת תכנון: הגעה לבני נוער שהם מנותקים דיגיטלית או מושלמים בשוליים בדרכים אחרות דורשת שותפויות מכוונות, לא פרסום אוניברסלי.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

מדידת אורייות AI

זרם מחקר נפרד מתייחס לאורייות AI לא רק כמטרה להוראה אלא כבנייה למדידה. זרם ההערכה של מאגר הידע מבחין בין אורייות מדווחת עצמית לבין מבוססת-ביצועים: דיווחים עצמיים נוטים בחדות מכשירות מודגמת (מורים מעריכים ביתר ב‑~40%), ומדדים מבוססי-ביצועים חוזים שילוב AI בכיתה בהרבה יותר מסקרי ביטחון (r≈0.72 לעומת 0.31). עבודת התערבות משחזרת את הסטייה הזו ברמת ההתנהגות: בClerc et al. (2026), לא גישות GenAI ולא סולם מודעות מטאקוגניטיבית כללית חזו את ויסות האינטראקציה של הסטודנטים עם LLM או את ציוני המשימה הסופיים שלהם (r = .01 ו‑r = .04, שניהם לא מובהקים), בעוד ההתנהגויות שהסדנה שינתה — דחיית הנחיות לא-מצוינות, שיפוט נכונות התשובה, בקשת המשך — אכן עקבו אחר איכות התשובה. כלים מאומתים צומחים כדי לסגור פער זה — GLAT מספק הערכת אורייות Generative-AI מאומתת פסיכומטרית, ופרופילים אבחנתיים (מעריכים-יתר לעומת מתחילים אמיתיים) מאפשרים למעצבים לכוון תמיכה היכן שנדרש. Guo et al. (2026) ממפים את נוף הכלים הזה ישירות, בסקירתם 80 מסגרות מאומטות — 69 אורייות דיגיטלית ו‑11 אורייות AI — שפורסמו בין ינואר 2014 לפברואר 2025. AI משך את אורייות הדיגיטלית אל אתיקה ושכתב מחדש את התקשורת כך שתכלול אינטראקציה אנוש–AI, בעוד ויסות מטאקוגניטיבי ושיתוף פעולה אנוש–AI ספציפי-מחנכים נשארים המצוינים פחות. לצורך עיצוב ומחקר, הדבר מקשר את אורייות AI ל‑מדידה חינוכית ול‑הערכה באופן כללי: מסגרת אורייות שימושית רק כמו הכלים המשמשים למעקב אחר צמיחה, וקוונטינואומים מבוססי-שלב דורשים מדידה אמינה כדי למקם לומדים לאורכם.

כלי בן 32 פריטים בעל שישה פנים מרחיב את מודל ארבעת הממדים בשני פנים נוספים — שימוש אחראי והתפתחות עצמית — ומחזיק אי-שינוי סקלרי לאורך מתבגרים (12–17), צעירים (18–40) ובוגרים-אמצע-גיל (41–60), אם כי המחברים מזהירים כי ΔCFI התקרב לסף הקונבנציונלי (Liu et al. (2026)).

Zhi, Yang and Huang (2026) בונים מודל ספציפי-להשכלה גבוהה על טקסונומיית Marzano: ניתוח קרקע-תיאוריה של ראיונות עם 14 פרופסורים כיווץ 329 תוויות גלמיות ל‑96 קונספטים, 15 קטגוריות וחמישה ממדים (יסוד קוגניטיבי, מיומנויות תפעוליות, חשיבה מסדר גבוה, הגיה מטאקוגניטיבית, אחריות אתית), ואז הפעיל אותם כסולם ליקרט בן 15 פריטים שחמשת הגורמים שלו צמחו בניתוח גורמים איקרוסיוני (83.14% משונות מצטברת) והתקיימו בניתוח גוררים מאשר על מדגם משנה שני (CFI = 0.934, RMSEA = 0.083), עם אמינות מ‑0.796 עד 0.842 לאורך 308 שאלונים תקפים.

הCritical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) מאמת את אותה המבנה התלת-גוררי עבור לומדים בוגרים ככלי דיווח עצמי (n = 546 ו‑n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). הגורמים Know-How ו‑Know-Why יצאו הצמודים ביותר (HTMT = 0.544), בעוד ידע תיאורטי בלבד לא תורגם ליעילות מעשית. כמדד דיווח עצמי הוא חולק את בעיית הסטייה המתועדת למעלה, ולכן הוא אבחון מאומת ולא מדד ביצועים — והמחברים קוראים לאימות חוזר לאורך קבוצות גיל והקשרים תרבותיים.

שאלה קשורה היא מה הכלים מסוגלים למדד בעצם. Burriss et al. (2026) מציינים שסולמות אורייות AI ומסגרות כשירות קיימים מניחים ביצוע בר-מידה אינדיבידואלי ובכך מחריגים מבחינה מבנית ביטוי שיתופי ויצירתי — הראיה של היחידה שלהם הייתה ארטיפקטים קולנועיים בינה מלאכותית רב-מודאלית, הגיות, ושיח אזרחי ולא ציון סיכומי, והמחברים טוענים שראיה כזו יכולה להשלים ולא להחליף מדדים קונבנציונליים. הרחבת הבנייה עלולה אם כן לדרוש הרחבת הראיה המותרת, לא רק הוספת פריטים עשירי-מודליות לסולמות קיימים.

זרם משלים מודד כיצד לומדים ומורים מקבלים את החומרים של אורייות AI ולא את האורייות עצמה. Wang, Chuang and Wu (2026) הביאו 794 סטודנטים ו‑37 מורים לדרג שתי מהדורות מדריך שנבנו לסף הגיל של UNESCO (גילים 9-12 ו‑13-18) לאחר כ‑30 דקות חשיפה מונחית בכיתה. הקבלה החזיקה מבנה ארבעה-גוררי (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) עם אי-שינוי מדידה נתמך בין שתי מהדורות הסטודנטים, לומדים צעירים יותר דורגו גבוה יותר על ארבעת הקונסטרוקטים, והמשחקיות הנתפסת נשאה את הקשר החזק ביותר עם הכוונה בשתי הקוהאורות. המחברים מפורשים לגבי מה שזה אינו: קבלה נתפסת של משאב מדורג-גיל אינה הישג אורייות AI, הגיון אתי, אימוץ או שימוש מתמשך, וקבלה ברמת-חומר אינה צריכה להיקרא כראיה שהאורייות השתפרה.

המדידה משתרעת גם על המחנכים הגוברים את המעורבות של הלומדים עם AI. רוב הערכות אורייות AI מכוונות אל סטודנטים או משתמשים כלליים, ומשאירות פער בהכשרת מורים — פער שTeachers' AI Literacy Scale (TAILS) מטופל בו: מעוגן במסגרת ED-AI עם שישה ממדים (knowledge, evaluation, collaboration, contextualization, autonomy, and ethics), הוא אומת דרך ניתוחי גוררים איקרוסיוניים ומאשרים עם מורי שפה טרום-שירות (לימוד שפות). כלים כאלה תומכים במדידה ובפיתוח אורייות AI של המחנכים הגוברים את המעורבות של הלומדים עם AI. בצד הסטודנטי, Nie et al. (2026) מפתחים ומאמתים Generative AI Assessment Literacy Scale (GAA-LS) לסטודנטים בהשכלה גבוהה — כלי בן 18 פריטים בעל חמישה גוררים, שציוןיו עוקבים אחר מעורבות משוב, יושרה אקדמית, ושימוש אחראי ב‑AI, עם מסלול עקיף אל היושרה דרך המשוב — ראיה שאורייות AI ספציפית-הערכה ניתנת למדידה ומתחברת להתנהגות יושרה. מה שתגום הכלים המופנים-למורים מכיל בפועל נבדק מאז: סקירת Zainal, Mohd Matore ו‑Maat משנת 2026 של כלים למדידת אורייות AI של מורים העריכה 33 כלים שפורסמו בין 2019 ל‑2025, ומצאה ש‑31 (93.9%) היו סולמות דיווח עצמי של ביטחון נתפס, שניים בלבד בחנו ידע באופן אובייקטיבי, ואף אחד לא השתמש במשימות מבוססות-ביצועים, בעוד ראיה להוגנות הייתה אתר האיכות החלש ביותר, עם חמישה כלים בלבד שדיווחו אי-שינוי מדידה או פעולת פריט דיפרנציאלית.

עדכון 2026 של ספרות המדידה הזו מארגן אותה מחדש לארבעה תחומים — ידע ושימוש, פיקוח אפיסטמולוגי, כיול הסתמכות, ובקרה תפעולית של סוכנים משתמשי-כלים — ומדווח שאף כלי מאומט ברמת-יחידה בתגום אינו מכסה את הצירוף המלא של היקף, הרשאות, שחזור, בידוד מצב, סקירה עצמאית וסגירה מבוססת-ראיה שהשימוש בכלים סוכני דורש. המתאם הסובייקטיבי-אובייקטיבי המשוכלל שלו לאורך שלושה אפקטים מאותו-מדגם היה r = .055, עקבי עם הסטייה המתוארת למעלה ולא עם דירוגים עצמיים כשימוש כפרוקסי (Verí (2026)).

נוף המדידה עצמו מבולגן, והוא ניתן כעת לחלוקה למיפוי. He, Zhang, Wang and Ji (2026) ניתחו את תגום כלי אורייות AI עם צינור קידוד מבוסס-LLM ומצאו שהתחום מודד בניות רבות תחת תווית אחת — בעיית jangle, עם בנייה אחת נושאת שמות רבים (Behavioral Commitment מופיע בשמונה זוגות מועמדים, Intrinsic Motivation בחמישה), לצד מועמדים ל‑jingle שבהם כלים חולקים תווית אך לא את תוכן הפריטים שלהם. שחזור המבנה הדמיון-הסמנטי שלהם של פריטים ובנייות תאם רק באופן מתון עם האמינויות המדווחות של הכלים עצמם (r = 0.49 ברמת הפריט לעומת 0.45 ו‑0.35 ברמת הבנייה), והם מציעים את השיטה כסינון ולא כפסק. המשמעות לכל הבוחר כלי היא שטענות מתכנסות בין מחקרים אינן בטוחות: שני כלים עם אותו שם עלולים שלא להפעיל אותה בנייה.

מה שהכלים האלה יכולים לתמוך בו נבדק כעת, והבדיקה מיוסרת. Jin, Gašević, Martinez-Maldonado and Yan (2026) סננו 8,056 רשומות ל‑58 מחקרים המכסים 47 כלים ייחודיים, שהוערכו ב‑COSMIN מול בנייה שחלון פיתוח הכלים שלה התכויץ לשלוש שנים (שני כלים לפני 2023, 28 ב‑2025 בלבד). התגום נשאר 37 מתוך 47 דיווח עצמי, והראיה מתקבצת חזק סביב המבנה הפנימי: תקפות מבנית הייתה מספקת ב‑32 מתוך 58 המחקרים ועקביות פנימית ב‑32 שאף לא מדורגת כמספיקה, אך תקפות בנייה דווחה על ידי 15 מחקרים בלבד (12 מספיקים), תקפות קריטריון על ידי אחד, אי-שינוי מדידה על ידי חמישה (כולם מספיקים), ורק 2 מתוך 58 זכו לדירוג תקפות תוכן כולל מספיק — הכוללנות הייתה לא-מספיקה ב‑53 למרות ש‑43 מחקרים דיווחו על ריאיון קוגניטיבי. הדפוס הוא שפרקטיקת מדידה נראית עמידה בדיוק היכן שזולה להדגים ודלה היכן שהראיה חייבת לבוא מבחוץ לכלי, ולכן מבנה גוררים נקי ומקדם גבוה (שיכול לשקף כפילות פריטים כמו ייצוג בנייה) אין לקרוא ככשירות מודגמת. ההרצאה של המחברים היא איחוד ולא רבייה: לשפר סולמות קיימים, לבדוק אי-שימוש בכל פעם שסולם חוצה שפה או שלב חינוכי, ולהוסיף ראיה של קריטריון על ידי קישור ציונים למשימות ביצועים.

אחת החריגות נבנתה כדי להשוות קבוצות. Zhang et al. (2026) פיתחו את Generative AI Literacy Scale (GAILS) — 43 פריטים שקוצרו ל‑34 דרך סקירת דלפי של חמישה מומחים ופיילוט של שבעה אנשים, ואומתו ב‑341 בוגרים בצפון אמריקה — ובחנו אי-שינוי סקלרי מדידה, ומצאו שהוא התקיים בין משיבים נשים וגברים ובין קבוצות סטודנטים וכוח עבודה. זה מה שמתיר את ההשוואות ממוצע שהכלי מדווח — גברים מדורגים גבוה יותר מעט ב‑Adaptive Operational Skills, סטודנטים גבוה יותר ב‑Adaptive Operational Skills וב‑Responsible GenAI Literacy — כהבדלי כשירות ולא כפעולת פריט דיפרנציאלית, וזה מה שהופך את הסולם לשמיש בהקשרי השכלה גבוהה ומקומות עבודה ולא רק סטודנטים. הראיה שלו אינה נקייה: ההתאמה הייתה מעורבת (CFI = .967 ו‑SRMR = .058 בתוך ספים קונבנציונליים, RMSEA = .087 מעליהם), α של הסולם הכולל = .973 יושב לצד השוואה דיסקרימיננטית של פורנל-לרקר שנכשלה (Factor 1 √AVE = .828 לעומת r = .873 עם Factor 3), וכמו כמעט הכול בתגום, הוא מודד כשירות נתפסת ללא קריטריון התנהגותי. סולם מאומת בתחום הזה הוא נקודת פתיחה לעבודת אי-השימוש והקריטריון שהסקירה קוראת להם, לא בנצ'מרק מוגמר.

קשרים חוצי-מאגר הידע

אורייות AI מצטלבת עם AI Tutoring (הבנה מתי וכיצד מורי AI יעילים), עם כושר AI של המורה (מוכנות מחנכים), עם יושרה אקדמית (ידיעה מה מהווה שימוש מתאים ב‑AI), ועם בינה מלאכותית בחינוך באופן כללי. היא הן תנאי מוקדם לשימוש יעיל ב‑AI והן תוצאה של שילוב AI מתוכנן היטב — תלמידים לומדים אורייות AI באמצעות שימוש ביקורתי ב‑AI, לא רק באמצעות למידה על AI.

אורייות AI היא דו-קצינית עבור הסתמכות יתר: Maizel et al. (2026) מצאו שהממדים המבוססי-מיומנות של אורייות AI (שימוש/הבנה, זיהוי) התקשרו חיובית לתלות מדווחת ב‑AI, בעוד AI יעילות עצמית וביטחון אקדמי התקשרו שלילית — ולכן הדרכת אורייות AI טכנית, ללא יעילות עצמית ופיגומי למידה עצמית מוסדרת, עלולה להגביר את התלות. אורייות AI הופכת כאן קיבולת מאפשרת שהכיוון שלה תלוי במשאבי מוטיבציה משלימים.

• הרגלי אימות משתלמים רק דרך ויסות. בסקר של Davor, Larbi and Boateng (2026) בקרב 533 סטודנטים באוניברסיטה בגאנה, אורייות אימות של AI לא הייתה בעלת השפעה ישירה מובהקת על חשיבה ביקורתית (beta = .076, p = .090) או על פתרון בעיות טכני (beta = .043, p = .385), והיא נשאה משקל רק דרך וויסות המטאקוגניטיבי העצמי (beta = .167, p < .001), תיווך מלא שהמחברים קוראים לו הפעלה מטאקוגניטיבית. פיגום משימות AI חזה את שתי התוצאות (beta = .185 ו‑.170), בעוד נטיית העמסה קוגניטיבית חזה אותן שלילית (beta = -.240 ו‑-.312) ודיכאה גם את הוויסות (beta = -.294). למידה של סטודנטים לבדוק תוצרי AI אינה אם כן מספיקה בעצמה: הרגלים הערכתיים זקוקים לתכנון, פיקוח והגיה המשובצים במשימה.

• ביקורת תוצרי AI כפרקטיקת אורייות: Hosseini (2026) מתייחס להערכת שגיאות מיוצרות-AI כמיומנות אורייות AI ליבה, באמצעות ניתוח מודות-כשל ושיפור הנחיה איטרטיבי בקורס עיצוב בסיסי נתונים. המחקר מצא שסטודנטים העריכו יתר את יכולות ה‑AI שלהם (אורייות מדווחת עצמית התאמה חלשה ושלילית עם כשירות אובייקטיבית), ושלמידה מבוססת-ביקורת חיזקה את הכיול.

• אורייות AI סוציאליסטית-הומניסטית (2026): סקירת ספרות מבקרת אורייות AI מונחות-ציות ומציעה מסגור סוציאליסטי-הומניסטי של אורייות AI אסינכרונית ושימוש הוגן בהשכלה גבוהה, ומקשרת את הפער הדיגיטלי ההיסטורי לאורייות AI המודרנית וקוראת לגישות המשרתות שגשוג אנושי ושוויון ולא ציות מדיניות מכני (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).

• אזהרות זולות וקלות-נגיעה מייפות שכנוע AI — ללא פגיעה באמון הכללי. Orchinik and Rand (2026) ביצעו מראש שני ניסויים (סך N = 3,208 בוגרים אמריקאים) שבהם משתתפים שוחחו עם מודלי שפה גדולים (LLM) שקיבל הנחיה להזיז את דעותיהם בנושאים פוליטיים. אזהרה בודדת וקצרה — שמודלים ניתנים להנחיה לשכנוע ועשויים להציג מידע באופן סלקטיבי — חתכה את שינוי האמון בכמחצית (-48.1%, 95% CI [-59.5%, -36.8]) ביחס לבקרה, והוספת אזהרות ספציפיות לטכניקות שכנוע לא הניבה תועלת נוספת. המאפיין שחשוב להוראה נמצא בצד השני של האפקט: האמון הכללי ב‑בינה מלאכותית יוצרת לא ירד, ולכן ההתערבות בונה אמון מכוון ולא סקפטיציזם כללי. זו התערבות בפסקה אחת, ללא הנחיה — פרופיל עלויות נדיר לעיצוב אורייות AI.

• ממשל הלומדים על AI חשוב יותר מעיצוב הכלי. Azimi (2026) חילקה באקראי 33 סטודנטים בקורס מוסמך לניתוח נתונים בין AI Study Coach מפוגם המשובץ במחברות (n = 16) לבין שימוש חופשי בכלי בינה מלאכותית יוצרת שבחרו בעצמם (n = 17) לאורך שבעה שבועות. ביצועי המשימות ועליית מדדי-הקונספט היו זהים; מצב Coach דיווח על ביטחון גבוה יותר במקום. מה שהפריד בין הסטודנטים היה אורייות AI בפרקטיקה: אלה שגיבשו כללים משלהם מתי להשתמש ב‑AI דורגו גבוה יותר בשני המצבים, והסטודנטים עם ההבנה העמוקה ביותר של המודל — כולם לימדו את עצמם — הנחו בכוונה רבה ביותר. המשמעות התכנונית פועלת נגד רפלקס הבקרה: למדו את רכיבי הוויסות העצמי והבנת המודל של אורייות AI במקום להגביל כלים.

מושגים מקושרים

• דפוסים פדגוגיים — פותחו על ידי שלבי הבדיקה הביקורתית ברצפים אלה
• לומדים — הלומדים: המטרייה של מושגי צד-הלומד
• בינה מלאכותית יוצרת — הטכנולוגיה שאליה אורייות AI מכוונת
• מודלי שפה גדולים (LLM) — המערכות בליבת אורייות AI
• חשיבה ביקורתית — הנכיונות ההערכתית הליבה
• הנדסת הנחיות — המיומנות המעשית הליבה
• מטאקוגניציה — אורייות כפרקטיקה חברתית מטאקוגניטיבית
• פריקת עומס קוגניטיבי — סיכון ההסתמכות היתר שאורייות נלחמת בו
• צמצום שימוש לרעה בבינה מלאכותית — התשואה ההתנהגותית של האורייות
• יושרה אקדמית — ידיעה מה מהווה שימוש מתאים ב‑AI
• הערכה עצמית — שיפוט העבודה והמיומנות שלכם, כטכניקה וכמדד
• כיול אמון — כיול אמון מתאים
• הסכמה מחניפה (AI Sycophancy) — מיומנות אורייות של זיהוי הסכמה
• שוויון — חלוקה הוגנת של האורייות
• הפער הדיגיטלי — פער הגישה/המיומנויות/התוצאות
• אתיקה — הממד של המודעות האתית
• כושר AI של המורה — מוכנות מחנכים
• פיתוח חינוכי — בניית אורייות מחנכים
• מחקר חינוכי בסיוע בינה מלאכותית — AI-Assisted Educational Research
• חינוך גן ותיכון (K-12) — אורייות ברמת בית הספר
• השכלה גבוהה — אורייות ברמת האוניברסיטה
• פיתוח קריירה ומוכנות — תשואת התעסוקה שאורייות AI נטען שהיא בונה
• בינה מלאכותית בחינוך — התחום הרחב

מאמרים מקושרים

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - העלאת הממד האתי של האורייות ללא מסגרת התמודדות עלולה להשאיר סטודנטים חרידים יותר
• Reconceptualizing digital literacy in the AI era: A systematic review of validated frameworks from an ecological perspective — 80 מסגרות מאומטות מראות AI מרחיב אורייות דיגיטלית אל אתיקה בעוד שיתוף פעולה אנוש–AI מחנכי נשאר לא-מצוין (Guo et al. 2026)
• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — שישה תחומי כשירות, חמישה ערכים ושלושת רמות התקדמות לתקשור שירות ציבורי
• The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education — ה‑AI Literacy Heptagon
• Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education — קונטינואום מעשי בעל חמישה שלבים לאורייות AI
• Clarifying the Conceptual Landscape in AI Literacy Measurement: A Large Language Model Based Approach — מיפוי תגום כלי אורייות AI: 55 בניות, זוגות jangle ו‑jingle, קידוד מבוסס-LLM
• Measuring Artificial Intelligence Literacy: A Systematic Review of Instrument Development, Conceptual Foundations, and Psychometric Quality — הערכת COSMIN של 58 מחקרים ו‑47 כלי אורייות AI: ראית התקפות מתקבצת סביב מבנה פנימי בעוד ראית קריטריון, תוכן ואי-שימוש נותרת חסרה ברובה (Jin et al. 2026)
• The Generative Artificial Intelligence Literacy Scale (GAILS): Development, Validation, and Measurement Invariance Across Sex and Occupational Status Groups — GAILS: סולם אורייות GenAI בן 34 פריטים שאומת ב‑341 בוגרים, סקלרי-אי-שימוש בין מגדר וקבוצות סטודנטים/כוח עבודה (Zhang et al. 2026)
• GLAT: The Generative AI Literacy Assessment Test — GLAT: מבחן הערכת אורייות Generative AI מאומת
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — הערכת אורייות AI: אי-התאמה בין מדווח עצמית לביצועים
• Development and validation of the generative AI assessment literacy scale for higher education students — GAA-LS: סולם אורייות הערכת Generative AI מאומת לסטודנטים בהשכלה גבוהה (Nie et al. 2026)
• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Beyond AI Literacy: סקירה מובנית ומטא-אנליזה אקרוסיונית של מדדים לשימוש Generative-AI מוכשר
• How AI literacy correlates with affective, behavioral, cognitive and contextual variables: A systematic review — סקירה שיטתית של מה שאורייות AI מתאמת עמו
• Assessing teachers' AI literacy: a systematic review of measurement tools — סקירה שיטתית של הכלים שמודדים אורייות AI של מורים
• Development of an AI literacy self-assessment questionnaire in upper primary school students — שאלון הערכה עצמית לתלמידי בית ספר יסודי בכיתות עליונות
• Metacognitive AI literacy: going beyond the AI skills gap agenda — אורייות AI כפרקטיקה חברתית מטאקוגניטיבית
• AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators — מטא-אנליזה של אפקטי התערבות אורייות AI
• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — מסגרת SAIL
• Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — מדריכי אורייות AI מדורגי-גיל הוערכו עם 794 סטודנטים ו‑37 מורים: מבנה קבלה ארבע-גוררי אי-שימוש בין המהדורות 9-12 ו‑13-18, עם לומדים צעירים גבוהים בכל קונסטרוקט
• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — אורייות AI ביקורתית: כוח, התנגדות, סוכנות
• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — אורייות ההנחיה כאוריינות יסודית נבדלת מהנדסת ההנחיה: מודל המעורבות GenAI האנושי-מרכזי בעל חמשת השלבים (Miles, Haber-Curran & Arar 2026)
• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — חניפות הקשרית כהתערבות אורייות AI
• Understanding Student Dependency on AI: The Role of AI Literacy, Academic Self-Efficacy, and Resource Management Strategies — אורייות AI, יעילות עצמית ותלות
• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — סדנה בת שעתיים שינתה את ויסות הסטודנטים של האינטראקציה עם LLM, בעוד דיווחים עצמיים לא חזו דבר (Clerc et al. 2026)
• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — אורייות AI כקיבולת ממשל לפיתוח בר-קיימא: טקסונומיית AIRE וקשר AI–SDG (Islam, Morshed & Islam 2026)
• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — מסגרת אורייות AI בעלת חמישה שלבים למחנכים תיכוניים באוקראינה (Marienko et al. 2026)
• STEAM Education for AI Literacy: A Systematic Literature Review — חינוך STEAM לאורייות AI: סקירה שיטתית
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — מסגרת אורייות AI שיתופית
• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — מגבם מחדש אורייות AI כשיפוט איזו עבודת פרשנות אין להאציל
• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — אורייות אימות AI נשאו משקל רק דרך ויסות מטאקוגניטיבי עצמי, בעוד העמסה קוגניטיבית חזה חשיבה ביקורתית ופתרון בעיות נמוכים (Davor et al. 2026)
• Designing for AI literacy: psychological mechanisms and self-determination — הדרכה מבוססת-חשיבה גבררה על הדרכה מבוססת-מיומנויות במשימה מדורגת-אובייקטיבית, עם אוטונומיה וכשירות נושאות את האפקט (Yu, Lin & Chen 2026)
• Psychological predictors of continued ChatGPT use among university students: the roles of AI literacy, trust, and academic self-efficacy — המעבר מאורייות AI לשימוש מתמשך ב‑ChatGPT עובר דרך אמון ויעילות עצמית אקדמית, וחרדת AI מדלילה את הקשר הראשון (Hu 2026)
• Modeling and measuring graduate students’ generative AI literacy: a study based on Marzano’s taxonomy — מודל בעל חמישה ממדים מעוגן-Marzano וסולם דיווח עצמי בן 15 פריטים לאורייות GenAI בהשכלה גבוהה (Zhi et al. 2026)
• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — 11 מחקרים של AI בהכשרת מורים למתמטיקה ראשונית, ברובם קצרי-טווח, עם אתיקה בשלושה בלבד (Pinto et al. 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — שילוב GenAI המרכז סביב אימות בכימיה אוניברסיטאית, עם תרגום ייצוגי כדרישת אורייות AI הליבה (Vega-Baudrit & Rivera Alvarez 2026)
• 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? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research
• Bridging the Gap: Investigating Students' Self-Reported AI-Literacy and Perceived Employability Competencies for an AI-Enabled Workforce — אורייות AI מדווחת עצמית הסבירה 60.8% ממוכנות תעסוקית נתפסת, עם הממדים ההערכתיים-והאפקטיביים החזקים ביותר (ElSayary & Ragab 2026)
• From Competency to Agency: Teachers' Views of the Purposes of AI Education — המטרות של מורים לחינוך AI נקראו דרך qualification, socialization ו‑subjectification של Biesta, והיוריסטיקה של סוכנות AI מודעת (Fagerlund et al. 2026)
• Teacher Readiness-By-Design for AI-Rich Interactive Learning — מוכנות מורים כאיכות עיצוב ולא כאימוץ או ביטחון, עם יעילות עצמית כמשאב ואי-שימוש שאינו חוסר מוכנות (Charles 2026)
• The Effects of K-12 Artificial Intelligence Education in Enhancing AI Literacy: A Meta-Analysis — חינוך AI ב‑K-12 העלה אורייות AI עם g משוכלל = 0.892 לאורך 57 אפקטים חיוביים, וחוסר-הסכמת המדידה מסביר את ההטרוגניות (Yu et al. 2026)
• Literacy demands placed on students in student–GenAI entanglements in higher education — דרישות האורייות שונות לפי סוג הקשר תלמיד–GenAI; צורות Assistant ו‑Enabler שולטות בעוד השאר נשארות שוליות מסיבות מוסדיות (Sun, Dohn & Rehm 2026)
• The AI Competence Framework Landscape: A Comparative Analysis of Frameworks for Education and Workforce Development — ניתוח השוואתי של 16 מסגרות כשירות AI לחינוך ולפיתוח כוח אדם
• A Multidimensional Analysis of AI Literacy Determinants: External Resources, Digital Skills, and Psychological Profile Among University Students — משאבים חיצוניים, כשירות דיגיטלית ופרופיל פסיכולוגי כקובעים משותפים, עם התהפכות סימן של חרדה טכנולוגית
• The Six-Facet Artificial Intelligence Literacy Questionnaire (SFAILQ): Assessing AI Literacy in Adolescents, Young Adults, and Midlife Adults — כלי שישה-פנים המוסיף פני שימוש-אחראי והתפתחות-עצמית, סקלרי-אי-שימוש בין מתבגרים, צעירים ובוגרים-אמצע-גיל
• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — מודל משוואות מבניות של רווחה מ‑AI של סגל, תמיכות חברתיות ואורייות AI
• What Does It Mean to Be AI Literate? Psychometric Validation of the Critical 3wAI Literacy Scale — סולם דיווח עצמי מאומט בן 17 פריטים עם שלושה גוררי אורייות AI נבדלים (Know What/How/Why); Know-How ו‑Know-Why הצמודים ביותר (HTMT = 0.544)
• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — סינתזה של עשרת המחקרים המצוטטים ביותר על אורייות AI בחינוך STEM (Hallström et al. 2026)