תוקף ההערכה

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

תוקף ההערכה — האם ההערכה מודדת את מה שהיא טוענת למודד. בינה מלאכותית בחינוך מעורר שאלות תוקף יסודיות: האם הערכות שנבדקות באמצעות בינה מלאכותית מעריכות את למידת הסטודנט או את מיומנות ההנחיה שלו בבינה מלאכותית? האם השימוש בבינה מלאכותית מקפח את הנחות ההערכה המסורתית?

שאלות למחשבה

• תוקף שואל האם ההערכה מודדת את מה שהיא טוענת למודד. לפני הקריאה, אם הייתם רואים סטודנט מגיש חיבור מלוטש שחשדתם כי נכתב בסיוע בינה מלאכותית, האם הייתם חושבים שהבעיה הגדולה יותר היא רמאות, או שהמשימה אינה מודדת עוד את מה שחשבתם שהיא מודדת?
• העמוד הזה מעלה שאלה חדה: כשסטודנטים משתמשים בבינה מלאכותית, האם הציון משקף את ידע הסטודנט או את מיומנות ההנחיה שלו בבינה המלאכותית? האם אתם מצליחים לחשוב על הערכה שתכננתם או עברתם, שבה הציון עשוי לספר לכם עכשיו יותר על הכלי מאשר על הלומד?
• ממצא מרכזי הוא שאותו קלט של לומד יכול לקבל תשובות שונות מבחינה סמנטית בהתאם למודל הלשוני שנמצא בשימוש — דבר המכניס 'שונות שאינה רלוונטית לבנייה' שמאיימת על המהימנות ועל הוגנות. אם שני סטודנטים מקבלים תמיכה שונה מבינה מלאכותית רק בגלל המודל שמאחוריה, עד כמה הוגנת ההשוואה המתקבלת?
• העמוד טוען שגם כשאורך הדעת של מודל לשוני הוא טוב, העברת פרשנויות הציונים האנושיות דורשת דמיון במבנה הלטנטי של התשובות — ובנקודה הזו המודלים הלשוניים סוטים מבני אדם. מה הדבר הזה מרמז על האמון בבינה מלאכותית ש'עוברת' בחינה שתוכננה לבני אדם?
• במקום לנסות לזהות שימוש בבינה מלאכותית, מאגר הידע טוען לעיצוב מחדש של הערכות כדי שיישארו תקפות עבור סטודנטים מסוגלים להשתמש בבינה מלאכותית. מדוע עיצוב מחדש של המשימה עשוי להיות אסטרטגיה השומרת יותר על התוקף מאשר פיקוח על השאלה האם נעשה שימוש בבינה מלאכותית?
• בינה מלאכותית משמשת כעת כנבחן, כיוצרת מבחנים, כמנקדת וכאנליסטית — דבר ההופך את שרשרת הפרשנות לבלתי שקופה. כאשר כל תפקיד בהערכה מתמלא על ידי בינה מלאכותית, מה בכלל המשמעות של אומרנו שההערכה 'תקפה' עבור הלומד האנושי שנמצא באמצע?

מבוא

אתגרי תוקף

• תוקף הבנייה: כשסטודנטים משתמשים בבינה מלאכותית בהערכות, האם הציון משקף את ידע הסטודנט או את יכולת הבינה המלאכותית? מחקר ביצועים מול למידה מחקר עוסק בשאלה הזו ישירות.

• שונות שאינה רלוונטית לבנייה בין מודלים שונים בהערכה מבוססת שיחה: Hao (2026) מראה שאפילו עבור תפנית שיחתית בודדת, התוכן הסמנטי של תשובות שנוצרו על ידי מודלי שפה גדולים (LLM) משתנה בין מודלים ובין תנחי הקשר השיחתי. הדמיון בתוך אותו מודל עולה בעקביות על הדמיון בין מודלים (0.715–0.795 מול 0.443–0.604), והוספת היסטוריית צ'אט משנה את תוכן התשובה באופן מהותי (דמיון חוצה-היסטוריות מדהין ~0.40–0.45). מכיוון שאותו קלט של לומד יכול לקבל תשובות שונות מבחינה סמנטית בהתאם למודל שמתחת לפני השטח, הנחיה והקשר לבדם אינם מסוגלים לשמור על עקביות התשובות — דבר המכניס פוטנציאל של שונות שאינה רלוונטית לבנייה שמאיימת על תוקף, מהימנות והוגנות. שמירה על תנחי הערכה עקביים בעוד שהמודלים הלשוניים מתפתחים היא אפוא אתגר של תשתית (כללים סימבוליים, תבניות תשובה, שכבות אימות), ולא רק אתגר של הנדסת הנחיות.

• ראיות שנמצאות אך מעולם לא מגיעות למנקד: Abreu, Stari and Martí (2026) מגדירים איום של שונות שאינה רלוונטית לבנייה שקדם לכל חשיבה: בסקירת בינה מלאכותית של דוחות מעבדה ניסוייים בפיזיקה, משוואה, גרף, טבלה או יחידה עלולים להיכלל כראוי בדוח ועם זאת לא להישלף מהתוכן המעובד שעליו המודל עובד, ומכיוון ששינוי סימן, ערך או יחידה משנה את הפרשנות הפיזיקלית, אי-הסכמה עם המרצה אינה חייבת להעיד על שגיאה בחשיבה. התרופה שלהם היא פרוצדורלית — קבצי PDF ברזולוציה גבוהה במקום סריקות מצולמות, משוואות שנכתבות בעורך משוואות, צירים ויחידות קריאות בתוך הדיאגרמות, והוראות הדורשות ציטטור קונקרטי לכל ציון — משום שאיכות המסמך קובעת את התקרה לכל טענת תוקף שהציון המתקבל תומך בה.

• תוקף המבנה הלטנטי בין בני אדם למודלים לשוניים: Strugatski et al. (2026) מוסיפים תנאי תוקף עמוק יותר: גם כשמודל לשוני משיג תוצאות טובות, העברת פרשנויות ציונים אנושיות דורשת דמיון במבנה הלטנטי של התשובות. בהשוואה של שישה מודלים לשוניים בינה מלאכותית רב-מודאלית רב-מודאליים לקבוצות של בני אדם בכלי כימיה וחשיבה כמותית, הם מוצאים שמבני הגורמים של מודלים ובני אדם סוטים בעקביות (התאמה בין מודל לבני אדם מתחת לקו הבסיס של בני-אדם-לבני-אדם), ולכן ביצועים בבחינה שנורמה על בני אדם הם ראיה חלשה לגבי יכולות המודל על הבניות שהפריטים תוכננו למדוד.

• תוקף תוצאתי: האם להערכות מתווכות בינה מלאכותית השלכות הוגנות? מחקרי הטיית שפה מראים שניקוד בינה מלאכותית יכול להטות נגד דוברים שאינם דוברי אם.

• מטרה נעה בבדיקת שפות. מבחנים בעלי חשיבות גבוהה כמו TOEFL iBT, IELTS, PTE Academic ו-Duolingo English Test עדיין דורשים קריאה וכתיבה ללא עזרה ובזמן קבוע, בעוד סטודנטים משתמשים כיום ב-GenAI למשימות אלו בחיים האקדמיים, ולכן המסקנה על ההכלה — מכוניים ללא עזרה אל ביצוע אקדמי אמיתי — היא השלב שנפגע ביותר (Gonulal (2026)).

• היקף הכלל הוא עצמו תכונת תוקף: Wright (2026) טוען שהאיסורים שנכתבו בהשכלה גבוהה מאז 2023 אוסרים על "בינה מלאכותית יוצרת" ללא הדיוק הטכני שיפריד בין יצירת התוכן המודד לבין המרה של פורמט, שכן זיהוי תווים אופטי, זיהוי טקסט בכתב יד ודיבור-לטקסט הם טכנולוגיות זיהוי שמסיקות מה שכבר נמצא במקום להפיק תוכן חדש. כאשר כלל נקשר לזהות הפלטפורמה ולא לפונקציה, הוא כולל יותר מדי מדי מטבעו: הוא תופס שימוש תמלול-בלבד בכלי רב-פונקציונלי ומעניש סטודנט שלא עשה את הדבר שהכלל תוכנן למנוע, ונופל בכבדות ביותר על לומדים הסומכים על הכלים האלה לצורך נגישות — הסקה שההערכה אינה יכולה לתמוך בה לגבי הבנייה שהיא טוענת למודד. הוא מציע ניסוח מבוסס-פונקציה בתוספת ארבעה קריטריונים תפעוליים (נאמנות, היעדר הוספה, עקביות, אישור) למקרי קצה, ומתייחס להסתמכות על פלט גלאים ועל היוריסטיקות של סגנון כראיה למידת חולשתו של בסיס הראיות של הכלל עצמו.

• השלמה סוכנית מבטלת את הנחת הייצור האנושי: Hadjisolomou & El-Haddad (2026) מרחיבים את ניתוח התוקף מסיוע יוצר להשלמה סוכנית: סוכני בינה מלאכותית אוטונומיים יכולים כעת להתחבר למערכת ניהול למידה, לקרוא חומרים ולהשלים עבודה אסינכרונית ללא פיקוח מקצה לקצה (ה הדגמה בקורס חי — בוחן קצר שקיבל 10/10 בפחות מ-5 דקות, ופרשנות לוח דיון מדומה אך אמינה). בכך שהם מציבים "הנחת ייצור אנושי" בבסיס שרשרת ההסקה המבוססת-טיעון של קיין, הם מראים שהשלמה סוכנית מסירה בשקט את התשתית לסקת הניקוד, שעליה נשענות סקות ההכללה, ההכחשה וההחלטה — ולכן כל ציון אסינכרוני ללא פיקוח, כולל אלו שהושגו ביושרה, מאבד את תמיכת הפרשנות שלו מכיוון שייחוס היצירה אינו ניתן לאימות. המהלך הקובע שלהם הוא סיווג התופעה ככשל תוקף ולא ככשל יושר: מוסד יכול להעניש התנהגות פסולה ועדיין להיות חסר בסיס לציונים שהוא מדווח. זיהוי הוא בלתי מספיק מבחינה מבנית (מסווגים בלתי מהימנים ומטים; מעקב של מערכת ניהול הלמידה רואה את אותם לחיצות שראה סטודנט), ולכן התרופה היא עיצוב מחדש של ההערכה עבור נוכחות אנושית מאומתת (מרכיב בעל-פה קצר, טיוטות גלויות-תהליך, הפניות ספציפיות לשיעור), עם תפריט אפשרויות השומר על שוויון ולא צו פיקוח.

• שונות שאינה רלוונטית לבנייה בניקוד אנושי של עבודה בסיוע GenAI: Luo & Dawson (2026) מספקים הדגמה אמפירית ישירה לכך שניקוד אנושי של עבודה בסיוע GenAI נסב בשונות שאינה רלוונטית לבנייה. בראיונות מבוססי-תרחיש עם 33 מרצי אוניברסיטה, החלטות הניקוד הונעו על ידי ערכים מוכווני-אדם (יושרת הסטודנט, השקדנות), מוכווני-יכולת (עצמאות מבינה מלאכותית, מיומנות GenAI, שליטה תחומית), מוכווני-יחסים (אמון שנבנה עם סטודנטים) ומוכווני-צדק (הוגנות, לטיבות) — כולם עלולים להשנות ציונים על פני גורמים שאינם קשורים לתוצאות שנמדדות. הורדת ציון לעבודה בסיוע GenAI מוצדקת, הם טוענים, אם ורק אם השימוש בבינה מלאכותית מנע מהסטודנטים להדגים את התוצאות שנמדדו; אחרת ניקוד מונע-ערכים מאיים על התוקף. המחקר מעגן את מסגרת התוקף בפרקטיקה אמיתית של מורים וקורא ל"שקיפות דו-כיוונית" שקיפות — מורים שמבהירים כיצד שימוש ב-GenAI ישפיע על הציונים, ולא רק סטודנטים שמכריזים על שימוש.

• גיוון בקנה מידה גדולה דורש יצירת גרסאות מבחן שוות-בנייה: VARIA (Lee 2026) מטיל ספק אמפירי, ניתן להפרכה, על הנחת "הגיוון בקנה מידה גדולה" של הערכה אותנטית המשלבת בינה מלאכותית (AIAA) — זו שמחליפה פיקוח מעקב בגיוון משימות לכל סטודנט. מכיוון שכל נבחן מקבל משימת ביצוע יחודית אך שוות-ערך, ערובת ההוגנות מותנית ביכולתם של מודלים לשוניים ליצור גרסאות שהן בו-זמנית מובדלות פני שטח, שוות-בנייה, הניתנות להחלת מחוון ומתאימות קושי. בבחינת מדדי הביצועים של שלוש משפחות מודלים חזיתיות לאורך ארבע אסטרטגיות הנחיה על 600 גרסאות, VARIA מוצא שמחוללי מודלים חזיתיים עומדים בקריטריונים המשותפים של ההוגנות רק בשוליים (ציון משותף 0.81–0.88) בעוד שפניות שאינן חזיתיות קורסות (0.50–0.55), ואף אסטרטגיית הנחיה בודדת אינה מנצחת בכל ארבע התכונות — ולכן "הגיוון בקנה מידה גדולה אינו יכול להיפתר על ידי הנחיה בלבד" אם סף הגיוון נקבע באופן תוקפני, ומוסדות חייבים לאמת את זוג המודל-ההנחיה הספציפי שלהם.

• הטיית שיפוט נמוך (חסר) בציון בינה מלאכותית עם אדם בלולאה היא תכונת תוקף, לא תקלה: Curi et al. (2026) מראים שבהערכת כתיבה לאומית בקנה מידה גדולה ההטיה השמרנית (שיפוט נמוך) השיטתית של מנקד מונחה-מודל לשוני, אם כי בעייתית כהחלטה סופית, היא בדיוק מה שמאפשר האצלה בטוחה: תשובות "עוברות" שסומנו על ידי בינה מלאכותית יכולות להתקבל בביטחון, בעוד שתשובות "נכשלות" שסומנו (15.3–16.5% מהמקרים) מנותבות לסקירת מומחים — דבר השומר על איום התוקף של טעות בינה מלאכותית הרחק מהתוצאה הסופית. צינור הIRT-והבוקמרק שלהם הופך את ההשפעה של ציון בינה מלאכותית על רמת מיומנות לניתנת לקריאה, במקום להתייחס להסכם ציונים גלמי כתחות התוקף היחידה.

• אינפלציית ציונים המונעת בינה מלאכותית כאיום על התוקף: Chirikov (2026) מזהה מנגנון חדש, מונע-טכנולוגיה, של אינפלציית ציונים הפועל במהלך הזרם לפני הניקוד — על יצירת העבודה הנצברת. במחקר הבדלים-בהבדלים על יותר מ-500,000 ציונים ב-319 קורסים (2018–2025), קורסים עם יותר משימות חשופות לבינה מלאכותית (כתיבה, תכנות) ראו את שיעור ציוני ה-A עולה ב-13 נקודות אחוז לאחר שחרור ChatGPT, עם דחיסת התפלגות הציונים. ניתוח משולש-הבדלים מראה שההשפעה מרוכזת בקורסים עמוסי שיעורי בית — ראיה לכך שהחלפת משימות על ידי בינה מלאכותית (בינה מלאכותית מבצעת משימות שנצברות לפני שהמרצים מתבוננים בהן) מנפחת ציונים ללא עלייה תואמת במיומנות. הדבר מפחית את האפשרות להשוואת ציונים בין קורסים ופוגע בערך המידעי של תעודות הציונים בדרכים שקשה לזהות מתפלגויות הציונים בלבד.

• הפגיעות ברמת התוכנית להיכשל/לעבור, והקריטריונים הקובעים אותה: Ivory et al. (2026) שפטו פלט ChatGPT עבור כל הערכת קורס בתואר פסיכולוגיה בן שלוש שנים (40 הערכות, 16 סוגים) בציון עובר/נכשל בינארי, אותו סוג החלטה שהמרצים מקבלים בקריאה ראשונה: 36 מתוך 40 עברו. שתי השלכות תוקף נובעות מכך. ראשית, המשתנה הקובע הוא גבול המעבר, לא הזיהוי — ניקוד שמתגמל שטף מבני ובחירה הנכונה של ניתוח, אך סולח על ערכים שגויים, מאפשר לסטטיסטיות מדומות ולהפניות מוזיות לחצות גבול מעבר, כך שההערכה מאשרת פלט כלי כהומת סטודנט בשל אופן הניקוד שלה ולא בגלל שאף אחד נפרך. שנית, פריטי בחירה מרובה דלפו את התשובות שלהם עצמם: ChatGPT ענה על שאלות סטטיסטיקה נכון ללא הדיאגרמה או טבלת הפלט שהוצגו לסטודנטים, מכיוון שגוף השאלה והאפשרויות הורידו את התשובה, דבר שהופך את עיצוב אפשרויות התשובה לתכונת תוקף של הפריט ולא לתכונה של הבינה המלאכותית.

• דיוק מול הסכם כתחות תוקף נפרדות: Falahat, Das, Bhaumik & Thambi (2026) ניקדו בחינת רוקחות בת 21 פריטים עם ChatGPT-5 ומצאו שדיוק אחוזי מתון שרר בצד מקדמי מתאם-התאם נמוכים — הבחנה מתודולוגית בין דיוק הניקוד לבין הסכם, המגבילה את המהימנות של בינה מלאכותית כמוצאת-מקום לניקוד גם במקומות בהם הדיוק הגלמי נראה מתקבל. ההסכם היה חזק בפריטים אובייקטיביים (CCC 0.935–1.000) אך אפסי כמעט בתשובות קצרות ומתון בחיבורים (0.341–0.854), ואספקת מחוונים לא סגרה את הפער בעקביות.

• תוקף של פריטים שנוצרו על ידי בינה מלאכותית: בחינת בחינות שנוצרו על ידי בינה מלאכותית מראה ששאלות שנוצרו על ידי בינה מלאכותית, שאומתו באמצעות IRT בייסיאני, מגיעות לקושי ולכושר הבחנה ברמתם של פריטים שנכתבו על ידי מומחים בבחינות תקניות (מהימנות 0.79 מול 0.72) — דבר התומך בתוקף של הערכות מותאמות-קורס שנוצרו בבינה מלאכותית כאשר הן מגובות בהערכה פסיכומטרית.

• הערכה אותנטית: הערכה אותנטית וסולם ההערכה של בינה מלאכותית מציעים עיצובי הערכה מחדש השומרים על תוקף.

• ביטחון וכיול: מערכות מודעות-ביטחון ביטחון משפרות תוקף על ידי סימון הערכות לא-ודאות.

• ראיות מגולמות ורב-מודאליות: הערכה מבוססת דיבור בלבד עלולה לטעות בכך ששטף לשוני נחשב לידע מושגי; Morphew et al. מראים שניתוח מחוות בראייה ממוחשבת בשילוב עם ניתוח דיבור של מודל לשוני מגדיל את תוקף הבנייה ואת שוויון על ידי כידוד ההבנה המובעת דרך מחווה, ולא רק מילים — הפחתת ההטיה נגד לומדים שמביעים הבנה באופן לא-מילולי.

• שיעורי בית מפסיקים להעיד על יכולת כאשר מודל מסוגל לפתור את המשימה: Mikhasenko et al. (2026) מתעדים בטלה ממשית של שיעורי הבית כמדד ליכולת בקורס פיזיקת חלקיקים בבוכום — פיזיקה: ברגע שמודל יוצר מסוגל להפיק פתרון נכון, פיתרון שהוגש אינו מבסס עוד שהסטודנט מסוגל לפתור את הבעיה בעצמו. התגובה שלהם מפרידה בין שתי הפונקציות — שיעורי בית בצורת מחקר, המותרים בבינה מלאכותית, נשמרים כעבודה חקירתית הנושאת בונוס, ובחינה בכתב ללא כלים הופכת לקובעת הבלעדית של הציון הסופי — חלוקת עבודה מונחית-תוקף ולא משטר זיהוי.

• תוקף מוכוון-החלטה לציון בינה מלאכותית בקנה מידה גדול: Curi et al. (2026) ממחישים תצוגה מוכוונת-החלטה של תוקף בהערכת הכתיבה הלאומית Acredita EB: במקום לשאול רק האם ציוני הבינה המלאכותית מסכימים עם בני אדם, הם שואלים האם שגיאות בינה מלאכותיות יכולות לשנות החלטת הסמכה. ציוני חיתוך אוטומטיים של IRT/Bookmark שחזרו מקרוב את ציוני החיתוך התפעוליים, ושיפוט הנמוך השיטתי של הבינה המלאכותית יושב על ידי ניתוב תוצאות נכשלות לסקירת אנושית — וזאת גם מול תקן ייחוס שנטען בעצמו, שכן עשרה מדרגי מומחים שניקדו את אותם 50 טקסטים לא הגיעו לאחדות דיעה באף פריט במחוון.

• דאגות תוקף מצד הסטודנטים לגבי בינה מלאכותית כמנקד: AlGhamdi (2026) מוסיף את קולו של הלומד לשאלת התוקף: 13 סטודנטים למחשוב שמשימת הכתיבה שלהם בכתב יד נוקדה על ידי ChatGPT הטילו ספק בשאלה האם מנקד בינה מלאכותית מסוגל לפרש כראוי כוונה, מאמץ ונורמות ציונים מוסדיות — ואחד מהם שאל בחדות, "If ChatGPT [is] checking the exams, why are we going to university?"

• הרשאה אינה מפחיתה את המשימה כשלעצמה, ושיעורי השימוש הם תחות התוקף השגויה: Zou et al. (2026) סקרו 85 סטודנטים-מורים שההערכות שלהם התירו במפורש בינה מלאכותית יוצרת, ומצאו את מעורבות ההערכה גבוהה ולא מושפעת סטטיסטית מהשאלה האם הסטודנטים השתמשו בה (ממוצע 4.21/5, סטיית תקן 0.46; Mann–Whitney U = 781.5, r = 0.07, p = 0.536). עם 62.4% (53) שנמנעו משימוש בבינה מלאכותית יוצרת לחלוטין, והשימוש של המאמצים מוגבל ברובו להגהה (43.8%) ולבדיקות בהירות (34.4%), שיעור האימוץ נושא מעט מאוד מידע על השאלה האם ההערכה עדיין הצדיקה הסקה על למידה — וגם אי-השימוש המונע מפחד מאשמת פלגיאט מוטעית (41.5% מהלא-מאמצים) אינו ראיה לתוקף.

• תוקף של מסגרת הדגימה כאשר מבחן ברמת בית הספר נקרא כראיה מערכתית: Restrepo Morales et al. (2026) מעניקים להסקה מציונים לטענות על מערכת יחס כמותי. הערכת פיילוט של 1,198 סטודנטים מתנדבים ב-171 בתי ספר בסלבדור בבחינה מבוססת PISA לבתי ספר הניבה תוצאות שהוכרזו כהשוות לגרמניה ולשוודיה, אך הכלי מניב הערכות עבור בית ספר ואינו מנוהל תחת מסגרת הדגימה הלאומית עם תקני שיעורי התגובה, מגבלות ההחרגה והשיוך — ולכן השוואה בין הערכה ברמת בית ספר לבין ממוצע לאומי נושאת לפחות שלושה מקורות חוסר ודאות לא מדווחים (שגיאת דגימה ברמת בית הספר, שגיאת דגימה של ממוצע לאומי, ושגיאת הקישור של כיוון הסולם). במקום לבדוק את טענת הלמידה, המחברים מגבילים אותה: כאשר 5.5% העליונים של התפלגות המתמטיקה הסלבדורית תואמים את הממוצע הגרמני תחת למידה אפס, ותחת ההבנה שהשתתפות מתנדבת מטבעת בדיקת הישגים כלפי מעלה, הראיות המפורסמות אינן יכולות להפריד בין אפקט אמיתי לבין מדגם נבחר. זהו כשל של הסקת התוקף של ההשוואה, לא של הסטודנטים או של הכלי.

הצעה מושגית מעלה גבול תוקף שחל על כל הערכה מתווכת בינה מלאכותית בעמוד הזה: El Khoury and Ma (2026) טוענים שמהירות אינה תוקף, ושהנחיות, דוגמאות ודוחות מבוססי-תמלול שנוצרו על ידי בינה מלאכותית עדיין צריכים להיבחן לדיוק, לתגובה תרבותית, לנגישות, לניתנות לפרשנות ולהתאמה עם תוצאת הקורס. הם מרחיבים גם את מה שנחשב כראיה: היכן שהדו-שיח הופך לארטיפקט הנמדד, התמלול הוא תחקיר תהליכי שבו שיפוט, אמפתיה, הבהרה וקבלת החלטות משותפת מתפתחים בהקשר, ושאלת העיצוב הופכת לשאלה האם הראיה הזו תומכת בהסקה שנגזרת ממנה — אותה שאלה שהציון האוטומטי מתמודד איתה, ונענית על ידי התאמה בין משימה, משוב וראיית למידה ולא על ידי חידוש טכנולוגי.

• מטה-דאטה של פריטים שהוקצה על ידי בינה מלאכותית אינו ראיה פסיכומטרית. לאורך מחקר של 10 שבועות במדעי הנתונים על 311 פריטי בחירה מרובה שנפרסו, דירוגי הקושי של מודלים לשוניים עקבו אחר תוויות הבלום של המודל עצמו (rho = 0.90) אך לא אחר קושי הפריט האמפירי (rho = 0.06), ולכן קושי הפריט חייב להיקבע מנתוני התשובות ולא מתוויות המודל היוצר (An & Wang, 2026).

• שיפוטי הסטודנטים על התאמה תוכנית הלימודים עוקבים אחר הקושי, לא אחר התוכן. Vogt et al. (2026) ביקשו מסטודנטים לדרג האם כל פריט בבחינה מדורגת בת 60 פריטים התאים לתוכנית הלימודים של הקורס, ומצאו שהדירוגים תואמו לקושי הפריט ב-ρ = 0.762 (פריטים קלים יותר נשפטו כמתאימים, קשים יותר כמתאימים, ρ = −0.762, p < 0.001), בעוד שהדירוגים לא נבדלו לפי מקור הפריט. היכן שהכלי מבקש מסטודנטים לשפוט את התאמתה התוכנית-לימודית של הערכה, הציון המתקבל הוא חלקית דירוג קושי ואינו יכול להיקרא כראיה עצמאית להתאמה.

• הישרו מחדש את משולש ההערכה במקום לרצף קודקוד אחד. Koretsky et al. (2026) ממסגרים את בעיית הGenAI דרך משולש ההערכה — קוגניציה (מה נמדד), תצפית (כיצד נאסף ראיה למידה) ופרשנות (ההסקה הנגזרת) — וטוענים ששלושת הקודקודים חייבים להיות מיושרים מחדש יחד, שכן עיצוב מחדש של משימות ללא תיקון הפרשנות משאיר את ההסקה ללא תמיכה. סקירת ההיקף שלהם עושה גם את הנאמנות של חומרי הערכה שנוצרו על ידי בינה מלאכותית לתכונת תוקף בפני עצמה, ומקטלגת ממדים של תוכן, לשון, קוגניציה, התנהגות, מבנה ופדגוגיה, ודורשת הערכה עם-אדם-בתוך-הלולאה לפני שמשימות כאלה מבססות הערכה.

עיצוב מחדש במקום זיהוי

מאגר הידע טוען ששמירה על תוקף ההערכה דורשת עיצוב מחדש של הערכות עבור סטודנטים מסוגלים להשתמש בבינה מלאכותית, ולא זיהוי שימוש בבינה מלאכותית. בעיית תוקף מקבילה עוברת דרך מדידה מחקרית: טענות רבות בתחום בינה מלאכותית בחינוך נשענות על נתוני דיווח עצמי, שאינם מסוגלים לתמוך בהסקה על למידה או מיומנות כמה טוב שהכלי עצמו מאומת. גישות מעבר לזיהוי והערכה מייצגות חשיבה קדימה-תוקף.

מוצרי לקיחת-הביתה והפיצול האיכותני/הכמותי. Brunnström and Palmqvist (2026) מעניקים לטיעון העיצוב מחדש הצעה ספציפית המבוססת בטקסונומיית SOLO. בעבודה דרך שאלת מבחן לקיחת-הביתה במדעי הקוגניציה עם צ'אטבוט, הם מוצאים ש-GenAI חזק ביותר בדיוק במקום שבו הטקסונומיה נמוכה ביותר — בהפקת תוכן מקיף, שוטף ומסוג עובדות ברמה הכמותית (רב-מבנית) — בעוד שהרמה האיכותנית (קישור, הערכה, הכללה) התגלתה רק דרך כיול חוזר מונע-לומד. ההמלצה שלהם היא אפוא מפורלת לפי בנייה: הערכות לקיחת-הביתה צריכות לדגיש ראיות להבנה איכותנית, בעוד שידע שליפה-מבוסס מוטב שיוערך בכיתה היכן ש-GenAI אינו זמין. ההדגמה גם מדגישה שארטיפקט מלוטש שהוגש הוא ראיה חלשה לשתי הכיוונים, ושעיצוב מחדש תקף חייב לקחת בחשבון כמה תובענית הלמידה החוקית הנתמכת-בינה מלאכותית מתבררת ככזו (הערכה מסכמת, יושרה אקדמית).

מתאים עיצובי מגיע מהאוכלוסייה שאליה טיעון העיצוב מחדש מתעלם בדרך כלל. Zou et al. (2026) מצאו שמשימות רפלקטיביות ומותאמות-אישית נשפטו באופן נרחב כפרטיות מדי לעזרת בינה מלאכותית, בעוד שהערכה כבדת-ידע בקורס אחר עוררה כוונה חזקה להשתמש בבינה מלאכותית יוצרת לצורך הפניות — ולכן מה שהסטודנטים עשו עם בינה מלאכותית עקבת אחר הבנייה שהמשימה ביקשה מהם להדגים. הלקח לתוקף הוא מדויק ולא חגיגי: עיצוב יכול להסיר את התגמול מהחלפה גנרית, אך אותו מחקר מזהיר מפני קריאת קבוצת הסתלקות כהוכחה שהוא עשה זאת, מכיוון שחלק ניכר מאי-השימוש יוחס לפחד מאשמת פלגיאט מוטעית ולא להתנגדות המשימה לבינה המלאכותית.

Sharma (2026) מספק טיעון עיצוב מחדש בצד היושר שהופך ראיות יושר לראיות תוקף. בהרחבתו את המסגרת הפוסט-פלגיאט של איטון (2023) לעיצוב הערכה, הוא טוען שמודלים של יושר מבוססי-זיהוי ואימות אינם מיושרים עם עבודה שבה שיפוט אנושי וייצור מכונה מסתבכים, וממסגר מחדש את היושר כפרקטיקה פדגוגית המתבצעת דרך שיפוט הערכתי — היכולת לשקול אפשרויות, להצדיק בחירות אקדמיות ולקחת אחריות תחת אי-ודאות אפיסטמית. ההשלכה לעיצוב היא שהיושר צריך להיות מעודד ולא מוסק: שבילי החלטה מוסברים, אימות של טענות שנרכשו מ-GenAI, הגנה בעל פה והיסטוריית גרסאות מוצעים כארטיפקטים של יושר, והוא מפורש בכך שההבדל מהערכה אותנטית הוא אפיסטמי — אותנטיות שואלת האם משימה משקפת פרקטיקה בעולם האמיתי, עיצוב מוכוון-יושר שואל האם לומדים יכולים להצדיק החלטות ולקחת אחריות מול תקנים תחומיים, כך שהיושר הופך לקריטריון הניתן להערכה המוטמע בארכיטקטורת המשימה. הוא מכנה את סיכון התוקף של ההצעה שלו במקום להשאירו מרומז: דרישת חשיבה מתועדת מיטיבה עם לומדים שוטפים בדיסקורס רפלקטיבי ומסתכנת ב"החלפת משטר ציות אחד באחר", מכיוון ששיפוט כראיה "נשאר יחסי וממוקם ולא ניתן לאימות מכני" — אותה בעיית אמינות פרשנית שהעמוד הזה רושם עבור כל הערכה מתווכת בינה מלאכותית.

Weidlich (2026) ממסגר מחדש עיצוב מחדש כשאלה של איזו הסקה שינוי אמור להגן עליה. בעבודה מטיעון התוקף המבוסס-טיעון של קיין, הוא מפריד חמישה לחצים שהדיון נוטה לקפל לאחד: ייצוד-חסר של בנייה, שונות שאינה רלוונטית לבנייה, ייחוס ביצועים, הכחשה מותנית, ושימוש ציון שאינו נתמך. שימוש בבינה מלאכותית אינו איום אוטומטית, מכיוון ששימוש בכלי רלוונטי היכן שהבנייה המיועדת היא שיפוט מקצועי נתמך-בינה מלאכותית, ועוקף את הביצוע המטרה היכן שמדובר בחשיבה ללא סיוע, ולכן בנייה ותנאי בינה מלאכותית חייבים להיות מצוינים יחד. אזהרתו לעיצוב מחדש נובעת מכך, משום שהתערבויות מחליפות לחץ אחד באחר: הגנות בעל פה עשויות לחזק ייחוס תוך פגיעה במהימנות או בנגישות.

קשרים

תוקף ההערכה מתחבר להערכה אותנטית, לניקוד אוטומטי, להערכה בינה מלאכותית מודעת-ביטחון, להערכה עיצובית, ליושרה אקדמית, ולניסוי מבוקר אקראי (RCT) (הנשען על מדדי תוצאה תקפים).

בינה מלאכותית מאתגרת תוקף ברמה האפיסטמית: Hathcoat, Slotnick & Miller (2026) טוענים שכאשר מודלים לשוניים משמשים כנבחנים, כיוצרי מבחנים, כמנקדים וכאנליסטים, שרשרת הפרשנות הופכת בלתי שקופה וחפץ המדידה מאבד את הגדרתו — דבר הממסגר מחדש תוקף כדורש שיפוט "סייבורג" מיומן-בינה מלאכותית, וGreen et al. (2026) מראים שציוני בינה מלאכותית יכולים להתיישר עם מדרגי אנוש (87% רשימת בדיקה) בעוד שההיגיון הבסיסי סוט, במיוחד על איכות המדידה ודוחות חלשים.

כאשר בינה מלאכותית מפיקה את הארטיפקט הנמדד. Kumar, Wongsirichot and Nanthaamornphong (2026) מעניקים לבעיית התוקף את המקרה התחומי החד ביותר: בחינוך מחשוב בינה מלאכותית מפיקה את הארטיפקט שנמדד — קוד המקור — כך ששימוש בכלי, למידה והערכה מתמזגים לאינטראקציה אחת, ובסיס קוד מוגש אינו מפריד עוד בין למידה להאצלה. לאורך 72 מחקרים הם מוצאים רווחי יעילות שאינם עוברים לביצוע ללא סיוע (21 מחקרים), ידע קודם כמגדיר האם עזרת בינה מלאכותית הופכת למיומנות (6 מחקרים), ומחקר זיהוי נעדר כמעט לחלוטין מבסיס הראיות (3 מחקרים) בעוד שעיצוב מחדש של ההערכה מעיד באופן יחסי היטב (25 מחקרים). המסקנה שלהם לפרקטיקה היא ספציפית-בנייה וסבירת-טכנולוגיה: הוספת מרכיב בעל פה או אלמנט אחר גלוי-תהליך לפחות הערכה בעלת-השלכות גבוהות אחת בכל קורס — ההתערבות בעלת המינוף הגבוה ביותר בסקירה — ודרישת מעורבות ביקורתית בפלט בינה מלאכותית כמרכיב מדורג ונצפה ולא כתנאי אופציונלי (יושרה אקדמית, הערכה).

תוקף תחת מידע לא שלם

המסגור העדכני החד ביותר מתייחס לבעיית בינה המלאכותית היוצרת כבעיה ראייתית. הסטודנט יודע כיצד יצור פלט העבודה; המוסד מתבונן בארטיפקט ובמורשת מיטבית של התהליך — פער מוצר-תהליך שMohamed and Temimi (2026) מנסחים כתוקף הערכה תחת מידע לא שלם. בחשבון הזה, השאלה אינה האם כלל נשבר אלא האם ההערכה עדיין מייצרת ראיות אמינות לחשיבה, למאמץ ולשיפוט של הסטודנט, וכל מנגנון מוסדי — איסור, מעקב, גילוי, עיצוב מחדש — נמדד לפי איזו תגובת סטודנט הוא הופך למזמין ביותר. עדשת התוקף גם מפרקת הפרדה מוטעית: יושר ותוקף הם אותה בעיה הנצפית משני קצותיה, מכיוון שממצא של התנהגות פסולה הוא עצמו טענת תוקף על מה שהעבודה מעידה.

מסגרת בצד הלומד מכנה את מטרות ההסקה שארטיפקט אינו יכול לקבוע בעצמו. Sak (2026) מציע תוקף ייחוסי לשיפוטים על פוטנציאל מוכשרים מעבודה בסיוע בינה מלאכותית: היחס מיכולת למוצר הוא רבים-לאחד, מכיוון שיכולת הלומד, יכולת המודל, כיוונו של הלומד, התאמה בין אדם לבינה מלאכותית והקשר משתלבים באופן שונה ליצירת ארטיפקטים שווים, ולכן המוצר אינו יכול לזהות את היכולת שמאחוריו. המסגרת מפרידה ארבע מטרות הסקה — מיומנות עצמאית, סוכנות אינטלקטואלית סוכנות הלומד, יכולת היברידית, והעברה התפתחותית — ומכנה שלוש טעויות הנובעות כאשר ראיה למטרה אחת נקראת כראיה לשנייה: ייחוס-יתר, אשליה התפתחותית, והנחת שוויון-יכולת מוטעית. דרישתה על התיק משקפת את המשמעת הראייתית שהסעיף הזה שואב מספרות ההתנהגות-הפסולה: כנו את היכולת שהשיפוט עוסק בה, תעדו כיצד העבודה נוצרה (מודל וגרסה, ממשק, פונקציות מורשות, תיווך מבוגרים, תנאי גישה), ודרשו ראיה מאוחרת יותר להעברה לפני שקריאת ביצוע בסיוע כשינוי בלומד.

Teichmann (2026) מושך את ההשלכה הפרוצדורלית: היכן ששימוש אסור אינו ניתן לזיהוי, משטר שמאשים עדיין על בסיס ציוני גלאים אינו יכול להצדיק את ההסקה שהוא מושך, ובכך מפיק חוסר הוגנות ללא יעילות. הוא טוען להחלפת השאלה הפורנזית — האם הסטודנט השתמש בבינה מלאכותית? — בשאלת תוקף — האם הסטודנט הדגים את היכולת שהמשימה תוכננה להעיד עליה? — דבר המעביר את המאמץ המוסדי להערכה ברמת תוכנית לאורך משימות מקושרות, לאלמנטים בעל-פה ומפוקחים בנקודות הסמכה, ולשיפוט הערכתי כחפץ מפורש של הערכה.

אותו סעיף של בסיס הראיות מספק גם את המקביל תיק-המקרה, והוא בלתי-נוח יותר מספרות הזיהוי לבדה. Munoz et al. (2026) קידדו כל תיק התנהגות-פסולה של בינה מלאכותית יוצרת באוניברסיטה אזורית אחת באוסטרליה לאורך שלוש שנים — 1,162 תיקים הנושאים 1,855 פריטי ראיה נפרדים — ודרגו כל פריט לערך הוכחתי על רלוונטיות, אמינות וכוח הסקה. הקטגוריות החזקות ביותר היו אלה שאינן תלויות בסיווג הסתברותי של טקסט (הודאות סטודנטים, התנהגות בחינה אסורה שנצפתה, והפניות מדומות מאומתות באופן עצמאי), בעוד שפלט גלאים קיבל את הדירוגים החלשים ביותר מכל קטגוריה: דוחות דמיון או Turnitin היו חלשים לחלוטין בכוח הסקה ופלטי גלאים עצמאיים נמוכים לחלוטין באמינות, יורדים מ-8.8% מהפריטים ב-2024 ל-0.5% ב-2025. כשל התוקף הוא פרוצדורלי כמו אינסטרומנטלי — אף שלב בצינור קבע סף ראייתי מינימלי או דרש מחוקרים לשקול ערך הוכחתי לפני קידום האשמה, ולכן איכות הראיה לא הראתה קשר אמין לתוצאות התיקים, וזהו בדיוק בעיית התקן הראייתי המתועדת בבעיות משפטיות וסיכונים. ההצעה שלהם ליישם מסגרת אישורים (credentials) בנקודת האשמה ולא רק בנקודת הקביעה היא דרישת תוקף: האשמה היא טענה על מה שהעבודה מעידה, והיא צריכה להיות נתמכת על ידי חומרים המסוגלים לתמוך בה. Hadra, Cambridge and Mesbah (2026) מראים כמה רחוק הכלי מהתקן הזה, עם דיוק מקרו של 0.69 (Originality) מול 0.61 (Turnitin) לאורך 192 טקסטים, כישלון כמעט מוחלט בכתיבה היברידית של אדם-ובינה מלאכותית (רגישות 0.02 ו-0.31), דיוק יורד עם אורך הטקסט ועל כתיבה מדעית, ונטייה גבולית לסווג במוטעות כתיבת סטודנטים של אנגלית כשפה זרה כבינה מלאכותית — ולכן ציון גלאי אינו יכול לקבוע את העובדה שממצא התנהגות פסולה מייחס.

מאגן הניקוד האנושי ותקרתו

ההשוואה של OpRaise בין שלושה מודלים חזיתיים ל-761 חיבורים אותנטיים בשלוש אוניברסיטאות בבריטניה הופכת את המאגן לחלק מטיעון התוקף. ציוני בני אדם שימשו כאמית-קרקע על היסוד המפורש ששיפוט אקדמי הוא התקן המקובל חברתית, בעוד שהמחברים מכירים בכך שמדרגי אנוש מסכימים זה עם זה רק בינוניות — דבר הקובע את התקרה להסכם בין בינה מלאכותית לבני אדם שאפשר היה לדרוש באופן סביר, ומשמעותו שמתאם אינו יכול להיקרא כמוכן-או-לא ללא נקודת ייחוס. בתוך המסגרת הזו, הכשלים הופיעו כמבנה שיטתי ולא כשגיאה אקראית: הציונים נדחסו לעבר אמצע הסולם, כך שהחיבורים הטובים והגרועים ביותר שופטו בטעות ביותר; ההסכם היה החלש ביותר בגבולות הציונים; וציוני בינה מלאכותיות עקבו אחר טווח האוצר, מילות הקישור ומורכבות המשפט, בעוד שציוני בני אדם היו חסרי רגישות אליהם באופן נרחב. הלקח המעשי הוא דו-קציני, מכיוון שאותו מחקר מצא את המהימנות מצוינת — סימונים חוזרים זהים לאורך הזמן והסכם גבוה בין מודלים. טענה לתוקף של סימון אוטומטי אינה יכולה להישען על יציבות או על הסכם ממוצע; היא חייבת להראות היעדר סטייה שיטתית, וזה בדיוק מה שהראיה הזו לא מצאה.

יציבות מריצה-למריצה אינה מובטחת, עם זאת: חזרה על אותו ניקוד על הגשות זהות בפער של חמישה ימים העניקה אלפא של קריפנדורף 0.625, עם גיוון מרוכז בציוני האמצע ו-A ו-F נעדרים מספירות המושב החוזר (Brevik et al. (2026)).

• גודל המודל אינו תחליף לתוקף ההערכה. לאורך שמונה תצורות של ארבע משפחות על 114 חיבורים מסומנים, הסכם פס מדויק נע בין 18.4% ל-54.4% ועקף אחר המשפחה ולא אחר מספר הפרמטרים — המודל הגדול ביותר, GPT-OSS 120B, העניק ציונים נמוכים ב-1.316 פסים, והטמפרטורה לא הייתה תרופה (Kerwat et al. (2026)).

• הסכם ושגיאת מאגן מתחזים כלמידה. שני מחקרים מ-2026 מראים דרכים נפרדות שבהן ציון יכול להיראות תקף תוך שהוא קובע משהו אחר. מחקר פתוח בכתיבת שיווק מצא הסכם מוחלט בין מודל לשוני לבני אדם של רק ICC(2,1) .435 והיברידי שהיה גרוע באופן משמעותי מהמודל הלשוני לבד, כאשר הרכבת עוגנים בכתיבה הניעה הסכם מ-.338 ל-.902 (Agreement and error in automated scoring of student marketing posts). סקר מומחה של שישה מאגמאגניי בוחן בפיזיקה ייחס 95.20% מהדחיות שנסקרו לפריטים או מדרגים פגומים ולא לשגיאת מודל, מעביר את CritPt mean@5 מ-32.29% ל-87.50% (How Good Are Frontier Models at Physics? Expert Re-Grading Reveals Broken Evaluations and Near-Saturation of Leading Benchmarks). בשני המקרים, האיום הוא שונות שאינה רלוונטית לבנייה מחוץ למודל שנמדד.

• הסכם בין מקודדי מודלים לשוניים הוא עקביות, לא תוקף. על פירמידת דו-שיח חינוכית מתויגת-מומחים, מסנן הסכם חוצה-מודלים שמר רק 33 מתוך 74 טענות התנהגותיות מגזירת הפירמידה ו-11 מתוך 48 מוצאנות-בנייה, ושגיאות מודל משותפות שרדו את המסנן, ולכן הסכם בין-מודלים אינו יכול לעמוד במקום תוקף הבנייה (Bernado et al., 2026).

• חשיפה ניתנת למדידה, והתרופה היא ראיה מספקת ולא ביטחון מקסימלי. Villanueva (2026) דרג 53,915 פריטי הערכה לפי פורמט מפורסם, פיקוח ומשקל ציון, ומצא שרוב הציונים המוערכים נשענים על עבודה שייחוסה אינו ניתן לאימות לאחר הגשה; הוא טוען שתוכניות זקוקות לראיה מספקת על למידה בשלבי מפתח, ולא כל יחידה מוגנת.

• מדד תקף יכול עדיין להיות מסוכן לאופטימיזציה. כיוונון עדין של חונך מונחה-מודל לשוני כנגד מדד אדפטיביות בסגנון מחוון הגביר את המדד (+0.05 עד +0.42) בעוד שהדירוגים העיוורים של מומחים נפלו (4.46 ל-3.03), מכיוון שממדד שמנקד החלטות באופן עצמאי מוגדש על ידי חזרה על ההחלטה הטובה ביותר הבלעדית (Domínguez Figaredo & Fernández De la Cruz, 2026)).

מושגים מחוברים

• דפוסים פדגוגיים — מדוע ראיות תהליך מוצעות כאשר הפלט אינו מזהה עוד את היוצר
• פרשנות ויישום מחקר AIED
• הערכה אותנטית
• הערכה אוטומטית
• הערכה עיצובית
• יושרה אקדמית
• ניסוי מבוקר אקראי (RCT)
• צמצום הטיה
• שוויון
• הערכת מערכות בינה מלאכותית בחינוך
• מדידה חינוכית
• בעיות משפטיות וסיכונים
• מודלי שפה גדולים (LLM)
• משוב
• מידות דיווח-עצמי
• ידע קודם
• מעורבות סטודנטים
• הערכה

מאמרים מחוברים

• The Integrity of Psychology Assessments in the AI Age: A Critical Examination — פגיעות ברמת התוכנית להיכשל/לעבור, והקריטריונים שמאפשרים לערכים מדומים לעבור (Ivory et al. 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — הרשאה בלבד אינה מפחיתה תוקף: המעורבות אינה מושפעת משימוש ב-GenAI; רפלקציה מתנגדת להחלפה גנרית

• AI Agents, Joyful Assessment, and Third Space: Rethinking Assessment in the GenAI Era — סוכני בינה מלאכותית, הערכה מהנה, ומרחב שלישי

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — דוח OpRaise: סימון בינה מלאכותית של 761 חיבורי אוניברסיטה בשלוש אוניברסיטאות בבריטניה

• Generative AI in computing education: A systematic review and a framework for responsible integration — כאשר בינה מלאכותית מפיקה את הארטיפקט המדורג: בעיית התוקף בחינוך מחשוב וראיות עיצוב מחדש

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — מבחני הביתה: העריכו את השלב האיכותני, העבירו את השליפה לכיתה (Brunnström & Palmqvist 2026)

• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — ציון בסיוע בינה מלאכותית עם אדם בלולאה בהערכת כתיבה לאומית בקנה מידה גדולה (Curi et al. 2026)

• VARIA: Benchmarking Frontier LLMs on Construct-Equivalent Assessment Variant Generation — יצירת גרסאות מבחן שוות-בנייה (Lee 2026)

• Artificial Intelligence and Grade Inflation — החלפת משימות בינה מלאכותית כמנגנון של אינפלציית ציונים (Chirikov 2026)

• AI Agents Can Now Navigate and Complete LMS Tasks: A Call for Pedagogical Innovation — סוכני בינה מלאכותית המשלימים משימות במערכת ניהול למידה; הנחת הייצור האנושי ותוקף סוכני (Hadjisolomou & El-Haddad 2026)

• Semantic Variability of LLM-Generated Replies Across LLMs: Implications for Designing Conversation-Based Assessment

• Do Assessment Instruments Measure the Same Thing for Humans and LLMs? A Latent Structure Analysis — האם כלי הערכה מודדים אותו דבר עבור בני אדם ועבור מודלים לשוניים? (Strugatski et al. 2026)

• A Multimodal Framework for Embodied Cognition in Oral Explanations — מסגרת רב-מודאלית לקוגניציה מגולמת בהסברים בעל-פה

• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — בחינת איכותם של מבחנים שנוצרו על ידי בינה מלאכותית: מחקר שדה בקנה מידה גדולה

• Distinguishing performance gains from learning when using generative AI

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics

• The End of Assessment? Disruption and Transformation in the Age of AI

• Can AI Evaluate Assessment? A Study of Large Language Model Meta-Assessment Performance

• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — שיפוטי ערך בניקוד עבודה בסיוע GenAI: יושרה, אמון, תוקף ושקיפות דו-כיוונית (Luo & Dawson 2026)

• Bridging technology and education: The use of ChatGPT in grading pharmacy student exams

• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — הליך ההתנהגות הפסולה כבעיית תוקף

• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — תוקף הערכה תחת מידע לא שלם: מודל אזור-תגובה

• Which inference is at risk? Assessment validity reasoning and generative AI — איזו הסקה בסיכון? הפרדת חמישה לחצי תוקף ובדיקת מה שעיצוב מחדש מחליש (Weidlich 2026)

• The shifting landscape of assessment in STEM education in the age of generative AI — הערכה ב-STEM כבעיית תוקף, עיצוב והגדרת יכולת, ולא כבעיית רמאות: ראיות תהליך, בחינות בעל-פה ונאמנות משימות שנוצרו בבינה מלאכותית (Koretsky et al. 2026)

• AI in Particle Physics Education: Research Problems and Foundational Skills — בינה מלאכותית בחינוך לפיזיקת חלקיקים: בעיות מחקר ומיומנויות יסוד

• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — מי צריך לנקד את העבודה שלי? פרספקטיבות סטודנטים על הערכת כתיבה בסיוע בינה מלאכותית שקופה בהשכלה גבוהה

• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — הגבלת טענת הלמידה של פיילוט החונכות בבינה מלאכותית של אל סלבדור (Restrepo Morales et al. 2026)

• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — מה קובצי האשמת ההתנהגות הפסולה מכילים בפועל כראיות, ומדוע איכות הראיה אינה מנבאת תוצאות (Munoz et al. 2026)

• Evaluating the accuracy and reliability of AI content detectors in academic contexts — דיוק גלאים 0.69 ו-0.61 על 192 טקסטים; כישלון כתיבה היברידית וסיכון לסיווג מוטעה של אנגלית כשפה זרה (Hadra et al. 2026)

• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — איסורים כוללים יותר מדי: תמלול אינו יצירה, ולכן הכלל מעניש מה שלא תוכנן לתפוס (Wright 2026)

• Educational integrity in GenAI-augmented assessment: making judgment visible — יושר נגיש באמצעות שיפוט הערכתי ולא באמצעות זיהוי (Sharma 2026)

• Can large language models reproduce higher education grade bands? Cross-model study of calibration and grading bias in authentic student writing — האם מודלים לשוניים גדולים מסוגלים לשחזר פסי ציונים בהשכלה גבוהה? מחקר חוצה-מודלים של כיול והטיית ניקוד בכתיבת סטודנטים אותנטית

• AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice — הערכה בסיוע בינה מלאכותית של דוחות מעבדה ניסוייים בפיזיקה: פוטנציאל, מגבלות ותמיכה בפרקטיקת ההוראה

• Inferring Gifted Potential from AI-Assisted Work: An Attributional Validity Framework for Gifted Education — ארבע מטרות הסקה ושלוש טעויות ייחוס כאשר מוצר נקרא כראיה ליכולת הלומד (Sak 2026)

• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — שימוש סטודנטים במודלים לשוניים גדולים וגבולות קושי השאלות שנוצר על ידי בינה מלאכותית בקורסי מדעי הנתונים

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: סכימות מבוססות-טענה לקידוד ניתן-לביקורת של דו-שיחים חינוכיים

• Can students identify AI? – A cross-sectional quantitative study about AI recognition in tablet-based MCQ assessment among fifth-year undergraduate medical students at Saarland University, Germany — דירוגי סטודנטים של התאמה תוכנית הלימודים עוקבים אחר קושי הפריט (rho = 0.762) ולא אחר התוכן (Vogt et al. 2026)

• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — ניקוד חוזר לאחר חמישה ימים על הגשות זהות העניק אלפא של קריפנדורף 0.625

• How AI-vulnerable is Australian higher education assessment? A computational audit of Group of Eight Arts and Humanities units, 2022–2026 — אינדקס פגיעות בינה מלאכותית: רוב הציונים המוערכים נשענים על ייחוס שאינו ניתן לאימות, ולכן התוקף נשען על ראיה מספקת בשלבי מפתח ולא על ביטחון מקסימלי

• The learner who does not learn: when optimizing a pedagogical metric degrades LLM tutoring — מדד אדפטיביות פדגוגי עלה בעוד שהדירוגים העיוורים של מומחים נפלו: תוקף המדידה אינו מרמז על תוקף האופטימיזציה (Domínguez Figaredo & Fernández De la Cruz 2026)

• Has the Target Moved Again? GenAI and the Validity of English Proficiency Scores — האם המטרה זזה שוב? GenAI ותקפות ציוני המיומנות באנגלית