מאגר הידע AIEdAIEd KB
בעמוד הזה

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

מושגים

בינה מלאכותית שיחתית

נוצר 2026-10-12

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

סוכני בינה מלאכותית שיחתית (CAI) — סוכנים המונעים מבינה מלאכותית ומבוססי דיבור או טקסט המדמים ומבצעים באופן אוטומטי שיחות, מצ'אטבוטים מבוססי-כללים ועד עוזרים מבוססי NLP/ML ובינה מלאכותית רב-מודאלית מבוססי מודלים לשוניים גדולים — הם מהממשקים הנפוצים ביותר של בינה מלאכותית בחינוך, מוערכים בשל תמיכה הוראית, פסיכולוגית ומטאקוגניטיבית, גם כשחששות טכניים, קוגניטיביים ואתיים ממשיכים להתקיים.

שאלות למחשבה

  • כשהשתמשתם בצ'אטבוט או בעוזר בינה מלאכותית, חשבתם עליו כמורה, כמנוע חיפוש, או כמשהו אחר? כיצד המסגרת הזו עיצבה כמה למדתם ממנו בפועל?
  • בינה מלאכותית שיחתית מתארת איך סוכן מדבר, לא את מה שהוא בנוי לעשות. האם צ'אטבוט יכול להיות שיחתי אך בלתי-פדגוגי לחלוטין — ומה היה מגלה לכם את ההבדל?
  • מחקר אחד מצא שאוריינות AI — ולא מיומנות טכנולוגית כללית — ניבאה אם סטודנטים היו מוכנים ויכולים להשתמש בצ'אטבוט. מדוע הידיעה כיצד בינה מלאכותית עובדת עשויה להיות חשובה יותר מלהיות "טובים עם מחשבים"?
  • צ'אטבוט כללי גלמי יכול לקצר דרך על הנהון בהיזון בתשובה מיידית, בעוד חונך מובנה שומר על מאבק פרודוקטיבי באמצעות עיכוב תשובות. אילו בחירות עיצוב קובעות איזה סוג של סוכן הסטודנט פוגש?
  • סטודנטים שהשתמשו בצ'אטבוט בקורס משפטים ביצעו שליש מהאינטראקציות שלהם לאחר שעות העבודה — ראיה לכך שזמינות 24/7 היא זכות אמיתית. אך האם גישה תמיד-פתוחה נושאת עימה גם סיכונים שהייתם רוצים לעצב נגדם?
  • המחסום הגדול לאימוץ צ'אטבוטים במחקר אחד היה חלון קופץ בעל עיצוב גרוע, לא חוסר אמון או חששות יושר אקדמי. מה זה מצביע על היכן השקעות בחינוך עם בינה מלאכותית נכשלות בפועל?

מבוא

בינה מלאכותית שיחתית (CAI) היא המונח-המטרייה לסוכנים המונעים מבינה מלאכותית המנהלים דיאלוג מדובר או כתוב, הנמכרים בעיקר כצ'אטבוטים, ומאוחר יותר, כעוזרים מבוססי בינה מלאכותית יוצרת ומודלי שפה גדולים (LLM) כמו ChatGPT, Claude, ודמויות חינוכיות רב-מודאליות. סוכני CAI מודרניים נחלקים לקטגוריות מבוססות-למידת מכונה, מבוססות-NLP, והיברידיות, כאשר סוכנים מבוססי-טקסט הם הנפוצים ביותר בחינוך. ככלי למידה הם פועלים כחונכים חכמים, מספקי משוב, שותפי אינטראקציה, ועוזרים מנהליים — במגע עם סוכנים פדגוגיים תוך פריסה של קבוצה רחבה יותר של יישומים.

כיצד בינה מלאכותית שיחתית מופיעה במאגר הידע

סינתיזה של סקירת מטרייה. סקירת המטרייה של סוכני CAI (34 מאמרי סקירה) מראה ששימוש ב-CAI מרוכז בתמיכה בהוראה ובלמידה (97.1% מהסקירות), בתמיכה פסיכולוגית ומוטיבציונית (91.2%), ובמטאקוגניטיבי ובפיתוח אישי (88.2%), בעוד תמיכה מנהלית, ניהול מחקר, וחינוך בריאות פיגרו. הסקירה מתעדת שחששות על יחסי אדם-בינה מלאכותית נמשכים בכל דורות CAI, כאשר יושרה אקדמית ופרטיות נתונים פרטיות עולים כסוגיות אתיות חדשות, וקוראת לעיצוב מבוסס-HCI, מבוסס-ראיות ולתמיכת אוריינות AI חזקה יותר.

מצ'אטבוטים לסוכני חונכות. מאגר הידע עוקב אחר ההתפתחות של CAI מצ'אטבוטי שאלות נפוצות מבוססי-כללים ועד ממוקדי חונכות של סוכנים. מסגרת חונכי הבינה המלאכותית השיחתית טוענת שטכנולוגיות ITS מוכחות (עקיבה אחר ידע, זיהוי השפעה, מידול סטודנטים) צריכות לעגן חונכים יוצרים בעוד בינה מלאכותית יוצרת מספקת דיאלוג גמיש. מחקר על האם חונכי LLM מלמדים או פותרים ובינה מלאכותית ספציפית-חונכות מול בינה מלאכותית כללית מראה שמעקות בטיחות מעוצבים פדגוגית חשובים: צ'אטבוטים כלליים גלמיים יכולים לקצר דרך על הנהון בעוד חונכים מובנים שומרים על מאבק פרודוקטיבי.

מדדים עשויים להגזים בכמות הפיגום שנצרכת בפועל: ב-9,490 שיחות בתשעה מערכי נתונים, סטודנטים בפריסות אמיתיות עקפו את המסגור הפדגוגי של הצ'אטבוט בעלות בין-אישית מזערית כדי להוביל את האינטראקציה אל היעדים שלהם — מהלך חיפוש עזרה אינסטרומנטלי ולא התרחקות (Neagu et al. (2026)).

אינטראקציה ושיתוף פעולה. סוכנים שיחתיים ממוסגרים ביתר ויתר כשותפי אינטראקציה ולא כנותני תשובות. אינטראקציה בין תלמידים לבינה מלאכותית לוכד כיצד לומדים מנחים, שואלים, ומאמתים עם CAI בפועל. בלמידה שיתופית, סוכנים מתווכים השתתפות ורגולציה של בינה מלאכותית בחינוך משותף, ובלימוד שפות הם מספקים תרגול שיחתי בזמן אמת. קו השיתוף פעולה בין אדם לבינה מלאכותית בוחן מתי השותפות הזו שומרת על העבודה הקוגניטיבית של הלומד לעומת מחליפה אותה. LLMs כשותפי ביקורת ממחישים את צד השימור באופן קונקרטי: Oppenheimer, Cash & Connell Pensky (2025) ביקשו מ-ChatGPT, Gemini או Claude לבקר חיבורים טיעוניים של סטודנטים לאורך סמסטר, והלומדים השתפרו בכתיבה, בהנדסת הנחיות, ובתגובה-למשוב תוך דירוג ההחלפות כשימושיות, מעורבות ונעימות — עם סירוב פעיל לטענות המודל (87.8%) שמראה שהם התייחסו לשותף השיחתי באופן ביקורתי ולא פסיבית.

סוכנים שיחתיים משמשים לדירוג, וההתנהגות ההערכתית שלהם סוטה מזו של בני אדם: ChatGPT היה המקל ביותר מבין שלושת המעריכים של אותם 52 פרויקטים לתואר ראשון (M = 91.46 לעומת 83.13 עבור המרצה) ולא שיתף לוגיקת דירוג עם עמיתים (r = 0.05), אם כי הסטודנטים העריכו את האינטראקטיביות הדיאלוגית שלו (Usher & Faraon (2026)).

פיגום צד הסטודנט בשיחה. Jin et al. (2026) מוסיפים מוניטור ספציפיות-שאלות ותבנית מחיקה לממשק צ'אט ומתערבים רק בשאלות מעורפלות: במחקר בין-נושאים עם 40 סטודנטים למכללה הלומדים תכנות אתרים, משתמשי HelpCoach כתבו משמעותית יותר שאלות ראשונות ספציפיות (57.3% לעומת 40.5%) ושמרו יותר ידע שבוע לאחר מכן (רווח ממוצע 1.9 לעומת 0.3 מתוך 6, d = 1.100). תוצאת השימור לא עברה דרך תשובות צ'אטבוט ממוקדות יותר, שלא נבדלו לפי תנאי — והותירה את המנגנון השערה פתוחה ולא נתיב מוכח.

התפקיד שהסוכן ממלא מעצב את האינטראקציה. עיצוב CAI אינו ניטרלי לגבי הפרסונה שלו: Liao (2026) מצא שחבר "עמית סטודנט" קבוע בשיח ספרים יסודית החזיק אינטראקציות ארוכות יותר אך שלט בשיחה (שיתוף מילים/משפטים נמוך יותר של הסטודנט) ופגע ב"תקרה אפקטיבית" — התאמה למורה אנושי בשליפת עובדות אך היכשלות בהשתקפות רגשית ומוכוונת-עתיד — וטוען ש-CAI צריך להתאים את תפקידו (עמית, עוזר מורה, יועץ הורים) ולא להישאר מונוליטי. Xu et al. מרחיבים זאת לקבוצות קטנות, ומראים שבינה מלאכותית יוצרת פועלת הן כסוכן והן כמרחב שיתופי בדינמיקות שיתופיות סינכרוניות ואסינכרוניות, כאשר עיצוב האינטראקציה קובע אם היא מפיגמת או דוחקת קוגניציה קבוצתית. טון יכול גם להיקבע על ידי מסווג חיצוני ולא על ידי השיחה בלבד: Sukoon (Bashir & Afzal, 2026) מאמן Random Forest על 20 תכונות סקר כדי להקצות רמת מתח נמוכה, מתונה או גבוהה, והפלט הזה בוחר אחת משלוש רמות תגובה בהשראת מודל הטיפול המדורג — חם ומעודד במתח נמוך, מעוגן ולא שיפוטי במתח גבוה — לפני שקוד פתוח LLM (GLM-4.5-Air דרך OpenRouter) לוקח על עצמו את הדיאלוג עם היסטוריית השיחה המלאה והנחיית מערכת מותאמת-תרבותית הנשלחת מחדש בכל תור. המחברים בחרו במודל רב-לשוני בגישת חופשית בכוונה כדי לשמור על הפריסה כמתאפשרת באוניברסיטאות אזוריות, ומציינים שהאורדו מופיע דרך הנדסת הנחיות ולא דרך צינור דו-לשוני אמיתי — מגבלה שחשובה בכל פעם שהתאמה תרבותית נטענת כמאפיין מערכת ולא כתוצאה מוערכת.

התנהגות שיחתית עוקבת אחר הספק, לא אחר הכיול. ב-1,971 תמלילים של בינה מלאכותית ו-135 תמלילים אנושיים שנדרגו על שישה כללים קבועים הנלקחים ממדעי הלמידה, מודלים מאותו ספק התקבצו יחד ללא חפיפה בין טווחי המשפחות, מה שהמחברים קוראים כהוראה שהתנהגות ההוראה עוקבת אחר פרקטיקות אימון רחבות-ספק ולא אחר כיול מודל אינדיבידואלי (Northcutt et al. (2026)).

עקביות התגובה היא בעיית תשתית, לא בעיית הנחייה: דמיון תגובה בתוך-מודל רץ 0.715–0.795 לעומת 0.443–0.604 בין מודלים, והוספת היסטוריית צ'אט שינתה את תוכן התגובה גם לאותה הודעה מוקדית (Hao (2026)). נקודות מבט של סטודנטים. שימוש בעולם האמיתי מראה שאימוץ תלוי באוריינות AI ובחוויית המשתמש יותר מאשר ביכולת טכנית. מחקר אנושי-מרכז רב-שיטות של "צ'אטבוט ג'ורדן", סוכן פדגוגי מבוסס GPT-4o בקורס משפטים אוסטרלי, מצא שהסטודנטים מחזיקים גישות חיוביות ותופסים רווחים בידע בעוד הם תומכים בחוזקה בדרישות יושרה אקדמית; יותר משליש מהאינטראקציות התרחשו לאחר שעות העבודה, מאשר את ערך הזמינות 24/7 (Colbran, Jha & Schiavone 2026). בעיקר, אוריינות AI — ולא מיומנות טכנולוגית כללית — ניבאה נכונות וביטחון להשתמש בצ'אטבוט, ושמישות (עיצוב חלון קופץ פולשני) הייתה המחסום הגדול ביותר בקרב לא-משתמשים, לפני אמון, העדפת סגל, וחששות יושר אקדמי.(Understanding student perspectives on generative AI chatbots: a human-centred mixed-methods study in higher education) המחקר ממליץ על עיצוב אנושי-מרכז, מדיניות AI מפורשת ותוויות הערכה, הכשרת סגל וסטודנטים, וניטור שגיאות מתמשך — ראיה לכך שפריסת CAI יעילה היא בעיית עיצוב ואוריינות לא פחות מאשר בעיה טכנית. בקצה השני של ספקטרום הגילים, Vahedian Movahed & Martin (2025) חקרו ילדים בגילים 6–14 המתקשרים עם AMA, צ'אטבוט מוגבל-נושא ומותאם-גיל (אסטרונומיה, נעליים סניקרס, דינוזאורים), ומצאו פתיחות רחבה ואמון גבוה בבינה המלאכותית כמקור מידע — ילדים אף בחנו את האמינות שלו בשאלות ידועות-תשובה — לצד פערים במעורבות ביקורתית ובמודעות לבטיחות דיגיטלית שמצדיקים עיצוב שיחת-בינה מלאכותית רגיש-גיל ומודע-אמון והנחיית פרטיות מפורשת.

מי שמשתמש בסוכן גם משתנה: בקרב 97 סטודנטים לתואר שני בסטטיסטיקה, יותר מרבע לא השתמשו מעולם בצ'אטבוט StatBot, וסטודנטיות השתמשו בו משמעותית ביתר תדירות (W = 679.5, p = .015), מה שהמחברים קוראים כביטוי לכך שבינה מלאכותית שיחתית מפחיתה את הסיכון החברתי הנתפש של שאילת שאלות (Lee and Wu (2026)).

אימוץ אינו הומוגני: קיבול 192 תגובות של סטודנטים ומחנכים מניב ארבע פרסונות — משיגים זהירים, יוטיליטרים סקפטיים, מטילים ספק מנותקים ונלהבים מעורבים — שמודלי קבלה של אפקט ממוצע מטמיעים, כאשר סטודנטים מתעדפים משוב מיידי ומחנכים דיוק תוכן ויושרה אקדמית (Saihi & Ahmed (2026)). קיימות נצפתה בפריסה מוסדית אחת. הערכה רנדומלית בת ארבע שנים של צ'אטבוט מבוסס-מאגר ידע לא-יוצר באוניברסיטת מדינת קליפורניה, נורת'רידג' (N = 8,708), מצאה שהסטודנטים נשארו פתוחים לאורך שמונה סמסטרים — שיעורי ההסרה השנתית לא עלו מעל 4% — בעוד ההשפעות התרכזו במשימות מנהליות רגישות-זמן כמו רישום מוקדם לקורסים (34 נקודות אחוז יותר סביר להרשם עד המועד) ולא הופיעו השפעות מובהקות סטטיסטית על GPA, יחידות לימוד, או התמדה (Mata, Russell & Page 2026, נייר עבודה). שיעור המדידה שלה נוגע לאופן שבו מעורבות CAI נספרת: עם הסרה קרובה לאפס לצד כ-5% מעורבות פעילה בקמפיינים אינטראקטיביים, מסקנות על מעורבות מתמשכת תלויות במחקר הסופר רק תגובות ישירות או גם מעורבות פסיבית, שבה סטודנטים פועלים על מידע בלי להשיב בטקסט.

סיכונים ואתיקה. סוכני CAI נושאים סיכונים מתמשכים של הסתמכות מופרזת ופריקת עומס קוגניטיבי (החשש האתי המוביל בסקירת המטרייה), לצד מגבלות טכניות, הזיה, הטיה, גניבה, ומחסומי שוויון. החששות האלה מעודדים אוריינות AI וצמצום שימוש לרעה בבינה מלאכותית ודורשים תגובות של מדיניות וממשל אתי-ממשל בינה מלאכותית. חשש אמון נוסף עולה סביב עצת האימוץ שהסגל מקבל ביתר ויתר: הסגל מעודד להתייעץ עם בינה מלאכותית שיחתית בשאלה האם לאמץ בינה מלאכותית, אך מערכות כאלה נבנות על ידי ארגונים בעלי עניין מסחרי באימוץ. ביקורת של עשרת מודלי ה-LLM החודרתיים ביותר מצאה שרובם מכירים בחששותיהם של משתמשים סקפטיים לפני הפניה מחדש למסגרות מעורבות, ומעלה שאלות על ניטרליות עצת אימוץ ה-AI.

סוכנים שיחתיים מבוססי-משחק. מעבר לחונכות, סוכנים שיחתיים משובצים בלמידה דיגיטלית מבוססת-משחק. Wenzel, Geiger, and Liening (2026) משתמשים במחקר עיצוב פעולה כדי להפיק את מסגרת CAIS-GBL — ארבעה עקרונות עיצוב וחמישה עשר תכונות עיצוב לסוכנים שיחתיים של בינה מלאכותית בלמידה דיגיטלית מבוססת-משחק — מעוגנת במטה-דרישות מונעות-תיאוריה הפורשות על קוגניציה, מוטיבציה, השפעה אפקטיבית, ומעורבות סוציו-תרבותית של מעורבות וגישה של שוויון-בעיצוב. הסוהם המופעל שלהם (Lara) במשחק סימולציה עסקים נתקבל בחיוב עבור קוגניציה ונוכחות חברתית ותמיכה בלמידה עצמית מוסדרת, והוערך עם סטודנטים-מורים ובמחקר שדה — תוכנית מעשית לתמיכה הוראית אדפטיבית דרך סוכנים שיחתיים במשחקים רציניים.

הקשר לסוכנים פדגוגיים ולהוראה חכמה

בינה מלאכותית שיחתית מובנת בצורה הטובה ביותר כמודאליות אינטראקציה החופפת — אך אינה מתלכדת עם — שני מבנים יותר מבוססים במאגר הידע: סוכנים פדגוגיים ומערכות הוראה חכמות (ITS).

בינה מלאכותית שיחתית כמדיה, לא כפדגוגיה. CAI מכנה כיצד הסוכן מתקשורת (דיאלוג בשפה טבעית, מדובר או בטקסט). היא אומרת מעט מעצמה על מה הסוכן בנוי לעשות. סוכנים פדגוגיים, לעומת זאת, מוגדרים על ידי התפקיד ההוראי שלהם — רכיב בינה מלאכותית המעורב לומדים דרך דיאלוג, שאלות, או הנחיות לתמיכה בתהליכים מטאקוגניטיביים, משוב, ופיגום. מערכות הוראה חכמות מוגדרות על ידי הארכיטקטורה והמידול שלהן — עמוד שדרה אבחוני של עקיבה אחר ידע, מידול סטודנטים, ולוגיקת החלטה פדגוגית שעוקבת אחר מה שהלומד יודע ומתאימה הוראה. סוכן בודד יכול להיות שלושתם בבת אחת: לדוגמה, חונך בינה מלאכותית שיחתית הוא סוכן CAI (ממשק דיאלוג) הפועל כסוכן פדגוגי (אסטרטגיות חונכות) הבנוי על יסוד ITS (מידול סטודנטים). ההבחנה חשובה מפני שסוכן CAI אינו חייב להיות מעוגן פדגוגית כלל — צ'אטבוט שאלות נפוצות פשוט הוא בינה מלאכותית שיחתית בלי להיות סוכן פדגוגי או חונך.

עדשת הסוכן הפדגוגי. סוכנים פדגוגיים משתמשים במדיום השיחתי כדי להפעיל אסטרטגיות הוראה — עידוד הערכות עצמיות, שאלות סוקרטיות, סיוע ממוקד-תפקיד בעיצובי רב-סוכנים (מורה, עוזר, בן כיתה, מנתח). לא כל סוכן CAI הוא סוכן פדגוגי, אך השניים חופפים כבד: סקירת המטרייה של סוכני CAI מצאה שתמיכה בהוראה ובלמידה (97.1%) ופיתוח מטאקוגניטיבי (88.2%) שולטים ביישומי CAI, כלומר שרוב סוכני CAI הממוקדי-חינוך פועלים פדגוגית. סקירת הטווח של תכנותים מתחילים מחידדת זאת: רק 4 מתוך 23 סוכנים שיחתיים עיגנו במפורש את העיצוב בתיאוריית למידה — רובם היו פדגוגיים בכוונה אך לא ביסוד.

עדשת ה-ITS. הוראה חכמה תורמת את מכונת האבחון הקוגניטיבי שמבני שיחה גלמיים נחסרים. מסגרת חונכי הבינה המלאכותית השיחתית טוענת שטכנולוגיות ITS מוכחות צריכות לעגן חונכים יוצרים: מעקב ידע, זיהוי השפעה, ומידול סטודנטים מספקים את המבנה, בעוד בינה מלאכותית יוצרת וLLMs מספקים דיאלוג גמיש. זו המתח המרכזי בעיצוב — בינה מלאכותית שיחתית מספקת אינטראקציה טבעית וסקיילבילית, אך בלי מבנה בסגנון ITS היא מסתכנת בעוד-פיגום, הזיה, או מעקף המאבק הפרודוקטיבי של הלומד. מחקר כמו Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact וThe Evidence Base on AI in K-12: A 2026 Review מראה שקרטריונים מוכווני-פדגוגיה (שאלות מנחות, רמזים מכוילים) חייבים להיות מעוצבים במפורש.

בקיצור: בינה מלאכותית שיחתית היא הממשק/המדיה, סוכנים פדגוגיים הם התפקיד, והוראה חכמה היא המידול והלוגיקה ההוראית הבסיסיים. סוכני CAI בעלי ערך חינוכי יושבים במפגש של שלושתם — שיחתיים בממשק, פדגוגיים בכוונה, ודמויים-חונך במידול שלהם של הלומד.

הדרכה מעשית

בחרו סוכנים שיחתיים לתמיכה בהוראה, במוטיבציה, ובמטאקוגניציה ולא רק למען מענה על שאלות, ועצבו לאינטראקציה מונעת-HCI, השתתפותית ומונחת-משתמש. הגנו מפני הסתמכות מופרזת באמצעות קישור CAI להוראת אוריינות AI ולמשוב ששומר על הלומד פרודוקטיבי קוגניטיבית. התייחסו לאוריינות AI ולשמישות במפורש — מכיוון שאלה — ולא כישות דיגיטלית כללית — מניעים אימוץ ואי-שימוש (Colbran, Jha & Schiavone 2026) — וקישרו פריסה למדיניות שימוש-AI ברורה, תוויות הערכה, והכשרה. העריכו CAI על תוצאות פדגוגיות — לא רק השלמת משימות — ותכננו שוויון ונגישות מההתחלה ולא כמחשבה שנייה.

  • כיצד סטודנטים מדברים בפועל עם סוכנים שיחתיים — סכימת התרחקות בשישה קטגוריות: Rho et al. (2026) שיבצו סוכן ניתן-להוראה GPT-4-Turbo (ממוקם כתלמיד חטיבת ביניים מתקשה, מעוגן ב-RAG על גרף ידע, מקושר לסוכן מנטור שביקר את ההסברים של הסטודנטים) בשיעורי אלגברה וגאומטריה של Math Nation, וקידדו 5,522 אמירות מ-246 סטודנטים. מעבר למעורבות (75.7% מהאמירות), הם זיהו מענה שגוי (12.8%), מניעה (8.9%), אקראי/רועש (2.1%), שיקוף (0.6%), לועגות (0.3%), ונעלמות (0.2%) — כאשר שיקוף (העתקת טקסט הסוכן) הופיע באופן אינדוקטיבי מהנתונים. הסיווג היה אנושי-בלולאה: 1,682 אמירות הוערו על ידי שני מדרגים (κ = 0.704–0.905 לקטגוריה) אימנו מסווג LLaMA 3 מכוון-עדין (F1 משוקלל = 0.910 על שרשורים מוחזקים-מחוץ) שתייג את 3,840 האמירות הנותרות. ניתוח סיכונים-מתחרים ברמת-תהליך הראה אז שרוב ההתרחקות נפתרת בתוך מספר תורים למעט מניעה, שנמשכת — אות שכדאי לעצב סביבו תגובות סוכן.

מושגים מחוברים

מאמרים מחוברים

ציטוט

Ganguly, A., Mehjabin, N., Malik, A., & Johri, A. (2025). Conversational AI agents in education: an umbrella review. AI and Ethics, 6, 72.

מטא-דאטה

טכנולוגות ושיטותבינה מלאכותית שיחתית, בינה מלאכותית יוצרת, חונך אינטליגנטי, מודלי שפה גדולים (LLM), סוכן פדגוגי
יסודות הבינה המלאכותית בחינוךאוריינות AI, שיתוף פעולה בין אדם לבינה מלאכותית
SourceHistoryEditChat

הטמעת העמוד הזה

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