מאגר הידע AIEdAIEd KB
בעמוד הזה

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

מושגים

עיצוב תוכנית לימודים

נוצר 2026-10-12

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

עיצוב תוכנית לימודים — תהליך התכנון והמבנה של מה שנלמד על פני קורסים, תוכניות ומוסדות, כולל מטרות למידה, סדרת תוכן, אסטרטגיות הערכה והתקדמות כישורים. בעידן הבינה המלאכותית, עיצוב תוכנית הלימודים חייב לאזן ידע יסודי עם כשירויות בינה מלאכותית מתעוררות, ולקבוע לא רק מה סטודנטים לומדים אלא כיצד הם לומדים לעבוד עם כלי בינה מלאכותית ולהעריך אותם באופן ביקורתי.

שאלות למחשבה

  • עיצוב תוכנית לימודים שואל מה סטודנטים צריכים ללמוד ברמת התוכנית, בעוד עיצוב הלמידה שואל כיצד ברמת הקורס. כאשר בינה מלאכותית מעקמת מחדש תחום דעת, לפי דעתכם איזו משתי השכבות האלה צריכה להשתנות תחילה?
  • כשבינה מלאכותית יוצרת מבצעת אוטומציה של עבודה ברמת היישום, יש הטוענים שתוכניות לימודים חייבות להחליק לעבר עיצוב מערכות, הפשטה והערכה ביקורתית. מה לדעתכם סטודנטים היו מפסידים אם כישורי רמת-מסד היו מופחתים בדגש?
  • עיצוב מחדש של תוכנית לימודים בעידן הבינה המלאכותית ממוסגר לעתים קרובות כאיזון בין רהיטות כלי וידע יסודי. היכן ראיתם שהאיזון הזה הטה רחוק מדי לכיוון אחד?
  • מסגרת SAIL מתייחסת לאוריינות בינה מלאכותית כמשופעמת לאורך גילים ומעוצבת להתמודד עם "פערים דיגיטליים" עמוקים יותר מעבר לגישה. כיצד הטמעת אוריינות בינה מלאכותית ברחבי תוכנית לימודים שלמה שונה מהוספת קורס בינה מלאכותית בודד?
  • אם כל תחום דעת זקוק עכשיו לכשירויות בינה מלאכותיות המוטמעות בתוכו, מי אחראי על שינוי תוכנית הלימודים — מרצים, תוכניות או מוסדות — ומה נדרש ממחנכים כדי להצליח בכך?
  • תוכנית לימודים היא רצף של כישורים לאורך שנים, לא רק רשימת נושאים. כיצד התצופה הארוכה יותר משנה אם "יחידת אוריינות בינה מלאכותית" באמת מתקיימת?

מבוא

עיצוב תוכנית לימודים מתייחס למה של החינוך ברמת התוכנית, ומשלים את העיצוב למידה שמתייחס לכיצד ברמת הקורס. המאמרים במאגר הידע הזה חוקרים כיצד בינה מלאכותית מעקמת מחדש תוכניות לימודים על פני תחומי דעת — מהנדסת תוכנה, אדריכלות וחינוך ירוק — וכיצד מחנכים מתכננים תוכניות לימודים שמטמיעות אוריינות בינה מלאכותית בלי להקריב יסודות תחומיים.

נושאי מחקר מרכזיים

עיצוב מחדש של תוכניות לימודים לעידן הבינה המלאכותית הוא האתגר המרכזי. Lee et al. סינתזו ממצאים מסדנאות בינלאומיות על עיצוב מחדש של חינוך מדעי המחשב לתואר ראשון, בטענה שבמידה ש-GenAI מבצע אוטומציה של תכנות ברמת היישום, תוכניות לימודים חייבות להחליק לעבר עיצוב מערכות, הפשטה והערכה ביקורתית — תוך הפחתת הדגש מפרטי יישום ברמה נמוכה. Gorsky פירמלו הנדסת תוכנה סוכנית כתחום דעת נבדל, עם תוכנית לימודים בת 21 מודולים המתמקדת ב"התפתחות הכוונה" ובמשמעת הפרקטיקני שנדרשת כדי לנהל סוכני בינה מלאכותית. שניהם מתחברים לאוריינות AI ולפיגום.

בסקירת השינוי כסיסטמי ולא כתוספת, Sabani et al. (2026) משולשים סקירת היקף, מיפוי ביבליומטרי של 209 רשומות, 36 מאמרים ועשר ראיונות עם מנהיגים אקדמיים לחמישה זזים — ובהם מעבר מהעברת ידע לפיתוח יכולת, ומניסויים מקומיים לממשל מוסדי.

מיפוי וניתוח תוכניות לימודים משתמש בבינה מלאכותית כדי להבין תוכניות לימודים קיימות. Geng et al. ניתחו 23 סילבוסים מקורסים של הנדסת תוכנה בסיוע בינה מלאכותית, זיהו נושאים נפוצים — הנדסת הנחיות, סקירת קוד עם בינה מלאכותית, שיקולים אתיים — והנחיתו הנחיות עיצוב המדגישות איזון בין רהיטות כלי לידע יסודי. CourseGraph מיישם שיטות חישוביות להשוואת מבני קורסי מדעי המחשב בין מוסדות.

שילוב אוריינות בינה מלאכותית מטמיע כשירויות בינה מלאכותית על פני תחומי דעת. SAIL מספקת מסגרת אוריינות בינה מלאכותית משופעמת, הניתנת-ליישום בכל הגילים ובכל שלבי החינוך, ומתייחסת לפערים דיגיטליים ברמה השנייה והשלישית. Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing בודקת כיצד אוריינות בינה מלאכותית מתפתחת באמצעות דפוסי אינטראקציה. Systematic Review of Collaborative Learning Activities for Promoting AI Literacy חוקרת גישות שיתופיות לפיתוח תוכנית לימודים של אוריינות בינה מלאכותית, ומתחברת ללמידה שיתופית.

LearnAI מראה כיצד נראית גרסה מוטמעת: שכבת חשיפה רחבה של מצגות קצרות בתוך 18 קורסים קיימים בחמישה תחומי דעת (293 סטודנטים), מזווגת עם פגישות יצירה-שותפת אחד-על-אחד על-גבי-הצטרפות שמופעלות על ידי חונכי-עמיתים סטודנטים מאומנים, כדי שלומדים בעלי יכולת מעורבת יפגשו משימות בינה מלאכותית ברמה שלהם (Qu et al. (2026)).

השילוב בפרקטיקה מפגר אחרי המסגרות. Santos-Albardía et al. (2025) מצאים שרק 13.8% מסטודנטים חינוך ועיתונות שנסקרו אמרו שהקורסים שלהם עסקו בניתוח מדיה ביקורתי, לעומת 97.8% שדירגו את זה כחשוב, וראיונות המומחים שלהם עקבו אחר הפער לחזרה להכשרת מורים שמעדיפה כישורים טכניים והוראיים על חינוך מדיה.

סקירת PRISMA של 39 מחקרי STEAM (2016–2025) מצאה חוסר-איזון מקביל ברכיבי אוריינות בינה מלאכותית: יישומים פיתחו אוריינות טכניות — קונספטי יסוד של בינה מלאכותית, חשיבה חישובית, אוריינות נתונים — תוך פיתוח-לא-מספיק של מודעות אתית, דמיון יצירתי, ויצירה, ניהול ועיצוב עם בינה מלאכותית, ולכן ביקורת של כל יחידה כנגדם היא התגובה המעשית (Niri et al., 2026).

קול הסטודנט הוא קלט עיצוב נוסף: 84% מתוך 166 סטודנטים ניהול שנת-סיום רצו ש-GenAI יילמד ביחידות שלהם ו-85% ראו בו חיוני לכושר-תעסוקה, בעוד שרק 7% למדו עליו מאוניברסיטתם (Rook & Plumb (2026)).

סקירה של 42 מחקרים על חינוך בינה מלאכותית טרום-אקדמי מוצאת שתוכניות לימודים נעות מתוכן טכני למודלים מבוססי-כשירות הבנויים על מסגרות כמו AI4K12 ו"חמשת הרעיונות הגדולים" בבינה מלאכותית, כאשר אוריינות AI נטופלת ככשירות חוצה-תכנית, בעוד כלים מתוקננים להערכתה נותרים חסרים (Caruana et al. (2026)).

מרצים ומעסיקים הסכימו על החשיבות של רק אחד מתוך 26 כישורי בינה מלאכותית — קביעת ציפיות ריאליסטיות לעבודה מגובה-בינה מלאכותית — ורק שלושה מתוך 26 נלמדו על ידי מחצית המרצים או יותר, וזו הראיה של הדוח לפער כישורי בינה מלאכותית בין השכלה גבוהה למעסיקים (Fried (2026)).

עיצוב פעילויות למידת מכונה מגן-עד-תיכון נשאר בפני השטח: סקירה מאחורי מסגרת ICE-T מצאה ששימוש בלתי-נראה, אינטראקציית לחצן ופריסת מודל מהווים כמעט 60% מפעילויות הלמידה-המפוקחת המקודדות, יצירה פתושת-סוף הופיעה רק פעמיים, ופרספקטיבות טכניות וחברתיות קרו יחד רק בכ-3% מהפעילויות (Haritz et al., 2026)).

חדשנות תוכנית לימודים ספציפית-תחום מיישמת עיצוב תוכנית לימודים על שדות ספציפיים. Gen-AI-tecture: using generative AI to support architectural students in design tasks חוקרת כיצד בינה מלאכותית יוצרת מעקמת מחדש את הפדגוגיות ואסטרטגיות הוראה של עיצוב אדריכלי. The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints בודקת שילוב בינה מלאכותית בתוכניות לימודים של חינוך ירוק. ConnectED: A Curriculum-Aligned AI System for Vietnamese Instructional Lesson Planning and Student Learning ו**LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example** מתייחסות לעיצוב תוכנית לימודים מגיב-תרבותית.

הטמיעו בינה מלאכותית בתוך התחום ולא לצידו. תוכנית לימודים בת שלוש רמות (מבוא, יישום, מתקדם) של בינה מלאכותית קיפלה למידת מכונה לתוך נושאי הנדסה תרמית קיימים לאורך קורס בן 39.1 שעות, במקום להוסיף בחירות מדעי המחשב, וכך נמנעה עומס נוסף על סטודנטים להנדסת מכונות, והסילבוס, הנתונים והקוד שלה פורסמו בגלוי (Li et al. (2026)).

מקרה עיתונות מראה את וריאנט הערכים-תחילה: פיגום משולש של ערכים–תהליכים–כשירויות העביר סטודנטים מדיווח אנושי-בלבד לעבודה משולבת-בינה מלאכותית, אך 8 מתוך 9 (89%) דיווחו על ביטחון בהחלטות אתיות, בעוד פריטי הסקירה על ייחוס והטיה הצביעו על הבנה שטחית בלבד (Ngu and Weller (2026)).

מסגרות מוסדיות מתייחסות לשינוי תוכנית לימודים בקנה מידה. A principled way to think about AI in education: guidance for educators and policy makers based on goals, models ו**A principled way to think about AI in education: guidance for educators and policy makers based on goals, models** מספקות עקרונות לשילוב בינה מלאכותית בתוכניות חינוכיות. The Main Barrier to AI Adoption in the Public Sector is Lack of Training בודקת חסמים לאימוץ תוכנית לימודים של בינה מלאכותית בחינוך מגזר ציבורי.

סדרת בינה מלאכותית לאורך התוכנית. Torres-Sahli et al. מציעים מסגרת "מנע, ואז הגבר" שסודרת בינה מלאכותית יוצרת ברמת התוכנית: שללו כלי יוצר בזמן שיכולת מתגבשת, ואז החזירו אותו כדי להגביר את היכולת הזו ברגע שהסטודנט מסוגל לכוון אותה ולשפוט את התשואות שלה. במישור עם קריטריון גיבוש-לעומת-פריקת-עומס (האם פיסת עבודה בונה יכולת או רק מעבירה אותה דרך הכלי), המסגרת מקשרת עיצוב תוכנית לימודים לפריקת עומס קוגניטיבי, ללמידה עצמית מוסדרת וליושרה אקדמית, עם נקודות-בדיקה קשות-לזיוף בכל ציר של מנע-להגבר.

המנוף לשלבים הגבוהים ביותר הוא לא קורסים נוספים: על פני 89 פרויקטי ספונות ממומנים, המעבר מרמת מוכנות-כוח-עבודה 6 ל-7 היה נעול על ידי ניסיון משובץ-תעשייה — התמחות משותפת ופרויקטי Manufacturing Extension Partnership — ולכן תוארים צריכים למידה משולבת-עבודה ולא בחירה טכנית נוספת (Smith et al. (2026)).

השלכה ברמת תוכנית הלימודים מיכולת המודל היא שעיצוב עמיד-בינה מלאכותית פג-תוקף. מחנכי מחשוב תיארו כיול מטלות כנגד מה שהמודלים לא יכלו עדיין לעשות, וצפייה בכיול מתרפה — הבעיות של מרצה סייבר אחד דרשו פתרון בעיות אמית שבעה או שמונה חודשים קודם, ואז נפתרו פשוט — כאשר מנחה העריך אורך-חיים במדף של כחצי סמסטר. הממצא המבני של הסדנה הוא שכמעט כל התאמה נעשתה על ידי מרצה בודד בתוך קורס בודד, בלי התיאום המוסדי שתגובה תוכנית-לימודים עמידה הייתה דורשת (Akbar et al., 2026)).

התאמת קורס-שלם כאשר בינה מלאכותית יוצרת מותרת. עיצוב מחדש מ-2026 של קורס מבוא לפיזיקה גרעינית וחלקיקים (Mikhasenko et al.) שילב שלושה סוגי פעילות בתפקידים נבדלים — הרצאות לקונספטים וסימונים, שעורי הדרכה לפרקטיקה אנליטית סטנדרטית, ומטלות-בית כרכום חקר "בצורת מחקר" של בעיות קשות במיוחד ורב-מתודיות. החיכוך המדווח (דרישת תכנות מוקדמת שלא הוכרזה, זמן לא מספיק להבין ולא רק להשיג תשובות, וחוסר-התאמה בין הרצאות, שעורי הדרכה, מטלות-בית ובחינת מבחן) ממחיש שהתרת בינה מלאכותית יוצרת מאלצת עבודת התאמת תוכנית לימודים על פני הקורס כולו, ולא שינוי בסוג מטלה אחד; המבנה המומלץ שלהם שומר את העבודה החקרנית המותרת-בינה מלאכותית כמטלות מתקדמות נושאות-בונוס, בעוד הבחינה הכתובה ללא סיוע קובעת את הציון.

עומק ההתאמה, לא תדירות השימוש, הוא שמפריד בין דפוסי השילוב. על פני 17 מקרים של מודולים עסקיים, שישה הטמיעו GenAI באופן שיטתי בהוראה, בלמידה ובהערכה (קונסטרוקטיבי), תשעה עשו זאת באופן לא-עקבי (מעורב) ושניים באופן ספורדי (אד הוק); המקרים הקונסטרוקטיביים דיווחו על התוצאות החזקות ביותר במעורבות, ביכולת וברלוונטיות-תוכנית-הלימודים (Zhou et al. (2026)).

ייעוץ התאמה-קונסטרוקטיבית תחת ביקורת ביקורתית. במקום שהמקורות שלעיל מדווחים על התאמה בפרקטיקה, McInnes et al. (2026) קוראים את הייעוץ עצמו כדיסקורס. ניתוח הדיסקורס הביקורתי שלהם של 14 קטעי ספרות אפורה שפורסמו מנובמבר 2022 עד אפריל 2025 — בעיקר דפים מוסדיים ופרקים מיחידות הוראה ולמידה במיקום מרכזי — מצאו את ההתאמה הקונסטרוקטיבית מוצגת כבעיית יעילות: בינה מלאכותית יוצרת הייתה "דרך יעילה ובעלת-תועלת לכתיבת רובריקות" שיכולה "לייעל את התהליך", אנטרופומורפיזציה כ"מומחה חינוכי ועוזר", כ"שותף אימון" או כ"עוזר חכם בעיצוב הוראה", בעוד סגל אקדמי סיפק רק "מומחיות תכנית" והכלי קיבל על עצמו "את העבודה הכבדה של פיתוח מטרות למידה, ארגון תוכן הקורס ... והתאמת רכיבי הקורס". מתכוני הנחיה של העתק-והדבק ותבניות ממוספרות מיסגרו את ההתאמה הקונסטרוקטיבית כמוצר ניתן-לתיקנון, והפיקו שלושה דפוסי כשל: מבצועיות (התאמה שנראית מותאמת בלבד), מחיקת הקשר ממוקם וביקורתי, והתאמה קונסטרוקטיבית שטחית המתבלבלת בין התאמה לבין הממד הקונסטרוקטיבי. התרופה שלהם מסדרת מחדש את זרימת העבודה של עיצוב תוכנית הלימודים — מחנכים חייבים להבין את ההתאמה הקונסטרוקטיבית היטב מספיק כדי לכוון, להעריך ולדחות פלט בינה מלאכותית לפני להאציל כל חלק ממנו — ומגבילה כל כלי לסוכן מוגבר-אחזור מוסדי המעוגן במדיניות מקומית, רובריקות ותכונות בוגר, עם תפקיד "חונך סף" שמרחיב ולא מחליף את יחסי המפתח.

הפקת משימות מידול מיושרות-תוכנית-לימודים. פלטפורמות מופעלות-בינה מלאכותית יכולות להתמודד עם חוסר הזמן והמשאבים של מורים לתכנון משימות מידול מתמטי איכותיות באמצעות הפקת בעיות מיושרות-תוכנית-לימודים והמלצות פדגוגיות המעוגנות בעקרונות עיצוב ובהפקה מוגברת-אחזור — גישה המומחית עם שינוי ישיר במתמטיקה תיכונית (Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics). גם קריאות הקורס עצמן הן מטרת הפקה כעת: Sidorkin (2026) החליף ספר לימודים מסחרי בקריאות הממוקמות-בינה מלאכותית שבועיות בקורס מנהיגות חינוכית לבוגרים, ואף שהסטודנטים דירגו אותן כמועילות ו-75 אחוז הסכימו שלמדו יותר מאשר בקורס מקביל, 4,487 דפי היומנים נשאו ציטוטים בתוך-טקסט בסגנון APA בכ-0.80 אחוז מהדפים בלבד, ושילבו קמפוס או מערכת בעלי-שם עם טענות מדיניות אסרטיביות בכ-1.03 אחוז מהדפים בלבד בלי מקור ניתן-לאימות. הלקח לחומרי תוכנית הלימודים הוא להתייחס לקריאות המופקות כייצור טיוטה תחת סקירת המרצה, לתקצב את עבודתו של המרצה לעיצוב הנחיה ואימות, ולאוצר מקורות שנבדקו לתוך העוזר במקום להשאיר איכות המקור לסטודנטים להסיק מההקשר.

תכנון שיעורים בסיוע בינה מלאכותית בשכבת תוכנית-הלימודים-אל-הכיתה. בנקודה שבה תוכנית לימודים הופכת לשיעור מלמד, Luo and Tahir (2025) השוו ניסיונית תוכניות שהופקו על ידי מורים לתוכניות בסיוע ChatGPT בחינוך אמנויות STEAM לילדים, ומצאו שתוכניות בסיוע בינה מלאכותית דורגו גבוה יותר באופן משמעותי על ידי שישה פרופסורים מומחים (חציוני 20.5 לעומת 17.6, p = .002, אפקט גדול). הם מראים שהתשואה תלויה בכיצד המורה מאציל: השיטה המומלצת ממלאת פערי תוכן בשיעור שהמורה מתאר בעצמו (בשימור האוטונומיה של עיצוב המורה) במקום להאציל את כל התוכנית, והם תורמים תבנית הנחיה תפקיד–הוראות–מטרת-סוף להפקה שחזורה ובקרת-איכות — ראיה שתכנון שיעורים בסיוע בינה מלאכותית הוא החזק ביותר כאשר הוא מוטמע בתוך החלטות תוכנית הלימודים של המורה, ולא במקומן. בחינוך מדעים, אימות מומחים מגיע לפסיקה מקבילה על עיצוב הפלטפורמה: Karaismailoglu, Surmeli and Yildirim (2026) ביקשו מאחד-עשר מומחי הוראת מדעים לדרג את ChatGPT-4 ואת כלי ממוקד-חינוך (Teacher's Buddy) על תוכניות לכיתה שישי מיושרות לתוכנית הלימודים המתוקנת של טורקיה ולמודל למידה מבוסס-עיצוב הנדסי. הפלטפורמה הממוקדת-חינוך דורגה גבוה יותר בכל שמונת הקריטריונים לאיכות — ובהם שלבים עתירי-משוב והתאמת תוכנית לימודים — ראיה שהטמעת מבנה פדגוגי לתוך בינה מלאכותית מייצרת פלט מיושר יותר; ועדיין כמה מומחים העדיפו את התוכנית לשימוש-כללי בשל הדגש החברתי-רגשי החזק יותר שלה, ו-7 מתוך 11 שפטו את התוכניות כ"ניתנות-ליישום בתיקון" ולא למישור ישיר. בחירת הפלטפורמה והמסגור של ההנחיה, ולא רק הבינה המלאכותית עצמה, מעצבים עד כמה תוכניות המופקות מיושרות לסטנדרטים של תוכנית הלימודים ולמודלים של תהליך.

מבנה, ולא ניסוח ההנחיה, הוא מה שהופך ניסוח-עזר של בינה מלאכותית לאמין בייצור: צינור Curriculum-as-Code של Paiva (2026) גזם בהקשר באופן אגרסיבי והפיק חומרים סעיף-אחר-סעיף לאורך 28 הקשרי פרויקט, וכך קיצר את זמן ההכנה של המרצה מכ-שמונה שעות לשתיים לכל הוראה, ולא השאיר הזיות קונספטואליות או מתמטיות לסקירת אנוש לתפוס.

קשרים למושגים קשורים

עיצוב תוכנית לימודים מתחבר ישירות לעיצוב למידה — תוכנית הלימודים מגדירה מה, ההוראה מגדירה כיצד. הוא מתחבר לאוריינות AI מכיוון שהטמעת כשירויות בינה מלאכותית היא אתגר תוכנית-לימודים עיקרי, להוראה ולפיתוח חינוכי מכיוון ששינוי תוכנית לימודים דורש הכנת מחנכים, ולפיגום מכיוון שתוכניות לימודים מעוצבות היטב מפגמות פיתוח כישורים על פני קורסים ושנים. החיבורים להשכלה גבוהה ולחינוך גן ותיכון (K-12) משקפים את הרלוונטיות של עיצוב תוכנית לימודים על פני רמות חינוכיות.

מושגים מחוברים

מאמרים מחוברים

שאלות נפוצות קשורות

משאבים קשורים

  • Building Intelligent Textbooks
    המדריך בקוד פתוח של Dan McCreary לבניית ספרי הוראה חכמים — ספרי הוראה מקוונים עם חיפוש, ניווט, מילון מונחים, חידונים, גרפי מושגים וסימולציות מוטבעות — באמצעות MkDocs Material ובינה מלאכותית יוצרת, עם ספריית עזר של MicroSims אינטראקטיביים המיוצרים על ידי בינה מלאכותית.

מטא-דאטה

תחום דעתStem Education
רמהHigher Ed
קהל יעדInstructors, Faculty Developers
למידה והוראהפיגום
טכנולוגות ושיטותבינה מלאכותית יוצרת
יסודות הבינה המלאכותית בחינוךאוריינות AI, עיצוב תוכנית לימודים, עיצוב למידה, הוראה
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.