מושגים
מחקר מבוסס עיצוב
תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.
מחקר מבוסס עיצוב (DBR) — גישה מתודולוגית שמעצבת, מיישמת ומשכללת באופן איטרטיבי התערבות חינוכית בהקשרים אותנטיים, וסב בין תיאוריה, עיצוב ופרקטיקת עולם-אמיתי כדי לייצר הן ארטיפקט שמיש והן עקרונות עיצוב מאומתים. בבינה מלאכותית בחינוך, DBR היא השיטה המועדפת לפיתוח סביבות למידה של בינה מלאכותית, מודלים פדגוגיים, ותוכניות הכשרת מורים שחייבות לעבוד במציאות המבולגנת של כיתות — ומסחרת בבקרת הסיבתיות של ניסויים עבור אותנטיות אקולוגית ושיפור איטרטיבי.
שאלות למחשבה
- מחקר מבוסס עיצוב מעצב, מיישם ומשכלל באופן איטרטיבי התערבות בכיתות אמיתיות, וסב בין תיאוריה לפרקטיקה. כיצד זה שונה באופן בסיסי מניסוי מבוקר — ומדוע חוקר כיתה עשוי להעדיפו?
- DBR מסחרת בבכוון בבקרה סיבתית עבור אותנטיות אקולוגית. אם אינכם יכולים לומר בוודאות מה גרם לרווח למידה, מה עדיין שווה הידע?
- DBR מייצר שני דברים בו-זמנית: ארטיפקט שמיש ועקרונות עיצוב מאומתים. איזה משני הפלטים חשוב יותר לכם — כלי שעובד, או עקרון שאפשר ליישם במקום אחר?
- חוזקה של DBR היא הרלוונטיות המעשית הגבוהה; מגבלה היא שממצאים מוגבלים-הקשר וקשה להכלילם. מתי הייתם סומכים על ממצא DBR במידה מספקת כדי ליישם אותו בהקשר שונה מאוד?
- ללא מדד תוצאה מבוקר וללא סיוע, רווחי למידה של DBR יכולים לשקף את אותה בעיית "ביצוע מונפש-בינה מלאכותית" שהיא חוקרת. כיצד הייתם מעצבים מחקר DBR כך שהרווחים המדווחים שלו באמת אומרים למידה, לא ביצוע בסיוע?
מבוא
DBR היא מסורת עיצוב, לא מסורת נתונים: היא אינה נכנסת בצורה מסודרת לניגוד הכמותי/איכותני/הניסויי. היא משלבת בכוונה אלמנטים משלושתם — איסוף נתוני תוצאה ותהליך לאורך מחזורים איטרטיביים — כדי לענות על "כיצד מעצבים את סביבת הלמידה הזו של בינה מלאכותית כך שתעבוד בפרקטיקה?" ולא על "האם X גורר Y?". היא קרובה לעיצוב למידה (שמפרט את תהליך העיצוב) ולהערכת השמישות (שמזינה שיפור), אך נבדלת על ידי אופיה המתמשך, המונע-תיאוריה ורב-המחזורים, ובמטרתה הכפולה של שיפור הפרקטיקה וייצור תיאוריה.
מחזור ה-DBR
DBR אינו עיצוב בודד אלא לולאה איטרטיבית, הכוללת בדרך כלל:
- ניתוח צרכים — הבנת הבעיה, ההקשר והלומדים בהקשרים אותנטיים.
- עיצוב — ניסוח התערבות והנימוק התיאורטי שמתחת לה.
- יישום — פריסת ההתערבות בכיתה או בתוכנית אמיתית.
- שיפור — ניתוח נתונים, תיקון העיצוב, ואיטרציה (לרוב על פני מחזורים מרובים).
- פלט תיאוריה וארטיפקט — ייצור הן התערבות שמישה והן עקרונות עיצוב כלליים או מודל מאומת.
הדוגמה הקנונית ב-AIEd היא מחקר מודל הלמידה השיתופית בסיוע בינה מלאכותית (AACL), שהריץ מחזור DBR ארבע-שלבי — ניתוח צרכים, עיצוב מודל, יישום כיתה בן שמונה שבועות עם סטודנטים אינדונזים לתואר ראשון, ושיפור מודל — תוך איטרציה על מחזור למידה ארבע-שלבי (זיהוי בעיה → חקר שיתופי בסיוע בינה מלאכותית → פתרון בעיות שיתופי → רפלקציה והצגה).
כיצד DBR מופיע במאגר הידע
- פיתוח מודלי למידה. מחקר מודל AACL משתמש ב-DBR לפיתוח והערכה של מודל למידה שיתופית בסיוע בינה מלאכותית המכוון לחשיבה ביקורתית ולפתרון בעיות בהשכלה גבוהה.
- בניית הכשרת מורים לאוריינות בינה מלאכותית. Le et al. מפתחים ומעריכים התערבות הכשרה לאוריינות בינה מלאכותית יוצרת מבוססת DBR לסטודנטים להכשרת מורים; Baran et al. משתמשים ב-DBR לאורך 2023–2025 לעצוב למידה מקצועית לאוריינות בינה מלאכותית ביקורתית המעוגנת בעקרונות בינה מלאכותית ממוקדת-אדם.
- עיצוב סטנדרטים מוסדיים. Crompton et al. משתמשים ב-DBR לאורך שני מחזורים מאקרו איטרטיביים ו-114 משתתפים לפיתוח שישה סטנדרטים לשילוב טכנולוגיה של סגל הוראה.
- יישום מערכת איטרטיבי. Rienties et al. מתארים שישה מחקרי DBR איטרטיביים (18 חודשים, 498 משתתפים) המיישמים את עוזר ה-AIDA של האוניברסיטה הפתוחה באמצעות גישה של מערכות מוטבעות.
- פיגום ועיצוב התערבות. פיגום חשיבה ביקורתית מבוסס בינה מלאכותית יוצרת (Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher) ומחקרי פיתוח-התערבות אחרים משתמשים ב-DBR לעצוב ולשכלל פיגומים מבוססי בינה מלאכותית.
- עיצוב תכנית לימודים מונחה-צעירים ומומחים ([]]). [science-integrated-ai-literacy-curriculum-dbr-2026|Moore et al. (2026) משתמשים בתהליך DBR בן שנתיים עם יועץ צעירים ויועץ מומחיות-בינה-מלאכותית כדי לעצוב תכנית לימודים משולבת-מדע לאוריינות בינה מלאכותית / למידת מכונה לתיכון, משכללים את העיצוב לאורך קבוצות ומודדים רווחי ידע בלמידת מכונה — דוגמה ל-DBR כעיצוב-משותף פרטיפטיבי המשלב קול צעירים במחזור העיצוב.
- שיפור-משותף איטרטיבי של רובריקה כ-DBR. Yaşar et al. (2026) מדגימים את האופי האיטרטיבי-משפר של DBR כפי שהוא חל על כלי ההערכה עצמו: הם התייחסו לרובריקה כארטיפקט עיצוב ניתן-לתיקון ועבדו במחזורי שיפור-משותף עם מודל לשוני גדול — הבהרת מתארי ביצוע וקבלה מפורשת של מחוונים משתמעים של למידה — מה שהגביה את ההסכמה בין מודל לשוני גדול לאדם על 80 פוסטרים עיצוביים של סטודנטים מ-54.75% ל-81.25% (Cronbach's Alpha 0.393 → 0.798). המחקר ממקם את הרובריקה כממשק מתווך בין כוונה פדגוגית אנושית להסקה מכונה, וההנחייתו מודעת-תפקיד (מרצה, מבקר-עמיתים, מבקר-מענקים) מראה כיצד בחירות עיצוב מעצבות פלט הערכה — הדגמה בסגנון DBR שכלי ההערכה, ולא רק ההתערבות, הוא אובייקט עיצוב.
- עיצוב-משותף של אוריינות בינה מלאכותית לגיל הרך. Lee (2026) משתמש ב-DBR כדי לעצוב-בשיתוף, לפתוח ולשכלל את תכנית הלימודים Play With AI (PL-AI) לאורך מחזורים איטרטיביים עם שני מורים לגיל הרך ושני מורים לגן, תוך הסתמכות על סקרי מורים, 32 שעות וידאו כיתה, הערות שדה ותמלילי פגישות-עיצוב. המחקר מתעד כיצד DBR תומך בשיפור איטרטיבי של פעילויות אוריינות בינה מלאכותית מותאמות-התפתחותית, ומייצר עקרונות עיצוב ניתנים-העברה (משחק מגולם, קידוד מוחשי, דיאלוג מונחה, עיצוב-משותף מורים).
- ביקורת מומחים כראיית השיפור — והצהרת היקף כן. Dong et al. (2026) מגישים את תכנית הרובוטיקה הראשונית שלהם בארבעה מסלולים לחמישה מומחים המדרגים אותה בשמונה ממדים, ואז מתקנים בתגובה: יישום PPO עצמאי עובר להרחבה ודרישת-מקדים של Python מתווספת לאחר שארבעה מתוך חמישה מומחים מסמנים עומס קוגניטיבי. הפיזור מניע את התיקונים כמו הממוצעים — הקשר מניע ממוצע 4.00 עם SD = 1.73 ודירוג בודד של 1/5 — והמחברים מציינים בערך שהמסגרת המתוקנת נשארת לא-מוערכת עד שיהיו נתוני תלמידים.
- טריאנגולציה, והגבול שהיא אינה יכולה לחצות. Kenzhebayeva et al. (2026) מריצים מודל סיבוב-תפקידים דרך חמישה שלבי DBR — ניתוח בעיה, עיצוב פדגוגי, יישום, הערכה, שיפור — לאורך שמונה שבועות עם 62 משתתפים, ומטריאנגלים יומנים רפלקטיביים, ראיונות, הערות תצפית ומוצרים המיוצרים על ידי סטודנטים תוך בדיקת-חברים. לקח העיצוב הוא במה שהמחברים טוענים עבורו: ללא מידת כשירות טרום-אחרי וללא קבוצת השוואה, הם מציגים את הראיה כמעורבות במהלך ההתערבות ולא כרווחי כשירות מוגשמים, וזה בדיוק הגבול שעיצוב DBR מרובה-מקורות יכול ואינו יכול לחצות.
חוזקות ומגבלות
- חוזקות: תוקף אקולוגי גבוה ורלוונטיות מעשית; מייצרת הן ארטיפקטים שמישים והן תיאוריה; מגיבה למורכבות של כיתות אמיתיות וכלי בינה מלאכותית מתפתחים; מתאימה היטב לפיתוח מודל ולשיפורו על סמך ראית יישום אותנטית; תופסת כיצד התערבות עובדת בפועל (או נכשלת) בפרקטיקה.
- מגבלות: תוקף פנימי חלש (קבוצות ביקורת מועטות/ללא); ממצאים מוגבלים-הקשר וקשה להכלילם; צירי זמן ארוכים; קשה לבודד איזה אלמנט עיצוב גרם לתוצאה — DBR מדגים כדאיות ושיפור אך אינו יכול לייחס רווחי למידה למנגנון מסוים.
DBR מסחררת בבקרה הסיבתיות של ניסויים עבור אותנטיות אקולוגית ושיפור איטרטיבי: הראיה שלה חזקה ביותר כהוכחת-קונספט והדרכת-עיצוב ולא כיעילות סיבתית. קריאת רווחי למידה של DBR דורשת את אותה זהירות כמו עיצובים אחרים — ללא מדד תוצאה מבוקר וללא סיוע, רווחים יכולים לשקף את אותה בלבול ביצוע-מונפש-בינה-מלאכותית המתועד תחת הישגי למידה.
היחס לשיטות אחרות
DBR היא השיטה החתימתית של מדעי הלמידה — השדה הבין-תחומי החוקר למידה ואת עיצוב סביבות למידה, והמתייחס לבניית התערבות ולמידתה כפעילות אחת ולא כשניים. היא משלימה, ולא מתחרה, שיטות מחקר אחרות (ראו שיטות מחקר ב-AIED לנוף המלא). היכן שניסויים מבססים סיבתיות וסקרים מבססים רוחב, DBR מבסס כדאיות וידע-עיצוב — האם התערבות ניתנת לבנייה כך שתעבוד בפרקטיקה אותנטית ואילו עקרונות עיצוב תומכים בה. היא מצטלעת לרוב עם הערכת שמישות (לשיפור הממשק) ועם שיטות איכותניות (להבנת חוויית הלומדים מההתערבות). תוכנית DBR בוגרת מסתיימת לרוב בניסוי יעילות או מחקר מדידה הבודק את ההשפעות הסיבתיות של ההתערבות המפותחת בקנה מידה.
מושגים מחוברים
- שיטות מחקר ב-AIED
- ניסוי מבוקר אקראי (RCT)
- מחקר כמותי
- מחקר איכותני
- מחקר מעורבות
- מחקר שמישות
- עיצוב למידה
- מדידה חינוכית
- רווחי למידה
- מגבלות במחקר AIEd
- פיתוח תיאוריה ב-AI בחינוך
- מדעי הלמידה
מאמרים מחוברים
- Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — DBR עבור מודל למידה שיתופית בסיוע בינה מלאכותית
- Development and evaluation of artificial intelligence literacy training for teacher education students — DBR להכשרת אוריינות בינה מלאכותית בחינוך מורים
- Designing faculty standards for technology integration in higher education institutions: a design-based research study — DBR לסטנדרטים לשילוב טכנולוגיה של סגל הוראה
- Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — Human-centered AI for teacher educators (DBR)
- New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Six DBR studies implementing AIDA at the Open University
- Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — DBR לפיגום חשיבה ביקורתית עם בינה מלאכותית יוצרת
- Design of a Science-Integrated Secondary School AI Literacy Curriculum: A Youth & AI Expert Guided Design-Based Research Approach — DBR לתכנית לימודים משולבת-מדע לאוריינות בינה מלאכותית (Moore et al. 2026)
- Play With AI (PL-AI): A Play-Centered, Design-Based Curriculum for AI Literacy in Pre-K and Kindergarten — Play With AI (PL-AI): play-centered AI literacy curriculum for pre-K and kindergarten (Lee 2026)
- From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLMs as agents of iterative pedagogical design