מדיניות חינוכית לבינה מלאכותית

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

מדיניות חינוכית לבינה מלאכותית — הכללים הפורמליים והבלתי-פורמליים השולטים בשימוש בבינה מלאכותית במוסדות חינוכיים, מחקיקה לאומית ועד הנחיות כיתה. מחקר מדיניות במאגר הידע נפרס על ממשל מוסדי, מנדטים של תכנית לימודים, ודרישות הכשרת מורים.

שאלות למחשבה

• מדיניות AI מוסדית נכתבת לעיתים קרובות כאילוtelling people the rules משנה את מה שהם עושים. מחקר מציין שמדיניות אלה יכולות לפיגר רחוק מאחורי השימוש בפועל בבינה מלאכותית. מדוע לדעתכם מדיניות "על נייר" נכשלת כל כך לעיתים קרובות בהתאמה למה שמתרחש בכיתות?
• אם העברת שיעורי בית החוצה גורמת לאובדני למידה שעוברים ברובם בלתי-נראים — מפני שאף מורה בודד אינו מקשר את הירידה של סטודנט לשימוש בבינה מלאכותית — איזו מדיניות בכלל הייתה אפשרית? אילו ניטור היה נראה?
• החלטות מדיניות הערכה כמו בחינות בעל-פה, מבחנים בפיקוח, ופורמטים ספר-סגור הן בעצמן תגובות לרמאות המופעלת על ידי בינה מלאכותית. האם לדעתכם פיקוח על ה"פלט" (לתפוס שימוש בבינה מלאכותית) הוא אסטרטגיה טובה יותר מעיצוב מחדש של ההערכה כך שהעבודה עצמה קשה יותר להעברה החוצה?
• מדיניות חינוכית לבינה מלאכותית נפרסת על חקיקה לאומית, הדרכה ממשלתית, כללים מוסדיים, ובחירות ברמת הכיתה. איזו מהרמות האלה לדעתכם מעצבת בפועל את התנהגות הסטודנטים והמורה ביותר — ומדוע?
• קולותיהם של מי נוטים לעצוב מדיניות AI — ושל מי חסרים? מי צריך להיות בשולחן כאשר מוסד מחליט אילו שימושים בבינה מלאכותית מותרים וכיצד היא נשלטת?

מבוא

רמות המדיניות

• מדיניות מוסדית: ניתוח מדיניות מוסדית משווה כיצד אוניברסיטאות מפתחות מדיניות AI. מסגרות שינוי מוסדי מספקות מודלים לפיתוח מדיניות. Qian (2026) קידד את עמודי ה-AI העיקריים של 50 האוניברסיטאות האמריקאיות המדורגות כחדשניות ביותר ב-2025 ומצא שרק 6 מסגרו אותם כ"מדיניות" בעוד 44 פרסמו הדרכה, הנחיות, עקרונות או מרכזי משאבים, וש-33 מתוך 50 מיקמו את המרצים כממתרגים העיקריים של ציפיות מוסדיות לכללי קורס — מדיניות מוסדית נכתבת בכוון מתאים כהדרכה אדפטיבית לפרשנות ברמת-הקורס ולא ככלל קבוע.
• מדיניות ממשלתית: ומדיניות למידה לכל החיים בוחנות גישות רגולטוריות ברמות לאומיות ואזוריות. מבט ביקורתי ברמת-תשתית על בינה מלאכותית בקבלת החלטות ממשלתית הוא Perrotta (2026), שהניתוח שלו של אב הטיפוס Redbox של השירות האזרחי הבריטי מודלי שפה גדולים (LLM) מראה כיצד בינה מלאכותית כלל-מטרה נכנסת לארגז הכלים המקצועי של מדיניות דרך "ממשל zero-shot" — מודלי יסוד אגנוסטיים-תחום המתערבים בהחלטות, עטופים בסקאפולדים ספציפיים-תחום דלים.
• מדיניות חינוך גן ותיכון (K-12): סקירות הראיות של Stanford של 818 מאמרים מיידעות מדיניות AI ל-K-12.
• מדיניות הערכה: מדיניות רפורמת הערכה ומסגרות הערכה אותנטית מייצגות תגובות ברמת-מדיניות לרמאות המופעלת על ידי בינה מלאכותית. בחירת פורמט הערכה מסכמת — בעל-פה, בפיקוח, ספר-סגור — היא בעצמה החלטת מדיניות-הערכה (ראו הערכה מסכמת).

פער הבגרות המדיניות

מאגר הידע מתעד שמדיניות AI מוסדית מפגרת אחרי השימוש בפועל בבינה מלאכותית. תכניות פיתוח חינוכי, מסגרות כושר AI של המורה, ורגולציה של בינה מלאכותית בחינוך דורשות כולם יסודות מדיניות קוהרנטיים. ראיות שדה בקנה מידה גדול (Strömberg, Lei, & Wu 2026) מראות שאובדני הלמידה מהעברת שיעורי בית החוצה עוברים ברובם בלתי-נראים מפני שמורות נושא בודדים וסטודנטים מקשרים לעיתים רחוקות את הירידה לשימוש בבינה מלאכותית — פער שמדיניות מבוססת-ראיות (לדוגמה, שיקול הערכה ספר-סגור, יידוע סטודנטים בעלויות ארוכות-טווח, ניטור קלטים ולא פלטים) יכולה להתייחס אליו.

היכן קונצנזוס נוצר למילוי הפער הזה, Crompton et al. (2026) ב-Delphi בן 35 מומחים ב-22 מדינות התכנסו על שמונה אזורי ממשל — יושר אקדמי כעוגן המרכזי — בתוספת מנגנון ביקורת בשישה חלקים (ועדת GenAI עומדת, סקירות מדיניות מתוזמנות, פיתוח מקצועי, תקשורת, הערכת השפעה, ניטור) כדי לשמור על המדיניות עדכנית. מוכנות AI לאומית אינה מנבאת חוזק מדיניות מוסדית. Adarkwah et al. (2026) דירגו 26 אוניברסיטאות מעשרה מדינות AIPI גבוהות מול מסגרת GenAI בת שמונה רכיבים של UNESCO ומצאו שמוסדות נורדיים וניו-זילנדיים כיסו אותה במלואה יותר מעמיתים בדירוג גבוה יותר, בעוד הכלה, שוויון, וקיימות היו הרכיבים המוזנחים ביותר.

מסמכים מייעצים עולים על מספרים על מדיניות מחייבת. מפקד של כל תכנית מוכרת בתחום מקצועי אחד מראה שפער הבגרות הוא של צורה כמו גם של עיתוי. Eldredge et al. (2026) אספו מסמכי מדיניות והדרכה מ-48 תכניות לתואר שני באינפורמטיקה בריאות וניהול מידע בריאות מוכרות CAHIIM בארה"ב ומצאו ש-40 (83%) היו בעלות לפחות מסמך אחד הקשור ל-AI הזמין לציבור בעוד ל-8 לא היה אף אחד, אך שהמסמכים היו ברובם הדרכה ולא כללים אכיפים: 21 הנחיות (53%) לעומת 7 מדיניות פורמליות (18%). התוכן שלהם התמקד ביושר אקדמי ובשימוש מקובל, עם פרטיות, קניין רוחני, וקונספטים רגולטוריים (HIPAA, FERPA, ציות מחקרי) מופיעים ביתר ויתר רחוקות, ומודלינג נושא החזיר את אותה דגשת התנהגות סטודנטים. לא סוג המסמך ולא קהל היעד המדובר נבדלו לפי מצב מסירה (P מדויק של Fischer = .85 ו-P = .71). המחברים קוראים את זאת כראיה שמדיניות תכנית אקדמית היא פעילות נבדלת מעיצוב תכנית לימודים ומפיתוח כשירות כוח עבודה, וטוענים שגופים מקבלים יכולים להפחית את השונה הנובעת על ידי אספקת מסגרות מדיניות AI שמשלבות יושר אקדמי, אתיקת נתונים, וגישה הוגנת.

סקירה שיטתית בריטית מוסיפה שכבה מגזרית לאותו פער: השקעת תשתית ואימון AI של סגל מתרכזות באוניברסיטאות עתירות-מחקר (Russell Group) בעוד מוסדות מונעי-הוראה (post-92) מתמודדים עם אילוצי קיבולת, ומיעוט בלבד של מוסדות בריטיים שומרים תכניות ממשל AI רשמיות (Ashiq (2026)).

מגזר העושה מדיניות ללא בסיס ראיות. פער הבגרות מופיע גם כבעיית ראיות בתכניות מקצועיות. Gutowski and Hurley (2025) דירגו את המדיניות המוסדיות של בתי הספר למשפטים המוכרים ABA בארה"ב על חמישה ממדים — איסוריות, מתירנות, שילוב חינוכי, שקיפות ואחריות, ועומק — ומצאו שרוב בתי הספר נטלו עמדות אוסרות באופן כללי בעוד הם שומרים שיקול דעת למרצים אינדיבידואליים ומתחייבים לסקור את הכללים ככל שהטכנולוגיה מתקדמת. הם מייחסים את הזהירות ללחץ זמן ולא לראיות: סקר ABA מ-2024 משך תגובות רק מכ-15% מבתי הספר המוכרים, והמחברים מדווחים על אין קונצנזוס בשאלה אם שימוש בינה מלאכותית חייב להיות נגלה או כיצד יש לצטט אותו. המסקנה שלהם היא פרוצדורלית — בנו מדיניות עם הסגל ולא בשבילו, אמנו באופן פרואקטיבי, והתייחסו להפקת מדיניות כאירוע חוזר ולא כמעשה חד-פעמי — מה שהופך את חינוך משפטי לאחד המקרים הברורים ביותר של הבחנת המדיניות-לעומת-ממשל שעמוד זה מצייר.

מרצים רגולטים; מוסדות ברובם לא. לפער הבגרות יש פן שני, הנראה מצד ההוראה. Watson and Rainie (2026) סקרו 1,057 סגלי מכללות ואוניברסיטאות אמריקאיות ומצאו שכללים נכתבו רחוק ביתר מהירות מתחת למוסד מאשר בו: 87% מהמשיבים יצרו מדיניות משימה-משימה משלהם לשימוש שימוש סטודנטים בבינה מלאכותית, לעומת 35% שאמרו שהמחלקה שלהם כתבה הנחיות ו-48% שאמרו שהמוסד שלהם כתבה. התגובה המבנית מאחורי המסמכים האלה דלה — 55% דיווחו על כוח משימה או קבוצת פיקוח, 37% על כיתות חדשות ממוקדות-AI, 17% על תרחיש או משנה AI, 16% על משרדי מנהיגות אקדמית חדשים, ורק 13% על אימוץ של אוריינות AI כתוצאת חינוך כללי — בעוד 68% אמרו שהבתי הספר שלהם לא הכינו את הסגל ללמד עם הכלים. מכיוון שהסטודנטים פוגשים את הפאצ' וורק הנובע כמשטר מוסדי בודד, הממצא הוא ראיה ישירה להבחנת עמוד זה בין מסמך מדיניות לבין הממשל שהופך אותו לעקבי. (המחברים מתארים את המדגם כלא-מדעי ולא ממכן, ולכן הוא נטען בצורה הטובה ביותר כהדאגות המובעות של המגזר.) לפער המתועד הזה יש תוצאה מדודה בצד הסטודנטים. עיצוב שני מחקרים של Chen — 160 סטודנטים לאמנות בניסוי תרחיש ו-425 שסקרו (Chen, 2026) — מצאו שהחוסר-עקביות הנתפס בין תמיכת אוניברסיטה ב-GAI לבין שיטות ההוראה, ההערכה והתמיכה בפועל שלה ניבאה באופן חיובי הן הערכות מכשול (β = 0.431) והן הערכות אתגר (β = 0.496), שנשאו השפעות עקיפות מנוגדות על מעורבות בתהליך היצירתי (β = −0.060 דרך מכשול, p = 0.004; β = 0.217 דרך אתגר, p < 0.001), ולכן מדיניות לא-מיושרת אחת עלולה לדכא ולקיים את העבודה היצירתית של הסטודנטים בבת אחת.

רגולציה ברמת-משימה היא הדפוס העולה. מחקר אורכי בקנה מידה גדול של 31,000+ תוכניות קורס (2021–2025) באוניברסיטת מחקר ציבורית גדולה (Chirikov 2026) מראה כיצד מרצים רגולטים AI בפועל: רגולציית AI מפורשת גדלה מאפס קרוב ל-55% מהקורסים עד סתיו 2025, אך הכיוון עבר מאוסר למתיר, והמרצים הבדילו ביתר ויתר לפי סוג משימה — הגבלת AI לניסוח/נהון (משימות סיכון-הסטה) בעוד הם התירו אותו לעריכה/הגהה ולתמיכת לימוד (משימות העצמה). המסגור עבר גם מיושר אקדמי (63%→49% מתוכניות הלימודים) להשפעת למידה (1%→29%). הדפוס מבוסס-המשימה הזה — הבנוי על המנגנונים הכלכליים-עובדתיים של הסטת משימה, העצמה, והשבתה — מציע אלטרנטיבה גרונולרית יותר למדיניות אימוץ-או-איסור כוללות והוא עוגן אמפירי ישיר להבחנת המדיניות-לעומת-ממשל שלעיל.

• צד הסטודנט של רגולציה ברמת-משימה. עם שתיים משלוש הערכות תחת אותה רמת שימוש-פתוח זהה, פורמט ההערכה החליט עדיין למה סטודנטים השתמשו ב-GenAI: שימושי משוב עלו מ-0% במצגת מפוגמת ל-66.7% בחידון הביתה (Quince and Faulconer (2026)).

עיצוב מדיניות ברמת-מרצה כתרגיל יישור. לרגולציה ברמת-משימה יש נגד עיצוב מתחת לתוכנית הלימודים. McCorkle's (2025) מקרה עיצוב מפיק שימושי GenAI מותרים ולא-מותרים של קורס מ"מה, בפרט, אני מעריך?" — מלקט כל משימה בפרויקט, ממפה כל משימה למטרת למידה, משווה כל אחת עם כשירות כוח עבודה עולה של GenAI (פיתוח קריירה ומוכנות), ואז מחליט איזו דאגה מקבלת עדיפות: הצורך להעריך ביצועי סטודנטים או הערך של בניית הכשירות. המדיניות הנובעת נבדלת משימה-במשימה בתוך פרויקט בודד — סיעור נושאים ואיסוף תמונות מותרים, הרכבת מטרות למידה ועיצוב מצגות לא — עם ההנימוק כתוב ישירות לסטודנטים. המקרה מתעד גם מדוע איסורים כוללים נכשלים בפרקטיקה: סטודנטים שאינם רואים את עצמם לא-ישרים קוראים איסור כלא-חל עליהם, והמדיניות הופכת לא-הוגנת (שוויון) כאשר הציפיות נשארות מרומזות. זה משלים את רמות המדיניות מלמעלה-למטה שלעיל על ידי הצגת כיצד התוכן של מדיניות יכול להיות מיוצר מיישור הערכה ברמת-הקורס וברמת-המשימה.

פער הגבול–ראיה במדיניות הערכה. ביקורת של 30 אוניברסיטאות של הדרכת הערכה ציבורית GenAI (Yao 2026) מוצאת שמדיניות מוסדית טובה יותר בסיווג שימוש בינה מלאכותית מאשר בהסבר מהו ראית הלמידה הנשארת תקפה תחת כל מחלקה: ציון גבול-ההאצלה הממוצע (2.47/4) עלה על ציין תקן-הראיה הממוצע (1.89/4), מעקות בטיחות היו דלים (2.75 מתוך 8), וההדרכה הייתה הברורה ביותר לתחלופת פלט-סופי. מסגרת ניהול קוגניטיבי טוענת שמדיניות חייבת להפוך את לוגיקת ההסמכה לגלויה — מה שלומדים רשאים להאציל, מה הם חייבים עדיין להדגים, וכיצד מוסדות מגנים על ראיה הוגנת — ולא רק לפקח על שימוש בבינה מלאכותית.

שפת איסור עודפת-הכללה וכללים שיושמו שלא כהלכה. היקף של כלל הוא החלטת מדיניות עם השלכות מעבר לציות. Wright (2026) טוען שהאיסורים הכוללים שנכתבו ברחבי השכלה גבוהה מאז 2023 אוסרים "בינה מלאכותית יוצרת" בלי הדיוק הטכני להפריד יצירת תוכן מהמרת פורמט המופעלת על ידי בינה מלאכותית — זיהוי תווים אופטי, זיהוי טקסט כתוב-ביד, וטקסט-לדיבור הן טכנולוגיות זיהוי שמסקרות מה שסטודנט כבר כתב במקום לייצר תוכן חדש. בקריאה זו, סנקציה על שימוש תמלול-בלבד מאופיינת בצורה הטובה ביותר כהחלת-מדיניות שגויה ולא כהתנהגות בלתי-מכובדת, ועלות חוסר-הדיוק נופלת באופן לא-אחיד: סטודנטים חשופים-שוויון ובעלי מוגבלות הנשענים על הכלים האלה נושאים סיכון חיוב-שווא לא-יחסי, חשיפה שסוגיות משפטיות וסיכונים מתייחס אליה כשאלת התאמה סבירה ולא כאחת יושר.

גבול מבוסס-מטרה במקום רשימת כלים. Li (2026) מספק את תוכן המדיניות ששפת איסור עודפת-ההכללה נחסרת בו: קו תמיכה-לעומת-תחלופה המוגדר על ידי פונקציה ועל ידי מבנה ההערכה ולא על ידי מינוח כלים, בטענה שרשימות כלים הופכות מיושנות ומעודדות ציות דרך ממשק. תמיכה מותרת היא התערבות פני-שטח שאינה מוסיפה רעיונות, מקורות או סידור חומרי מחדש של הניתוח; תחלופה היא יצירת טיעונים או טיעוני-נגד, יישום כללים תחומיים על עובדות, שכתוב מחדש של רצף אנליטי, או יצירת ציטוטים להכללה. המסגרת נמסרת כשלושה מכשירים — הגדרות עבודה עם מבחנים מהירים משותפים כך ששני מסמנים יאפיינו את אותה התנהגות באופן דומה, תבניות גילוי מכוילות הנעות מאף דבר לפונקציות מוטבעות בעלות-סיכון נמוך ועד להצהרת שורה אחת לעריכת שפה חיצונית וכ-80–120 מילים במקום שבו רעיונות מוגבלות מורשים במפורש, ומבחן החלטה המכנה פרוקסים חלשים (שפה מלוטשת או זרימה פתאומית, ביטוי לא-שפת-אם, ציוני גילוי בודדים) לצד סוגי הראיה שיכולים לשאת משקל. היא מציינת גם את התנאים שבהם משטרים מתירנים בקנה מידה כמו סולם הערכת ה-AI נשארים בר-הפעלה: שימוש מורשה במפורש למשימה הספציפית, המבנה מצוין מחדש כך שסטודנטים ומסמנים יודעים מה מוערך, והגילוי נשמר מתאפשר.

אוטומציה מדורגת עם פיקוח אנושי מחייב. מבחן ההסמכה תיכונית-תחתית הלאומי Acredita EB של אורוגוואי Acredita EB מציע מודל קונקרטי של אוטומציה השומרת-פיקוח במדיניות הערכה: חלקי רב-ברירה ונהלים קיימים נשארים ללא שינוי, AI משמש רק לקטע הכתיבה בתוך שלב כיול מחייב על 50–100 טקסטים, ושני כללי גיזום מחליטים אילו תוצאות דורשות ביקורת מומחה — מועמדים שאינם יכולים לעבור בשני הקטעים האחרים אינם זקוקים לביקורת כתיבה, ומועמדים שמומחים בשלושת הקטעים עוברים עם סיכוי שיורי נצפה של רק 0.2%/0.6%. המחברים מעריכים שהעיצוב יכול לחתוך תגובות כתובות הנדרשות ניקוד אנושי מלא ב-50% לפחות תוך שמירת העקרון המנחה שאף החלטה סופית על תוצאות מבחן אינה מתקבלת בלי פיקוח אנושי מתאים. זה משלים את עבודת הגבול–ראיה שלעיל על ידי הצגת מדיניות המציינת לא רק היכן AI מורשה אלא אילו ראיות אנושיות וביקורת נשארות מחייבות.

הצד האדברסלי של ניקוד אוטומטי. מדיניות שמנתבת ניקוד דרך כלי AI יורשת משטח תקיפה. Humble (2026) ערך צוות-אדום על זרם עבודה של ניקוד מוסדי על ידי הסתרת חמש הזרקות הנחיה עקיפות בתוך הקבצים של הגשה סינתטית ש-Microsoft Copilot (GPT-5.2) דירג ככושלת בכל ששת המריצים הבסיסיים. שתי אסטרטגיות העלו את הציון ללא אזהרה נראית למשתמש — שיעורי הצלחת תקיפה מדווחים של 100% (9 מתוך 9 איטרציות) ו-94% (17 מתוך 18) — והכלי גם השבית שיחה בשקט לאחר חסימת התקיפה הפשוטה ביותר, ובאיטרציה אחת הודיע שהוא יתעלם מהנחיות מוטבעות לפני שהעלה את הציון בשישה המריצים הבאים. ציון שהושג דרך הוראה מוסתרת אינו נושא טענת תוקף, ואותה טכניקה עלולה לפגום הגשה ללא עקב מתמשך, ולכן הבקשות של המאמר הן ברמת-מדיניות ולא טכניות: הדרכה ברמת-מגזר, פיתוח מקצועי, שימוש AI מוגבל עם ביקורת אנושית לעבודה בעלת-סיכון גבוה, ובדיקה תקנית ואגנוסטית-תחום של חוסן להזרקת הנחיה כך שמשטח התקיפה נמדד ולא מונח. זו הנגד האדברסלי לעיצובי הפיקוח שלעיל: בעוד אלה מציינים איזו ביקורת אנושית מחייבת, זה מציין מחלקה של מניפולציה שהביקורת קיימת כדי לתפוס אך אין לה אות אמין.

מטריצת ערך/נורם כיסוד מדיניות. Agarwal et al. (2026), סקירה שיטתית של 25 מאמרים, מגבשים את אתיקת AIED לשישה ערכים אתיים עיקריים (אי-אפליה, ניהול נאמן של נתונים, פיקוח אנושי, רצון טוב, יכולת הסבר, התאמה חינוכית) וממפים את הנורמות האתיות הנשלפות מהספרות למטריצה של בעל-עניין מול ערך. הסקירה ממקמת את המטריצה כיסוד לבניית מסגרות אתיות ורגולציה מפורטות ל-AIED, ונותנת למוסדות חינוכיים, מפתחים, ורגולטורים נורמות קונקרטיות ליישם ערכים ספציפיים. היא מוצאת שנורמות רצון טוב המכוונות לרגולטורים רבות בהרבה (תשע) מאשר לכל קבוצת בעלי-עניין אחרת, ומאותותות על תפקיד הרגולטורים בהבטחת תועלת AIED ללומדים דרך מדיניות וחקיקה — נקודת התחלה מעוגנת-ערך קונקרטית למכונת המדיניות-לעומת-ממשל שעמוד זה מתאר.

טענות שנסעות רחוק יותר מהכישורים שלהן. הכרזת פיילוט היא גם מכשיר מדיניות, ותקני הדיווח שלה הם חלק מהמדיניות. Restrepo Morales et al. (2026) מנתחים את פרשת ספטמבר 2026 של אל סלבדור שבה פיילוט חונכות בינה מלאכותית ב-171 בתי ספר ציבוריים דווח כמגיע לתוצאות הדומות לגרמניה ולשוודיה: מול הממוצע של מתמטיקה PISA 2022 בגרמניה, 5.5% העליונים של פילוח ההישגים הלאומי היו מתאימים את המדד ללא רווח למידה כלל, וההערכה של הפיילוט כיסתה 7.0 סטודנטים לבית הספר לעומת 25.4 בסקר הלאומי באותה שנה, ולכן הראיות המפורסמות אינן יכולות להחריג בחירה כהסבר. ההצעה שלהם היא תקן דיווח בשישה פריטים — קו הבסיס של בתי הספר המשתתפים, פרוטוקול הדגימה (סטודנטים כשירים, סטודנטים מוערכים, כלל זיהוי, שיעור השתתפות), ציונים מפורקים עם שגיאות תקן, התאריך התפעולי של כל רכיב רפורמה, חפיפה עם המדגם הלאומי המייצג, והכישור המצוין באותו מסמך, פוסט או פסקה כמו הטענה — מונע על ידי אריתמטיקת הגילוי של ההכרזה עצמה: פוסט הבנק העולמי הנושא את הטענה רשם כ-441,000 צפיות לעומת כ-11,000 לפוסט הנושא את הכישור ארבעה מקומות מאוחר יותר באותו שרשור. שיעור המדיניות הוא שהיכן שמערכת משתמשת בתוצאות ברמת-בית-ספר כראיה על עצמה, פורמט הגילוי מחליט איזו הצהרה הופכת לעובדה הציבורית.

ניתוח ברמה לאומית של PISA 2022-2025 מצא שמדינות עם שימוש גבוה יותר בבינה מלאכותית יוצרת הראו ירידות גדולות יותר בקריאה ובמתמטיקה, קשר שנעלם ברגע שביצועים קודמים נשלטו (Guerra & Aslanov, 2026)). המחברים קוראים את זאת כאזהרה שגישת צ'אטבוט רחבה יותר אינה צריכה להיחשב כיתרון בפני עצמה, וקוראים לפריסות מקושרות להערכה אורכית.

מדיניות לעומת ממשל

מדיניות וממשל קשורים מקרוב אך נבדלים, ושמירתם נפרדים חשובה להבנת מחקר מאגר הידע.

• מדיניות היא התוכן — מה מוחלט. מדיניות הוא כלל, עקרון או הצהרה פורמלית: אילו שימושים בבינה מלאכותית מותרים, אסורים, או נדרשים; מה חייב להיגלות; אילו פורמטי הערכה מותרים. היא קיימת כארטיפקט מתועד (חקיקה, הנחיה מוסדית, הצהרת תוכנית לימודים) ועונה על "מהם הכללים?"

• ממשל הוא ההמכונה — כיצד היא מוחלטת, מיושמת, ונאכפת. ממשל מקיף את המבנים המוסדיים, הנורמות, ומנגנוני האחריות המייצרים, מבצעים, ומפקחים על מדיניות: מי קובע את הכללים, כיצד הם מתקשרים וממומנים, כיצד ציות נאכף ומוערער, וכיצד הם מתוקנים ככל ש-AI מתפתחת. הוא עונה על "מי מחליט, וכיצד הכללים נכנסים לתוקף בפועל?"

• הם תלויים זה בזה. מדיניות ללא ממשל אינה נאכפת — כלל כתוב שאף אחד אינו מחזיק, מפקח, או מעדכן. ממשל ללא מדיניות חסר כיוון — מבנים המנהלים שום דבר בפרט. המחקר של מאגר הידע מראה שוב ושוב שהשניים חייבים להיבנות יחד: מדיניות שמסווגת רק שימוש בבינה מלאכותית ללא ממשל לציון ראיות, מעקות, ותהליכי תיקון נשארת חלשה בפרקטיקה (ביקורת ניהול קוגניטיבי), וממשל שמפקח בלבד ללא מדיניות ברורה מסתכן בפיקוח ללא הוגנות (ראו ממשל AI).

• מנהיגות AI בכירה נדירה ביחס לשאפות אסטרטגית. סקירת טווח של 19 מקורות מצאה שרק 7% מהמוסדות יצרו תפקידי מנהיגות AI בכירים אם כי 49% התייחסו ל-AI כעדיפות אסטרטגית, כאשר רוב המחקרים הנכללים קונספטואליים או חוצה-קטע, ולכן אף אפקט סיבתי של ממשל ציפוי לא יכול היה להיות קובע (Baroudi (2026)).

המבחן המעשי המפריד ביניהם: מדיניות ניתנת לקריאה על נייר, אך ממשל נצפה בשאלה האם הכלל מיושם, נאכף, ומותאם. זו הסיבה שממשל בינה מלאכותית מרחיב רגולציה של בינה מלאכותית בחינוך ומדיניות לתוך מוסדות, ולמה שמאגר הידע מתייחס לבחירות פורמט-הערכה (הערכה מסכמת) כהחלטות מדיניות שהופכות יעילות רק דרך מבני ממשל כמו לוחות ביקורת, מסגרות הצהרה, ונתיבי ערעור.

מדיניות כיתה כגבול הפרשני של ממשל. המכונה של ממשל אינה נעצרת במסמך המוסדי; המורות שקוראים ומתאימים אותו הם החוליה האחרונה בשרשרת, וNash & Burriss (2026) מראים איך החוליה הזו נראית בפרקטיקה. מורות הטרום-שירות שלהם ציפו לעבוד במחוזות עם מדיניות AI אך עדיין נאלצו לכתוב כללים ספציפיים-כיתה לסטודנטים שלהם — מיומנות התאמה חיונית — והמחברים טוענים שמורות יכולות לסרב לאמץ AI למשימות קריאה וכתיבה ספציפיות בלי להתעלם ממנו, עם סירוב מנומק הניתן להבחנה מדחייה בלתי-ביקורתית. שמירת ההבחנה הזו כגונייה היא בעצמה משימת ממשל: מחוזות ותוכניות הכנה צריכים את ההדרכה, את הפיתוח המקצועי, ואת תשתית המדיניות שמאפשרים למורות לסרב שימושים מסוימים בלי שימוסגרו כפיגרים.

אינדיקטורים של ממשל לבעיית האימות. Coates, Croucher and Calderon (2025) מספקים את שכבת המדידה שהבחנת המדיניות-לעומת-ממשל מרמזת עליה, ומתייחסים ליושרה אקדמית בעידן GenAI כבעיית ממשל לפני בעיית גילוי ושופטים ממשל אקדמי עכשווי חסון אך "לא ממוקם היטב ולא ערוך" להגן על אימות הערכה של ההערכה הסטודנטים. המסגרת שלהם מחזיקה 130 שאלות ממשל תחת שמונה ממדים — תכנון, פיתוח, הדרכה, יישום, ניתוח, דיווח, הערכה ושיפור — והפריטים הם שאלות על מכונה מוסדית ולא סולמות פסיכומטריים: האם הלוח או המועצה העליונים של המוסד מקבלים עדכונים על תהליכי ותוצאות הערכה, האם אינדיקטורי ביצוע מרכזיים מכסים איכות הערכה, איזה אחוז מהסטודנטים ידועים אינדיבידואלית על ידי המורות המעריכים אותם, האם ציונים נמוכים או גבוהים קיצוניים נבדקים חוצה, והאם יש נתיב פשוט להפניית מקרי רמאות בחוזה. תכנית הרפורמה הנלווית מכוונת לארכיטקטורות ממשל, לאנשים מחזיקי תפקידי ממשל, ולטכנולוגיות ומשאבים התומכים בהערכה, והמחברים טוענים שפיתוח מוסדי מזערי משלם ללא אפורדנס חיצוני מרגולציה, השוואה-ממדדית ותחרות בין-מוסדית — אותו לחץ רגולטורי שעמוד הרגולציה של בינה מלאכותית בחינוך מתייחס אליו כאילוץ הכובל על רפורמת ממשל.

• הפער נמדד ב-K-12 גם, לא רק באוניברסיטאות. סקר מייצג-לאומי של 1,018 מורות ומנהלים של בתי ספר ציבוריים אמריקאיים מצא שרק 18% מהמורות ו-24% מהמנהלים דיווחו על מדיניות בינה מלאכותית יוצרת של בית הספר — אותו דפוס מתחת-המוסד שעמוד זה מתעד בהשכלה גבוהה (Tench, Weinstein & James, 2026)).

גירעון המדיניות במחקר AI × SEL

סקירה שיטתית של 65 מאמרים במפגש שבין AI ללמידה חברתית-רגשית (Tran, Liu & Nguyen 2026) מתעדת "גירעון מדיניות": קרוב לשלושת רבעי המחקרים אינם מציינים השלכות מדיניות, ואלה שכן מציינים חסרים לעיתים קרובות ספציפיות מוכוונת-שחקן. הסקירה מוצאת שמעורבות מדיניות מתואמת עם אתר פרסום, ומשקפת תמריצים אקדמיים המגמלים חדשנות טכנית על פני ממשל ורגולציה. היא מציעה מסגרת "שאלת-WH" (מי, מה, למה, מתי/היכן, כיצד) ומעבר מ"השלכה-כמחשבה-שנייה" ל"השלכה-כמתודולוגיה" — התייחסות לעיצוב מדיניות כאילוץ עיצוב של מחקר ולא כתוספת post-hoc.

מושגים מחוברים

• שיתופי פעולה פדגוגיים — שותפויות פדגוגיות
• רגולציה של בינה מלאכותית בחינוך
• ממשל בינה מלאכותית
• פיתוח חינוכי
• שוויון
• השכלה גבוהה
• חינוך גן ותיכון (K-12)
• יושרה אקדמית
• אתיקה
• כושר AI של המורה
• מסגור שימוש בבינה מלאכותית עבור סטודנטים
• הערכה מסכמת
• חינוך כימיה — Chemistry education and AI: labs, formative assessment, LLM limits, philosophy of experimentation
• חינוך לביולוגיה — Biology education and AI: lab teaching assistants, AI literacy in biology, critical thinking, specialized tools
• בעלי עניין — מטרייה: אנשים וקהלים בחינוך עם בינה מלאכותית (לומדים, מורות, מעצבים, מנהלים, קובעי מדיניות)
• תמיכה והצלחת סטודנטים — הקשר המדיניות לפריסת תמיכה מוסדית

מאמרים מחוברים

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — A nationally representative survey of US teachers and principals on AI policy coverage, agency, and five classroom plays (Tench, Weinstein & James 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Preservice English teachers' classroom AI policies: what they permitted, limited, and banned (Nash & Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Deriving allowed and unallowed GenAI uses task by task from what is assessed (McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — How instructors regulate AI across 31,000 course syllabi (Chirikov 2026)
• Artificial Intelligence and Grade Inflation — AI task displacement as a mechanism of grade inflation (Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Global Delphi on governing generative AI in higher education
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Guidance over policy: instructor-set syllabus rules and a four-unit support ecosystem across 50 innovative US universities (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Five-factor comparison of law school GenAI policies in a sector making policy without an evidence base (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Transcription is not generation: over-inclusive AI rules, format conversion and disability accommodation (Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Anticipatory governance for AI in higher education (scoping review)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — AI policy documents across all 48 accredited health informatics master's programs: mostly guidance, centered on academic integrity (Eldredge et al. 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — Cognitive stewardship for AI-mediated assessment (30-university policy audit)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• A Framework for Institutional Change in the Age of AI
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — The Policy Deficit in AI × SEL Research
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Ethical values and norms for AI in education
• Zero-shot governance — Zero-shot governance: general-purpose AI in policy (Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — Bounding the learning claim of El Salvador's AI tutoring pilot (Restrepo Morales et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 US faculty: 87% write their own assignment rules against thin institutional and departmental guidelines (Watson & Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — A purpose-based support–substitution boundary with calibrated disclosure and decision rubrics (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Prompt injection in AI-mediated grading: grades changed undetected, and the policy-level response (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 130 governance indicators for authenticating assessment, and the external pressure reform needs (Coates, Croucher & Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Policy tier versus task design: what students used GenAI for across three physics assessments (Quince & Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — Higher country-level generative-AI use tracked larger PISA 2022-2025 declines, a correlation that vanished after controlling for prior performance (Guerra & Aslanov 2026)