מאגר הידע AIEdAIEd KB
בעמוד הזה

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

מושגים

חינוך סביבתי

נוצר 2026-10-12

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

שאלות לשימת לב

  • "בינה מלאכותית וחינוך סביבתי" יכולות להתייחס לשתי דברים שונים מאוד: שימוש בבינה מלאכותית כדי ללמד על אקלים וקיימות, והקטנת העלות הסביבתית של השימוש בבינה מלאכותית בכיתות. איזו מהן נשמעת במוסד שלכם — ואיזו מהן מצורפת לה שורת תקציב?
  • אם אוניברסיטה מלמדת מדעי האקלים באמצעות מודל שפה גדול צורך-אנרגיה גבוה בכל מחשב נייד של תלמיד, האם קידמה חינוך סביבתי או פגעה בו? מה היה צריך להיות נכון כדי שהתשובה תהיה "גם וגם"?
  • ניסוי אחד מצא שחקירה בסיוע בינה מלאכותית שיפרה את קבלת ההחלטות באקלים לעומת חקירה בלבד, כאשר השיפורים מרוכזים בשלבים החלשים ביותר. הייתם סומכים על יחידת אקlimatיות נתמכת בינה מלאכותית בכיתה שלכם, ומה הייתם צריכים לראות קודם?
  • כמעט אף מאמר AIED אינו מדווח על עקב הפחמן או המשאבים החישוביים שלו. האם השפעת קיימות שלא מדווחת היא בעיית מחקר, בעיית רכש, בעיית הוראה, או אף אחת מהן?

מבוא

חינוך סביבתי מפתח את הבנת הלומדים במערכות אקולוגיות, באקלים ובהשאלות הדדית בין אדם לסביבה, יחד עם הנטיות והיכולות לפעול על פיהן — ולעיתים ממוסגר מוסדית כהשכלה לפיתוח בר-קיימא (ESD) או "חינוך ירוק". בהקשר של חינוך באמצעות בינה מלאכותית, המונח נושא מתח שהמאגר נתקל בו בלי שקוראים לו תמיד בשם: בינה מלאכותית ככלי לחינוך סביבתי (הוראת תכן אקלים וקיימות באמצעות כלים גנרטיביים) וטביעת הרגל הסביבתית של הבינה המלאכותית עצמה (עלות הפחמן, המים והאנרגיה של המודלים שהמוסדות פורשים). אלו שאלות שונות עם ראיות, שחקנים ותרופות שונות; ערבוב ביניהן — כפי שעושות כמה ממאמרים ורוב מסמכי האסטרטגיה — הופך את האפשרות לומר מי אחראי על מה לבלתי אפשרית.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)(The Environmental Cost of LLMs in AIED: Reporting and Practices)

שני דברים שנקראים "חינוך סביבתי עם בינה מלאכותית"

  • בינה מלאכותית עבור חינוך סביבתי — שימוש בבינה מלאכותית כדי ללמד תכן סביבתי, לבנות מודעות קיימות או לתמוך ביכולות ירוקות. לחצי הזה יש מסגרות, מחקר סקר מורים, וניסוי כיתה אחד.
  • טביעת הרגל של בינה מלאכותית בחינוך — פליטות ושימוש במשאבים של המודלים והתשתיות המשמשות להוראה, בכל נושא שהוא. לחצי הזה יש סקירה אחת של נוהל דיווח, בנצ'מרק הנדסי אחד, ומחקר ממשק קטן אחד — ואין דבר על טביעת הרגל של בינה מלאכותית המשמשת לחינוך סביבתי באופן ספציפי.

תיל שלישי, חלש יותר, מתייחס ל"למידה בת-קיימא" כתכונה פדגוגית ולא סביבתית: למידה שנשמרת ומתעדה במקום להיחתך על ידי העמסה חוץ-קוגניטיבית. הוא חולק את אוצר המילים של הקיימות אך אינו טענה סביבתית.(Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era)

הוראת נושאים סביבתיים ואקלים עם בינה מלאכותית

הראיה החזקה ביותר היא ניסוי קווזי-אקספירימנטלי תלת-קבוצתי המשתמש בשינוי אקלים כנושא סוציו-מדעי. תלמידים שעבדו עם שותף בינה מלאכותית בתוך משימת חקירה מובנית עברו על עמיתים שעסקו בחקירה בלבד (d = 0.69) ועל הוראה מסורתית (d = 1.88) ברובריק לקבלת החלטות, כאשר השיפורים הגדולים ביותר היו בשלבים שתלמידים נכנסו אליהם חלשים במיוחד — ניטור וניהול מסתגל, ויצירת חלופות. מצב בינה המלאכותית היה נוסף על חקירה ולא תחליף לה, ואיסוף הנתונים והניתוח לא הפרידו בין הקבוצות כלל, מה שמצביע על כך שהבינה המלאכותית תמכה בהגיה על פשרות ולא באיסוף ראיות.(Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change)

ברמת תכנית הלימודים, מסגרת AI-SEE משלבת בינה מלאכותית בתכנית הנדסית על ארבעה עמודים (מונחית-אינטליגנציה, מועצמת-ירוק, מובילה-אחריות, משולבת-תרגול) ולא כמודול קיימות מוסף; פיילוט של 144 תלמידים דיווח על שיפורים במודעות קיימות ובמעורבות התנהגותית (engagement) ברמות אישית, אקדמית, מקצועית וחברתית. המחברים מזהירים שמדובר בראיה ממוסד יחיד, מדווחת-עצמית, מראיון בנקודת זמן אחת מתוכנית תחבורה סינית אחת.(Enhancing Sustainability Consciousness in Higher Education: Impacts of Artificial Intelligence-Integrated Sustainable Engineering Education)

שני מחקרים קטנים יותר מכסים את צד התכן. תכן הוראה בסיוע בינה מלאכותית (instructional design) תחת אילוצי פדגוגיה לפיתוח בר-קיימא שיפר תכניות שיעור של מורים לפני-שירות באפקט גדול באופן בלתי-סביר (d = 2.80, 28 צוותים, ללא קבוצת ביקורת). בנפרד, מחקר משוואות-מבנה עם 122 מורים בפעיליות מצא ששימוש מעשי בבינה מלאכותית במשימות מדע ואנרגיה ירוקה, יחד עם מעורבות בפיתוח חומרים המיושרים ל-ESD, נבאו יכולת שילוב בינה מלאכותית, בעוד שידע מופשט ועמדות לא נבאו — אם כי שאלון דיכוטומי (questionnaire) ומבנה ידע חלש מגבילים את מידת ההכללה.(The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints)(Teacher Involvement in Developing Sustainable Education Materials for AI Integration in Green Energy Education)

טביעת הרגל הסביבתית של בינה מלאכותית בחינוך

חצי זה הוא המקום שבו המאגר רזה ביותר. סקירה של 396 המאמרים בפרוקידינגס AIED 2025 מצאה "אימוץ LLM ללא גילוי": ברוב הפרויקטים נעשה שימוש בLLMs, 85 מאמרים דיווחו על עלות חישובית כלשהי, ו-57 בלבד הזכירו השפעה סביבתית — תוך שימוש במטריקות שאינן עולות בקנה אחד, כך שהתחום אינו מסוגל לצבור את הראיות שלו בעצמו. המחברים טוענים שהכשל בדווח על עלות סביבתית הוא עצמו עניין אתי, ומציעים שיטת קוד פתוח (CodePlus פלוס הערכת FLOPs דו-פרמטרית למודלים קנייניים).(The Environmental Cost of LLMs in AIED: Reporting and Practices)

מצד הלומד, ממשק משוב-אקו שחושף את הפשרה בין השהיה לפחמן במהלך שימוש חי ב-LLM נחקר עם 89 סטודנטים של שנה ראשונה במדעי המחשב בקורס אתיקה חישובית: תלמידים בחרו במצב הפחמן הנמוך בכ-45% מהאינטראקציות בעלות ההשהיה הנמוכה אך בפחות מ-5% בהשהיה גבוהה, ומודעות לקיימות הרמה את הבחירה הזו באופן מובהק. המדגם קטן וממולץ במידע טכני במיוחד, אך זו הראיה הישירה היחידה במאגר שמידע על טביעת הרגל מזיז לומדים בכלל — וזו מצביעה על כך שהאילוץ הקושר הוא סבלנות, לא ערכים.(When LLMs Slow Down: How Environmental Impacts Mediate University Students' LLM Usage)

ראיות למתן מגבות מגיעה מעוזר ידע של CS על-מקומי על גרפיית צריכה יחידה (12 GB VRAM) עם תכן ברישיון פתוח: 1.8 mWh לשאילתה במצב הטוב ביותר — כ-0.54 Wh לכיתה של 30 תלמידים המגישים עשר שאילתות כל אחד — כאשר כיוונון-עדין מודע לכימות הצליח להכיל גם את אובדן הדיוק וגם את עליית ההזיה שנגרמה מכיווץ בלבד. זהו בנצ'מרק הנדסי, לא מחקר למידה, אך הוא מראה שלשאלת טביעת הרגל יש מנופי תכן (עגינה, כימות, מיקום פריסה), ולא רק מנופי משמעת שימוש.(Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources)

יכולות ירוקות, מודעות קיימות ויכולת מורים

יחד, מחקרים אלו מתארים אג'נדת יכולות-ירוקות המועברת באופן לא-שווה: מודעות קיימות כתוצאת תכנית לימודים, פיתוח חומרים המיושרים ל-ESD כמנגנון ליכולת המורים, וקבלת החלטות אקלים ככישור הגיה נמדד. תיל הביקורת-ערך מספק את האזהרה: ניתוח מושגי טוען שהתרומה של בינה מלאכותית להשכלה בת-קיימא היא מותנית ומתווכת ממשל, תומכת בקיימות רק כאשר האימוץ מותנה בערכי חינוך מפורשים ובמטרות ממוקדות-אדם — מה שמציב את הממשל ואת הפדגוגיה הביקורתית בתוך חינוך סביבתי ולא לצדו.(Sustainable Education in the Age of Artificial Intelligence and Digitalization: A Value-Critical Approach)

הסקירת ההיקף שמארגנת ספרות זו מספקת את פסק הדין של התחום עצמו על קנה המידה: היישומים מתקבצים סביב ניהול אנרגיה, ניטור אקלים ותוכניות קמפוס ירוק, אך מוגבלים בקנה מידה, לעיתים חסרים קווים מנחים אתיים או סביבתיים, והרבה מהמחקר נשאר מושגי או פיילוט-קטן. הכיסוי נוטה לצפון אמרה ולאירופה, וכמעט אין דבר מהגלובל דרום מעבר לכמה מחקרים דרום-אפריקאיים.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)

מה הראיות טרם קובעות

  • אין ראיות טביעת-רגל לחינוך סביבתי באופן ספציפי. נתוני פחמן ואנרגיה מגיעים ממחקרי LLM כלליים ומבנצ'מרק בהקשר CS; אין דבר שמודד את העלות הסביבתית של תכנית אקלים או ESD נתמכת בינה מלאכותית.
  • אין ראיות שיפור-למידה להתערבויות טביעת-רגל. משוב-אקו שינה בחירות במחקר דמוי-מעבדה; אין דבר שמראה שהוא משנה הרגלים, תוצאות הערכה או רכש.
  • אין ראיות סיבתית למסגרות התכנית. AI-SEE היא מקרה בודד מדווח-עצמי ו-E3-HOT תרשים תכן ללא מחקר מיושם; לתוצאת תכן-שיעור של SDP אין קבוצת ביקורת.
  • אין ראיות בקנה מידה גדול או חוצה-הקשרים. כל תוצאה אמפירית כאן היא מאתר בודד, ומחקרי המורים נשענים על מדגמים מכוונים קטנים עם מכשירים חלשים.
  • השני חצאים נחקרים יחד לעיתים רחוקות, אם כי שניהם נוגעים לאותה כיתה.

השלכות לחינוך באמצעות בינה מלאכותית

  1. ציינו איזו שאלה אתם עונים. אסטרטגיות המשתמשות ב"קיימות" גם להוראת-אקלים-בבינה-מלאכותית וגם לטביעת-הרגל-של-הבינה-המלאכותית מסתירות את פער האחריות שDaniel et al. (2026) מזהים; שמרו את האג'נדות נפרדות, עם בעלים נפרדים.
  2. התייחסו לגילוי טביעת-רגל כתשתית תחום. דיווח על חישוב ופחמן לצד דיוק — עם הצהרת קיימות גם כאשר המדידה אינה מושלמת — הוא הדרך היחידה לצאת מבעיית המטריקות שאינן עולות בקנה אחד.
  3. תכננו עבור הלומד חסר-הסבלנות. אם האפשרות בעלת הפחמן הנמוך עולה בהשהיה נתפסת, רוב התלמידים לא ינצלו אותה: שמרו על השהיה נמוכה, חשפו בקרות, ותארו השפעה במונחי תוצאה קונקרטית, לא ביחידות פחמן מופשטות.
  4. העדיפו פריסה קלה יותר היכן שהפדגוגיה מאפשרת. עגינת מודל במאגר מקומי ברישוי וכיוון-עדין עם כיוונון-עדין הניבו דיוק שמיש בחסר מהאנרגיה — שקלו דפוס זה לפני הגדלת היסק ענן בקנה מידה.
  5. בנו יכולת מורים דרך פיתוח חומרים, לא מסעות פרסום, ומלאו את פער הגלובל דרום במקום לייבא ראיות מהקשרים של צפון אמרה ואירופה.

מושגים קשורים

מאמרים קשורים

מטא-דאטה

תחום דעתEnvironmental Education
למידה והוראהלמידה מבוססת חקר, למידה מוצבת, פדגוגיה ביקורתית
טכנולוגות ושיטותבינה מלאכותית יוצרת, מודלי שפה גדולים (LLM), קוד פתוח
מוסדות ומדיניותמדיניות חינוכית לבינה מלאכותית, ממשל בינה מלאכותית
שוויון, אתיקה ושימוש אחראיקיימות, אתיקה, דרום גלובלי
יסודות הבינה המלאכותית בחינוךבינה מלאכותית בחינוך
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.