אוריינות משוב

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

אוריינות משוב — היכולות והנטיות שהסטודנטים צריכים כדי להבין, להעריך ולפעול על משוב כדי לשפר את הלמידה שלהם. היא הנגדי של צד הלומד למתן משוב: בעוד שאיכות המשוב של בינה מלאכותית ולולאת המשוב עוסקות באיכות ובמכניקה של מערכת המשוב, אוריינות המשוב עוסקת ביכולת של הלומד לחפש, להבין, לשפוט ולהשתמש במשוב באופן פרודוקטיבי.

שאלות למחשבה

• משוב מעוצב היטב עוזר רק לסטודנטים שיכולים לפרש ולפעול עליו. אם שני סטודנטים מקבלים משוב זהה ולומדים כמויות שונות, היכן ההבדל גרר — והאם זו אשמת הסטודנט או של המערכת?
• מחקר מוצא שסטודנטים עם אוריינות משוב חזקה יותר נהנים יותר ממשוב AI, בעוד סטודנטים בעלי אוריינות חלשה יותר מראים אפקטים מינימליים או אפילו שליליים. מה זה מציע על פשוט להוסיף משוב AI לקורס ללא בניית היכולת של הסטודנטים להשתמש בו?
• אוריינות משוב כוללת חיפוש משוב, ביצוע שיפוטים, ניהול אפקט, ופעולה על משוב — לא רק קבלתו. מתי בפעם האחרונה חיפשתם משוב במקום להמתין לו, ומה גרם לכם מספיק אומץ (או לא) לעשות כך?
• אם AI יכול עכשיו לייצר משוב שופע ומיידי, האם צוואר-הבקבוק עבר ממתן המשוב ליכולת של הלומד להשתמש בו? מה עלול להשתנות באופן שבו אתם מעצבים משוב אם הייתם רואים את אוריינות המשוב של הסטודנטים כמגבלה האמיתית?

מבוא

אוריינות משוב חשובה מכיוון שמשוב מעוצב היטב עוזר רק לסטודנטים שיכולים לפרש ולפעול עליו. סטודנט שאינו יכול להעריך האם משוב מיוצר-AI מדויק, או שאינו יודע כיצד להפוך משוב לתיקון-מחדש קונקרטי, לומד פחות הרבה מאותו משוב מעמית בעל אוריינות-משוב גבוהה יותר. כשאדם AI מעבד מחדש את מתן המשוב, אוריינות המשוב הפכה לתנאי-הגבול המרכזי לשאלה האם משוב AI משפר למידה.

מהי אוריינות משוב

אוריינות משוב ממוסגרת באופן רחב כמערכת יכולות תלויות — היכולת להעריך משוב, לבצע שיפוטים, לנהל אפקט ולנקוט פעולה (אחרי Carless & Boud). המאמרים של מאגר הידע מקובצים את אוריינות המשוב סביב כמה יכולות:

• חיפוש ואילוף משוב — בקשת משוב באופן יזום במקום לקבלו פסיבית.
• ביצוע שיפוטים — הערכת הדיוק והתועלת של המשוב, כולל משוב המיוצר על ידי AI.
• יצירת-משמעות — פירוש המשוב ביחס למטרות משוב ולקריטריונים, והבנת מה שהוא מרמז לשיפור.
• ניהול אפקט — מעורבות פרודוקטיבית עם משוב ללא הידרדרות או נפיחות-יתר על ידו.
• פעולה על משוב — תרגום המשוב לתיקונים קונקרטיים או שינויים בגישה (לולאת המשוב, למידה עצמית מוסדרת).
• שיפוט סמכות הערכתית — יכולת נוספת שהוצעה על ידי AlGhamdi (2026): לצד הערכת משוב, ביצוע שיפוטים, ניהול אפקט ונקיטת פעולה, סטודנטים ההיגים על משוב מיוצר-AI נזקקו לשפוט איזה מקור מחזיק סמכות הערכתית, בנפרד משיפוט איכות המשוב. מכיוון שהמשתתפים נאמר להם ש-ChatGPT ייצר גם את הציון וגם את המשוב, אוריינות המשוב שלהם תורגלה על המקור והלגיטימיות של ההערכה, לא רק על התוכן שלה, והיא ייצרה דרישות לאימות מדריך במקום קבלה פסיבית.

כיצד אוריינות משוב מופיעה במחקר

• אוריינות משוב כמתן את ערך משוב AI: Mendoza ושות' (2026) מראים שאוריינות משוב מתווכת את הקישור בין קבלת ChatGPT ללמידה עצמית מוסדרת: סטודנטים עם אוריינות חזקה יותר תופסים יתרון SRL גדול יותר ממשוב AI, בעוד סטודנטים בעלי אוריינות חלשה יותר מראים אפקטים מינימליים או אפילו שליליים (הסתמכות מופרזת). אוריינות משוב היא תנאי-גבול לשאלה האם סטודנטים יכולים "ליצור משמעות" ממשוב AI.

• אוריינות משוב כמסלול משימוש GenAI לחשיבה ביקורתית: בקרב 421 סטודנטים תת-חוג סינים, מתאמים של שימוש GenAI עם חשיבה ביקורתית מדווחת-עצמית רץ כמעט כולו דרך אוריינות משוב אוריינות משוב של GenAI (β=0.185, 71.98% מהאפקט הכולל), ואותו מסלול התחזק ככל שהחשיבה הרפלקטיבית עלתה (מדד תיווך מתווך = 0.030) (Yan ושות' (2026)).

• אוריינות משוב חוזה למידה מכתיבה בסיוע AI: Hawkins ושות' (2026) מוצאים שאוריינות משוב הייתה המנבאת החיובית המשמעותית היחידה של ציון חיבור במשימת כתיבת-חיבור מוגברת-AI, בעוד Liu & Deris (2025) מפתחים ומאמתים סולם אוריינות משוב AI (AIFL) ומראים שהוא חוזי קליטת-משוב.

• מסגרות למעורבות משוב מופעלת-GenAI מעורבות: Zhan, Boud, Dawson & Yan (2025) (Boud ו-Dawson הם חוקרי אוריינות-משוב מובילים) טוענים ש-GenAI יכול לאפשר מעורבות משוב של סטודנטים, ממפים מודל משוב מחזורי-עצמי-רגולציה על פני שלבי האילוף/העיבוד/הביצוע.

• משוב AI מגיע ללא המסגרת של המורה: Brunnström and Palmqvist (2026) טוענים ש-GenAI הופך את אוריינות המשוב ליותר דורשת, מכיוון שהתשובות נגזרות באופן אינטראקטיבי וללא מסגרת מיידית של מורה: הסטודנטים חייבים לפרש, להעריך, להתערב ולהשתמש בהן — כולל החלטה מתי תשובה מופשטת מדי, מתי להתלכלך, ומתי לחזור למשאבים קונבנציונליים. לאורך ההדגמה שלהם של שמונה-חילופים, פישוט ומבנה שמיש הופיעו רק לאחר התערבויות לומד, מה שהופך את מחזור האילוף/העיבוד/הביצוע של מעורבות המשוב למשהו שהסטודנט חייב להניע (Zhan, Boud, Dawson & Yan מיפו את המחזור הזה עבור GenAI; למידה עצמית מוסדרת).

• אוריינות משוב בכתיבה בסיוע AI ו-EAP: תסריטי אוריינות משוב ומנגנוני מדרג-שני מאמנים סטודנטים להתערב באופן ביקורתי עם משוב AI במהלך תיקון-כתיבה, מסטים את התיקון כלפי שיפור ברמת-טיעון במקור עריכות-פנייה.

• כלים אוטומטיים לפיתוח אוריינות: Tubino & Adachi (2025) טוענים שכלי משוב אוטומטיים של AI צריכים להיות ממוסגרים מחדש כמכשירים לפיתוח אוריינות המשוב של הסטודנטים, לא רק למתן יותר משוב.

• משוב עמיתים ואוריינות משוב: Irwin & Muller (2025) ממקמים את GenAI בתוך משוב עמיתים באנגלית כשפה זרה כדי לאמן אוריינות משוב ולאפשר קליטה בשיעורי דיבור, ומחקרי פיגום משווים GenAI מול עמיתים אנושיים בטיפוח משוב מוסדר-עצמי.

• משוב הנשמר כנתונים מתמשכים וניתנים-ייעוץ. זיווג ChatGPT עם תיק-עבודה אלקטרוני העלה ביצועי דיבור ואוריינות משוב יחד (η² חלקי = 0.218 לאחרונה), כשהסטודנטים טופלו במשוב מאורכב ממרצה, עמיתים ו-AI כנתונים לפישור ולא כתיקון חד-פעמי (Laksana ושות' (2026)).

• אוריינות משוב באנליטיקת למידה ושלוחות GenAI: Jin ושות' (2025) בודקים כיצד סטודנטים תופסים משוב אנליטיקת למידה מופעל-GenAI מנקודת מבט של אוריינות משוב.

• אוריינות משוב כמטרה של עיצוב אוריינות-AI והערכה: Richmond & Nicholls (2025) משתמשים בהערכת תהליך-על-ארטיפקט שבה סטודנטים מבקרים פלט ChatGPT מול רובריק כדי לבנות אורייות משוב, פסיכולוגיות ו-AI יחד; משוב AI ממ קדם-לומד ועיצוב משוב זהיר מקשרים איכות משוב ליכולת של הלומד להתערב.

מדוע אוריינות משוב חשובה ל-AI בחינוך

AI משנה משוב בשני כיוונים שמעלים את הימור של אוריינות המשוב. ראשית, AI מגביר באופן דרמטי את הנפח והמיידיות של המשוב (איכות המשוב של בינה מלאכותית, לולאת המשוב), כך שהסטודנטים מתמודדים עם הרבה יותר משוב שהם חייבים למיין ולהעריך. שנייה, משוב מיוצר-AI נושא סיכונים מובחנים — אי-דיוק, הזיה, ו"אשליית השליטה" — שמחייבים כישורי הערכה ביקורתית וזהירות נגד הסתמכות מופרזת ושיוך-מוטעה. אוריינות המשוב הופכת לכן לרכיב ליבתי של אוריינות AI: ידע לא רק כיצד להנחות AI למשוב, אלא כיצד לשפוט האם המשוב שווה פעולה וכיצד להמיר אותו ללמידה אמיתית במקום להשלמת משימה.

Bearman ושות' (2026) מוסיפים דרישה נוספת לרשימה. במחקר הסדנה שלהם, הסטודנטים לא ניהלו מקור משוב אחד אלא רשת: הם שקלו תגובות חינוכים מול פלט AI, רובריקים, חומרי קורס ועמיתים, וכאשר משוב אנושי היה איטי הם המשיכו לעבוד עם AI כתבנית-החזקה, מתקנים מחדש מאוחר יותר אם הוא הטעה אותם. המחברים מציעים שהסטודנטים יכולים לפעול כאדם-בהלולאה משלהם על ידי ניהול אותם יחסים מהמשימה הגרגירית למסלול הרחב יותר, שהוא עצמו יכולת אוריינות-משוב. האזהרה שלהם היא שתגובות חינוכים דקות או מאוחרות הן מה שדוחק סטודנטים כלפי מקורות לא-מאומתים.

חיבורים למושגים קשורים

אוריינות משוב מתחברת לאיכות המשוב של בינה מלאכותית וללולאת המשוב (צד המתן שהיא משלימה), להערכה עיצובית (מחזור ההערכה שהיא מזינה), וללמידה עצמית מוסדרת (ההערכה עצמית וההסתגלות שהיא תומכת). היא תת-קבוצה של אוריינות AI כאשר מיושמת על משוב מיוצר-AI, נחתכת עם הערכה עמיתים בהקשרים שיתופיים, ובעלת משמעותיות מיוחדת לכתיבה. היא מתחברת גם למטאקוגניציה ולכיול אמון — היכולת לשפוט האם משוב אמין.

פעולה על משוב אינה זהה לשיפור הארטיפקט. בקרב 22 מורי מתמטיקה עתידיים, קבלה סלקטיבית של משוב AI ועמיתים הייתה הנורמה (32 מתוך 44 פרקים), אך רק חמישה שיפרו את איכות המשימה המעוצבת שלהם — פער תרגום שהמחברים מייחסים לשיפוט הערכתי ולא לקליטה (Oh, 2026).

מושגים מקושרים

• דפוסים פדגוגיים — שלבי הביקורת-המכריעים שהרצפים האלה בונים לזרימת העבודה
• תיק עבודות אלקטרוני (e-portfolio)
• איכות המשוב של בינה מלאכותית
• משוב
• הערכה עיצובית
• למידה עצמית מוסדרת
• אוריינות AI
• הערכה עמיתים
• הערכה עצמית
• כתיבה
• מטאקוגניציה
• כיול אמון
• פריקת עומס קוגניטיבי
• השכלה גבוהה

מאמרים מקושרים

• Translating AI and peer feedback in sustainability-oriented STEM teacher education: pre-service mathematics teachers — קליטה סלקטיבית ללא שיפור ארטיפקט: פער תרגום המשוב (Oh 2026)
• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — משוב AI ללא מסגרת מורה מעלה את מוטלת אוריינות המשוב (Brunnström & Palmqvist 2026)
• Aligning ChatGPT with E-Portfolio Assessment as EFL Learning Model: Its Effect on Students' Speaking Performance and Feedback Literacy
• Making sense of AI feedback: how students' feedback literacy moderates the link between ChatGPT acceptance and self-regulated learning — אוריינות משוב מתווכת משוב AI → למידה מוסדרת-עצמית (Mendoza et al. 2026)
• Summarize, elaborate, try again: exploring the effect of feedback literacy on AI-enhanced essay writing — אוריינות משוב חוזה ציון חיבור בכתיבה מוגברת-AI (Hawkins et al. 2026)
• AI Feedback Literacy in Higher Education: Understanding, Measuring, and Predicting Student Feedback Uptake — סולם אוריינות משוב AI וחיזוי קליטה (Liu & Deris 2025)
• Generative artificial intelligence as an enabler of student feedback engagement: a framework — מסגרת GenAI כמאפשר מעורבות משוב (Zhan, Boud, Dawson & Yan 2025)
• Rethinking AI-assisted writing instruction: feedback literacy scripts, calibration training, and student writing development — תסריטי אוריינות משוב ואימון כיול לכתיבה בסיוע AI (Dai 2026)
• Effects of feedback literacy scripts and a second-rater mechanism on EAP writing revision in generative AI-supported — תסריטי אוריינות משוב + מדרג-שני בתיקון כתיבה EAP (Yao 2026)
• Reconnecting relationships through technology: Developing feedback literacy capabilities through an AI automated feedback tool — כלי משוב אוטומטי AI לפיתוח אוריינות משוב (Tubino & Adachi 2025)
• Positioning Generative AI in EFL Peer Feedback: Training Feedback Literacy and Enabling Uptake in Speaking Classes — מיקום GenAI במשוב עמיתים באנגלית כשפה זרה כדי לאמן אוריינות משוב (Irwin & Muller 2026)
• Fostering feedback literacy by scaffolding self-regulated feedback: a comparative study of GenAI and human peers — פיגום משוב מוסדר-עצמי: GenAI מול עמיתים אנושיים (Gu, Chen & Yan 2026)
• Students' Perceptions of Generative AI-Powered Learning Analytics in the Feedback Process: A Feedback Literacy Perspective — אנליטיקת למידה GenAI במשוב, פרספקטיבת אוריינות משוב (Jin et al. 2025)
• Using Generative AI to Promote Psychological, Feedback, and Artificial Intelligence Literacies in Undergraduate Psychology — הערכת GenAI בונה אורייות פסיכולוגיות, משוב ו-AI (Richmond & Nicholls 2025)
• Enhancing learner-centered feedback with AI: teachers'' practices and perceptions — פרקטיקות ותפיסות מורים של משוב AI ממ קדם-לומד
• The care-full craft of feedback in an age of generative AI — עיצוב משוב זהיר עם GenAI
• Artificial intelligence and feedback in university education: effectiveness and student perceptions — משוב מיוצר-AI בהשכלה גבוהה
• How artificial intelligence transforms the feedback ecosystem in higher education — AI מעבד מחדש את היחסים בין סטודנטים, חינוכים, עמיתים וחומרים במערכת המשוב (Bearman et al. 2026)
• Using AI-Generated Feedback to Improve Critical Thinking and Writing Proficiency — משוב AI וחשיבה ביקורתית בכתיבה
• Student Evaluation of Repeated AI Feedback Across a Semester of Writing — משוב כתיבה AI חוזר לאורך סמסטר
• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Who Should Grade My Work? פרספקטיבות סטודנטים על הערכת כתיבה בסיוע AI שקופה בהשכלה גבוהה
• The association between generative AI use and university students’ critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — שימוש GenAI לחשיבה ביקורתית רץ דרך אוריינות משוב GenAI, מתחזק עם חשיבה רפלקטיבית