מאגר הידע AIEdAIEd KB
בעמוד הזה

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

מושגים

שיתוף פעולה בין אדם לבינה מלאכותית

נוצר 2026-10-12

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

שיתוף פעולה בין אדם לבינה מלאכותית — חלוקת העומס הקוגניטיבי בין אנשים למודלים — היא נושא האינטראקציה המרכזי של מאגר הידע: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, It Felt a Bit Eerie": Exploring Humanlike Interactions During Collaborative Writing with an Artificial Agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) וBalancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing בוחנים אמון, סוכנות ותפקידים משלימים (בינה מלאכותית עם אדם בלולאה, בינה מלאכותית סוכנית). השאלה המגדירה היא האם השותפות משמרת או מחליפה את העבודה הקוגניטיבית של הלומד עצמו — אותה חלוקת עבודה יכולה לתמוך בלמידה או לחלוף אותה, תלוי באופן שבו מחולקת האחריות.

שאלות למחשבה

  • השאלה המגדירה בשיתוף פעולה בין אדם לבינה מלאכותית היא האם השותפות משמרת או מחליפה את העבודה הקוגניטיבית שלכם. חשבו על משימה שמסרתם לבינה מלאכותית: הייתם מייצרים ומחליטים, או רק מקבלים?
  • מחקר אחד מצא כי שיתוף פעולה חופשי עם ChatGPT הניב רק רווחים חולפים שהתמוטטו במשימה מאוחרת יותר ללא עזרה, בעוד שהפרוטוקול "חשוב קודם, ChatGPT אחר כך" הניב למידה מתמשכת. מדוע מי שיוצר את הרעיונות יכול לחזות אם אתם באמת לומדים?
  • אותו כלי יכול לתמוך בלמידה או לחלוף אותה, תלוי באופן שבו מחולקת האחריות. האם אתם זוכרים הסדר ששמר על פרודוקטיביות קוגניטיבית לעומת הסדר שבשקט הפריך את החשיבה שלכם לכלי?
  • הסדר אחד הופך את התפקידים הרגילים: במקום שהמודל יספק תשובות, הסטודנט מסביר את התוכן והמודל מגלם את הצד בור שיבקש הסברים, דוגמאות וטענה נגדית. אם זו הבינה המלאכותית השואלת, מה קורה לכמות החשיבה שנשארת בצד שלכם?
  • אמון מתואר כמשהו שיש לכייל, לא כמשהו שניתן להניח — להיזקק לבינה מלאכותית במקומות שבהם זה מתאים ולאמת במקומות אחרים. כיצד אתם מחליטים כיום מתי לסמוך לתוצר של בינה מלאכותית ומתי לאמת אותו?
  • מחקר מזהים מודי שיתוף פעולה שמסחררים בין יעילות לעומק המעורבות העצמית-ווסתית שלכם. מתי כדאי לקבל פחות יעילות כדי לשמור יותר למידה בידיים שלכם?
  • אם שיתוף פעולה הוא בחירה פדגוגית לא פגה מטכנית, אילו מהלכי עיצוב (הנחיות, תהליכי עבודה, מבנים) הייתם מקימים כדי להבטיח שהבינה המלאכותית מגבירה את החשיבה במקום להחליף אותה עבור הלומדים שלכם?

מבוא

שיתוף פעולה בין אדם לבינה מלאכותית מתאר כיצד לומדים, מורים ומערכות בינה מלאכותית מחלקים עבודה קוגניטיבית — מי עושה מה, מי מחליט, וכיצד נשמרים אמון וסוכנות. במקום למסגרת AI כהחלפה או ככלי פסיבי, מחקר השיתוף פעולה מתייחס לבינה מלאכותית כשותפת עם חוזקות משלימות, שערכה תלוי באופן שבו האחריות משותפת ומפוקחת. ברמת ההתנהגות הניתנת לתצפית, אינטראקציה בין תלמידים לבינה מלאכותית מתעד כיצד לומדים מממשים את הקשר הזה במעשה — השאלות, ההנחיות ומהלכי האימות שהם עושים עם בינה מלאכותית מרגע לרגע.

חלוקת העבודה עוברת גם דרך האנשים שמעצבים את האינטראקציה. בשתים עשרה יישומי קורסים להכשרת מורים, סגל הוראה הציג את הבינה המלאכותית כשותפת לחשיבה, מחוללת ביקורת או כלי חזרה, בעוד שהמועמדים שמרו על האחריות להערכה, התאמה ונימוק של החלטות, אך אותו מסמך מדיניות מדווח שהמועמדים הורידו ערך ממשוב שכבר שפטו כמועיל ברגע שנחשפה קוריינות הבינה המלאכותית — פרק שהוא מכנה "אפקט נפצו הבלון". ניתוח של 1,378 פניות של מעצבי צ'אטבוטים מצביע לכיוון הנגדי בייצור: המעצבים השתמשו בעוזר מוטבע בעיקר לבדיקות יישור על תוצאות למידה וגישה פדגוגית, לא לייצור תוכן. בשני המקרים שיפוט הערכה האנושי, ולא תוצאת המודל, הוא הנושא את הלמידה.

תועלת, סיכונים והשלכות עיצוביות

הראיות של מאגר הידע מראות כי שיתוף פעולה בין אדם לבינה מלאכותית הוא הסדר חומת-מגן, שתוצאתו נקבעת על ידי העיצוב ולא על ידי הבינה המלאכותית עצמה:

  • שיתוף פעולה יכול לשפר למידה כאשר הוא משמר מעורבות קוגניטיבית. מחקרים על GenAI ככלי חשיבה ושיתוף פעולה מונחה מראים שכאשר חלוקת העבודה שומרת על הלומד מייצר, מחליט ומעריך, הבינה המלאכותית מגבירה את החשיבה במקום להחליפה — ומניבה למידה עצמית-ווסתית ויצירתיות מתמשכות. העובדה שהלומד שומר על תפקיד ההחלטה מתרחבת גם לכתיבה: Oppenheimer, Cash & Connell Pensky (2025) מראים שביקורות של מודלים לשוניים גדולים על חיבורים טיעוניים של סטודנטים שיפרו את הכתיבה לאורך סמסטר, כאשר הלומדים החליטו אם לשלב או להפריך את משוב המודל (87.8% הפריכו טענות) — הסדר ששמר על עבודת ההערכה של הלומד — והרווחים הופיעו גם בחיבורים שנכתבו ללא תמיכת מודל לשוני, מה שמצביע על מיומנות מתמשכת ולא על תלות בכלי.
  • שיתוף פעולה יכול לחלוף למידה כאשר הוא מפריך יותר מדי. מצב הכשל הוא סמוך יתר על המידה: כאשר הבינה המלאכותית מייצרת את התשובה, תפקיד הלומד קורס לקבלה פסיבית, וביצוע המיידי במשימה מסתיר היעדר למידה מתמשכת. מחקר ביצוע-לעומת-למידה ומעגל הנזק של מעבר מחליפה לפיגום מתעדים זאת שיטתית.
  • ציון טוב יותר אינו בפני עצמו הוכחה שהשיתוף פעולה לימד משהו. הראיות האחרות בעמוד קוראות ביצוע בסיוע בזהירות, ומבחן אקראי של סוג התמיכה מראה מדוע. במחקר מעבדה של Iqbal et al. (2026), 87 סטודנטים של אנגלית כשפה זרה כתבו חיבור ללא עזרה, ואז ערכו אותו מחדש עם ChatGPT 4.0 (n = 29), עם מדריך כתיבה אנושי (n = 28), או ללא תמיכה (n = 30). לאיזו מארבע אסטרטגיות עריכה שנגזרו מהמעקב הסטודנט השתמש הייתה שיוך חזק לסוג התמיכה שהייתה לו (Cramér's V = 0.668) ושיוך מתון בלבד לאסטרטגיית הכתיבה הקודמת שלו (Cramér's V = 0.333); מוטיבציה, מיומנות כתיבה ודיוק שיפוט מטאקוגניטיבי לא הראו שיוך כולל, והקשר המטאקוגניטיבי עלה רק בתנאי ללא תמיכה (p = 0.0460). קריטית, אף אסטרטגיית עריכה לא ניבאה שינוי בציון (p = 0.273) אף שסוג התמיכה כן: קבוצת ה-GenAI שופרה באופן מובהק יותר מקבוצות מומחה-אנוש והבקרה (H(2) = 16.591, p = 0.00025, η² = 0.174), ובתוך אותה אסטרטגיה של ירידה הדרגתית בחיפוש עזרה סטודנטים של GenAI הרוויחו כ-4 נקודות בממוצע בעוד שסטודנטים של מומחה-אנוש איבדו 0.5. המחברים קוראים את הדפוס כתמיכה חיצונית שעוקפת את שיפוט המטאקוגניציה של הלומד עצמו, ומזהירים שהרווחים עשויים להיות אופטימיזציה ספציפית למשימה ולא יכולת מתמשכת. זה אינו הופך את עקרון מי מייצר ומחליט (המחקר שינה מי סיפק תמיכה, לא מי ייצר את החשיבה), אבל הוא מחדד את המבחן שהמדריך צריך ליישם: רווח שהושג בסיוע חייב לשרוד משימה ללא סיוע לפני שהוא נחשב למידה, וקבוצה שמצטרף אליה מומחה אנוש אינה אוטומטית ההסדר הבטוח יותר.
  • הוספת עמיתים אינה אוטומטית ההסדר הבטוח יותר. Chu, Dai and Zhai (2026) הוצבו 87 סטודנטים לתואר ראשון לעבוד לבד או בזוגות עם מערכת רב-סוכנים של GenAI במשך שמונה שבועות. הזוגות קיבלו את הציון הגבוה ביותר בפרויקט העיצוב המורכב (M = 89.64, לעומת 85.85 לסטודנטים שעבדו בזוגות ללא המערכת ו-86.45 לאלה שעבדו איתה לבד, p = 0.039), אך מודעות לחשיבה ביקורתית עלתה ביותר אצל אלה שעבדו לבד (M = 0.41) וירדה מעט אצל הזוגות (M = −0.04, p = 0.039).
  • עקרון עיצוב — שמרו על העבודה הפרודוקטיבית של הלומד. לאורך המחקר, החוזה החזק ביותר לשאלה האם שיתוף פעולה עוזר או מזיק הוא מי מייצר ומחליט. הסדרים ששומרים על הפרודוקטיביות הקוגניטיבית האנושית (הנחיה מונחית, "חשוב קודם, ואז התייעץ עם הבינה המלאכותית", שלבי אימות והערכה) תומכים בלמידה; הסדרים שמוסרים את כל המשימה למודל אינם תומכים. המהלך המשלים הוא לשנות את מה שהוקצה למודל להיות. בניסוי כמעט-אקראי של Wang et al. (2026), 68 מורים לפני שירות הסבירו את מושג הכיתון ההפוך ללומד חדש של GAI שנבנה על ERNIE 3.5 (מערכת הממוסגרת כסקרנית ומעריכה שיבשה הסברים, דוגמאות, הסקת אימות ופרספקטיבה נוגדת, בסדרה במסגרת טקסונומיית בלום) או שאלו שאלות למורה GAI שנבנה על אותו מודל. הסטודנטים שלימדו את הבינה המלאכותית הסבירו טוב יותר (הגדרת הכיתון ההפוך M = 4.18 לעומת 3.29; פעילויות ההוראה שלו M = 4.91 לעומת 3.06, שניהם p < 0.001) וייצרו יותר שאלות ואיכותיות יותר (M = 3.67 לעומת 2.14; M = 5.67 לעומת 3.07, שניהם p < 0.001), בעוד שהזכרון האובייקטיבי היה בלתי ניתן להבחנה סטטיסטית (M = 23.18 לעומת 21.57, p = 0.416), כך שהיתרון נמצא בהסבר ובהעברה ולא באחזור עובדות. סטודנטים בתנאי המורה של הבינה המלאכותית היו כנים לגבי המחיר: חלק הודו שזה נתן "מידע מדויק ומפורט יותר", אך דיווחו ש"אחרי השימוש בו, לא רציתי לחשוב באופן עצמאי". הקצאת התפקיד של הלומד הנלמד למודל הופכת את הסטודנט למקור היחיד של הרעיונות ומסירה את הקושי המתמשך למצוא עמית מתאים להוראה. שני מגבלות עיצוב נלוות לכך: תכנון ומעקב לא שופרו (M = 4.01 לעומת 3.78, p = 0.062), כך שהיפוך התפקידים אינו בפני עצמו התערבות מטאקוגניטיבית, והמחברים מייחסים את התוצאה האפסית לעיצוב משימה ששמר על התמקדות הסטודנטים בדיוק התוכן. בכיתה לכתיבה העקרון הזה מקבל צורה קונקרטית וניתנת להוראה. בניסוי כמעט-אקראי סעודי עם אנגלית כשפה זרה של Alshehri et al. (2026), סטודנטים ביצעו שגרה בת חמישה חלקים — מסגרת הבעיה ועיצוב ההנחיות, טיוטה איטרטיבית, עריכה, — עם כל מטלה שהחייבה יומן שימוש בבינה מלאכותית של מה שהם קיבלו, דחו, ומדוע. הכתיבה והחשיבה הביקורתית הדיגיטלית עלו יחד וזזו כמעט בצעד אחיד, והרפלקציות של הסטודנטים קשרו את שגרות האימות ותיקון ההזיות ספציפית לרווחי החשיבה הביקורתית: אותם הרגלים של חקירת תוצרים עיצבו את החלטות הכתיבה שלהם. האזהרה של המחברים היא המשלים ההכרחי לעקרון — תהליך העבודה מותנה ולא עצמאי, ועשוי להפוך נגד-פרודוקטיבי תחת פיגום דליל, מוכנות ביקורתית או מטאקוגניטיבית נמוכה (כאשר לסטודנטים אין היכולת לתפוס תוצר רע), הפרלה הדרגתית של החלטות הכתיבה, או מדיניות שימוש בבינה מלאכותית מוסדית עמומה.
  • סמכות חסומה היא עצמה תבנית עיצוב לשיתוף פעולה בהיתכנות גבוהה. מורים בReichert et al. (2026) לא יצגו עוזרים פתוחים אלא מערכות שהחירות שלהן נקבעה מראש: כל עיצוב הגביל את הצ'אטבוט לתוכן שיעור ספציפי, והבטיחות הורכבה כשכבות של גבולות תחום (תחום ספציפי לשיעור, בתוספת "מכסת מידע" הדורשת מספר מינימלי של עובדות או בעיות לפני שהשיחה מתקדמת), סינון תוכן עם סירובים סטנדרטיים ("מצטערים, זה לא חלק ממאגר הידע שלי") שהתריעו גם למורה, ודריסת מורה במקרים עמומים — הדוגמה שניתנה הייתה שאלה על רבייה אנושית שהי לגיטימית ביחידתה והייתה אמורה להיות מנותבת לאדם ולא נדחית אוטומטית. התאמה אישית של פורמט, ז'אנר, קצב ומורכבות התקבלה בברכה בתוך הגבולות האלה,ופיקוח (יומני שיחה מלאים, התראות בזמן אמת, דריסה) ממוסגר כאחריות מקצועית ולא כחוס אמון במודל. המשמעות היא שבהגדרות בהיתכנות גבוהה את חלוקת העבודה יש לציין כחסומה, מפוקחת ומבוטלת, ולא כמשא ומתן תורן לתורן.
  • אמון צריך להיות מכוילל, לא מונח. שיתוף פעולה פרודוקטיבי תלוי ביכולת הלומדים לכייל במדויק מתי להיזקק ומתי לאמת תוצר של בינה מלאכותית — ומתחבר לכיול אמון ולפיקוח אנושי ולא לקבלה עיוורת או דחיה גורפת.
  • שיתוף פעולה של מורים עם בינה מלאכותית הוא חומת-מגן למעורבות, לא רק ללמידה. בסקר שלוש גלים של 468 מרצי אוניברסיטה, שיתוף פעולה העלה מעורבות בעבודה דרך זמינות פסיכולוגית (עקיף 0.20) אך הורידה אותה דרך ניכור עבודה (עקיף −0.03); מיומנות דיגיטלית ביקשה את שניהם, והחלישה את שיפוע הניכור מ-0.38 ל-0.17 (Sun et al. (2026)).
  • חלוקת העבודה עוקבת אחר אמינות, לא אחר יכולת. מה שהלומדים מתיישבים עליו הוא הקצאה עקרונית: בינה מלאכותית למשוב לשוני מיידי ויישומי בכלל, ומדריכים להדרכה אינדיבידואלית ומערכתית, שהוקצה לפי האמינות הנתפסת של כל מקור ולא לפי דיוקו, כי האילוץ המחייב על ההסתמכות היה תשומת לב נתפסת ולא מיומנות (Serpil & Mor, 2026).
  • ההסתמכות היא תהליך אוכלוסייתי, לא רק בחירה אינדיבידואלית. במודל מבוסס-סוכנים, הוכחה חברתית נראית לשימוש לא מאומת קרסה את האימות מ-0.29 ל-0.002 והעלתה סמוך יתר על המידה מ-0.30 ל-0.52, בעוד שאימות עמיתים נראה שיחזר אימות כמעט מלא — שינוי במה שהלומדים רואים שאחרים עושים מנצח הורדת עלויות בדיקה (Biswas (2026)).

הדבר הופך את שיתוף הפעולה בין אדם לבינה מלאכותית לקונסטרוקט פדגוגי לא פחות מקונסטרוקט טכני: ערך השותפות מעוצב על ידי האופן שבו המורים מעצבים את האינטראקציה, האופן שבו הלומדים ווסתים אותה, והאופן שבו המערכת מזמינה או מרתיעה מעורבות פרודוקטיבית.

כיצד שיתוף פעולה בין אדם לבינה מלאכותית מופיע במחקר

  • אמון וציפיות: ציפיות אמון בוחנות כיצד הציפיות של הלומדים מהבינה המלאכותית מעצבות אם השיתוף פעולה פרודוקטיבי או מוביל לסמוך יתר על המידה.
  • תפקידים משלימים בכתיבה ובחשיבה: כתיבה שיתופית עם בינה מלאכותית דמוית-אדם וGenAI ככלי חשיבה מראים כיצד בינה מלאכותית יכולה להגביר את חשיבת הלומד במקום להחליף אותה, כאשר חלוקת העבודה משמרת את המעורבות הקוגניטיבית של הלומד.
  • תזמור וסוכנות: תזמור סוכנות מורה–סטודנט ומודלים מנטליים של סטודנטים מתייחסים לכיצד סוכנות נמצאת במשא ומתן בין בני אדם לבינה מלאכותית, ומתחברים לבינה מלאכותית עם אדם בלולאה ולבינה מלאכותית סוכנית.
  • ממדים מטאקוגניטיביים וצוותיים: מודלים מטאקוגניטיביים של בינה מלאכותית ממוקדת-אדם וגישור תחום דעת בצוותי סטודנטים מרחיבים את שיתוף הפעולה למטאקוגניציה וללמידת צוות.
  • מיומנות שיתוף פעולה כקונפיגורציה, לא כרשימת בדיקה — מטאקוגניציה תופסת את התפקיד האינטגרטיבי של ידע טכנולוגי-פדגוגי-תוכני (TPACK). Dang, Hong, Doyle and Nguyen (2026) מגדירים מיומנות שיתוף פעולה בין אדם לבינה מלאכותית כקונפיגורציה דינמית של מיומנות תחום, מיומנות בינה מלאכותית ומיומנות מטאקוגניטיבית בתוספת החיתוכים ביניהן (עבודה עם בינה מלאכותית, למידה סוכנית עם בינה מלאכותית, התפתחות אישית ומקצועית סוכנית, והמיומנות עצמה), ודוחים במפורש רשימה אדיטיבית של מיומנויות בינה מלאכותית המצורפת לתכנית לימודים קיימת. המהלך המרכזי שלהם מקצה מחדש את העבודה האינטגרטיבית שהפדגוגיה עושה ב-TPACK: מכיוון שהבינה המלאכותית היא משתתף אדפטיבי שתרומתו משתנה ככל שהמשימה מתפתחת, נטלת התיאום נופלת על המטאקוגניציה של הלומד עצמו — להחליט מתי להתייעץ עם בינה מלאכותית, כיצד למסגרת את האינטראקציה, ומתי לדרוס אותה — כך שזה הלומד, לא המורה, שמחזיק במנגנון ששומר על פרודוקטיביות השיתוף פעולה. סוכנות הלומד מושמטת במכוון כצומת עצמאי; היא במקום זאת התכונה המתעוררת שהלומדים מביעים כאשר הם מתאמים את שלוש המיומנויות, מה שהופך את הסוכנות לתכונה של הקונפיגורציה ולא למיומנות שאימונים בבידוד. מחקר הראיונות של המסגרת עם 24 מחנכים ניו-זילנדיים תמך במימדים תיאורית, ורמת התפקיד שינתה את הדגש ולא את הקבלה: רשתותיהם של מחנכים ראשיים התמקדו בבינה מלאכותית עם קישורים למיומנות ולפיתוח מקצועי, והתנו מזהים ממחנכים בכירים (U = 10.00, p = .04) וממחנטים בתחילת הקריירה (U = 7.00, p = .01).
  • מודי שיתוף פעולה נבדלים: עבודה אמפירית מזהה שלושה מודי פתרון בעיות שיתופיים בין אדם לבינה מלאכותית — הסקה מואצלת, פירוש מתואם, ופירוט מואצל* — וחושפים מסחרור בין היעילות של המערכת המבוזרת של אנ-אא (delegated reasoning מבצע את התוצאה הטובה ביותר, אבל עם מעורבות עצמית-רגולציה של בינה מלאכותית בחינוך נמוכה יותר).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)
  • אדם ומנחים של בינה מלאכותית יכולים להיות ברי החלפה תפישתית בדיון מובנה, אך שימוש חוזר פועל מסיבות שונות. Kuhail et al. (2026) החליפו מתאם אנושי במתאם GPT-4 (ואז בחזרה) ב-32 סשני דיון שהועברו על ידי 32 סטודנטים של STEM, ומצאו הבדל סטטיסטית מובהק ביתר ביעילות, הנאה, שביעות רצון, תועלת או כוונה לשימוש (t נע בין 0.23 ל-1.30, p בין 0.198 ל-0.818). מה שהתבדל היה מדוע סטודנטים יחזרו: בניהול של בינה מלאכותית, תועלת נתפסת הניעה כוונה לשימוש (0.806, p = 0.004), בעוד ששביעות רצון הניחה אותה רק בניהול אנושי (0.556, p = 0.002). המחברים קוראים את ההשוואה השטוחה כנורמליזציה במשימות מוגבלות-כללים ולא כהוכחה לשוויון, וממליצים לשמור על פיקוח אנושי מסיבות אתיות ומערכתיות תוך הפיכת התועלות של פעילויות בניהול בינה מלאכותית למושגות במקום להישען על הנאה. מכיוון שהמחקר מדד תפיסאות בלבד, הוא אינו אומר דבר על אם סטודנטים טענו טוב יותר.
  • הקצה את המשימה לפני שאתה מאצל אותה. Tsim and Gutoreva (2025) מוסיפים אזור רביעי — מה שהמודל כבר יודע — לאזורי הפיתוח של הלומד, ומניבים הקצאות של תחליף, משלים, סיוע ובלתי-משא ומתן, וטוענים שמודי האוטומציה–הגברה–שיתוף פעולה מתחלקים לפי מקום השליטה והאחריות האפistemית ולא לפי מורכבות הכלי.
  • הנדסת הנחיות כחשיבה פדגוגית, הבנויה באמצעות למידת שיעור. Robinson et al. (2026) עקבו חמישה מחנכי מורים במוסד אחד באיחוד האמירויות באמצעות שני מחזורי למידת שיעור שהגיעו ל-36 מורים לפני שירות במתמטיקה חטיבת ביניים ותיכונית ובבתי ספר יסודיים, בעיצוב שיעורים נתמכי בינה מלאכותית עם ChatGPT (GPT-4o). המהלך שעשה את העבודה היה צימוד הבינה המלאכותית עם מסגרת תחום דעת: PSTs ייצרו משימה, שפטו את הדרישה הקוגניטיבית שלה מול מסגרת Mathematical Task Analysis מותאמת, ואז כתבו מחדש את ההנחיה כדי להעלות את העומק המושגי, כך שהעריכה עוגנה במתמטיקה ולא בתכונות הכלי. שישה-עשר מתוך 26 הנחיות ניתנות לניתוח נשאו תכונות משימה מושגיות, והמחנכים הסיקו שהנדסת הנחיות היא "לא מיומנות טכנית; היא קוגניטיבית". למידה מדווחת עלתה בשיעור המעובד (5 מתוך 7 PSTs במחזור הראשון ו-10 מתוך 14 בשני דיווחו למידה להבחין בין משימות מושגיות לפרוצדורליות), עם האזהרה שבקשת משימה מושגית יותר מבינה מלאכותית יצרה לפעמים רק משימה מורכבת יותר. עבור פיתוח סגל, הטענה היא לחקירה שיתופית מתמשכת בשיעורים אמיתיים ולא לסדנאות כלי עצמאיות.
  • הדרכה קובעת ביצוע לעומת למידה: Wong and Qiu (2026) השוו שיתוף פעולה חופשי מול מונחה בין אדם לבינה מלאכותית במשימה יצירתית. שיתוף פעולה חופשי עם ChatGPT הניב רק ביצוע חולף שקרס במשימה מאוחרת יותר ללא סיוע, בעוד שהפרוטוקול המונחה "חשוב קודם, ChatGPT אחר כך" — ייצור הרעיונות של עצמו, ואז שימוש ב-ChatGPT כדי לשפר, לפתח ולהעריך אותם — הניב רווחים מתמשכים ביצירתיות עצמאית. היתרון תווך על ידי הנחיות שיתופיות שמטרתן לשפר את הרעיונות של עצמו, מה שמראה שמי מייצר (חלוקת העבודה) חוזה אם השיתוף פעולה מייצר למידה או החלפה.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)
  • בינה מלאכותית כמתווכת, לא רק כשותפה: Niari מבסס מחדש את הבינה המלאכותית כמתווכת פדגוגית שמתזמרת אינטראקציה, העשרה אפistemית ותהליכים ווסתיים, ומחלקת מחדש סוכנות, סמכות ואחריות בין שחקנים אנושיים ולא-אנושיים, במקום להתייחס לבינה המלאכותית כחונכת, עמית או כלי.
  • שיתוף פעולה של מורים עם בינה מלאכותית מלוכד גם הוא, לא בינארי. כאשר מורים מעצבים עיצובי שיעור עם בינה מלאכותית יוצרת, האינטראקציה שלהם מקבלת צורות ניתנות להבחנה אמפירית. Choi et al. (2026) זיהו שבע תבניות אינטראקציה של מורה–בינה מלאכותית — מאימוץ ישיר ואימוץ מפותח של תוצר בינה מלאכותית ועד דחיה ראשונית, אימוץ מתוקן, שימוש מונחה בהמשך, אינטראקציות מורכבות, ועקיפת בינה מלאכותית — כאשר ניסיון ההוראה של המורה ומיומנות הבינה המלאכותית שלו מעצבים יחד אם הוא מנסח מחדש באופן ביקורתי ומתאים את הבינה המלאכותית לסטודנטים ולהקשר (חלוקת עבודה משלימה, קוגניציה מבוזרת) או שמקבל הצעות באופן פסיבי (חלוקה דומיננטית של בינה מלאכותית).
  • הסוכן המתווך כצורת השתתפות היברידית. במקום נקודת אמצע בין כלי לשותף, בינה מלאכותית יוצרת מתקבלת כסוכן מתווך שמתווך פעולה תוך ייצור תרומות מותנות ולא-נשיאות — קטגוריה נבדלת שמפנה את העיצוב מיכולת טכנולוגית להרגלי השתתפות (סוכנות פיקוחית, זהירות אפistemית).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
  • קהילה וסמכות אפistemית: למידה קהילתית עם בינה מלאכותית מראה שהשיתוף פעולה הוא גם שאלה של מי סמכותי, ומעוגן את המעורבות בבינה מלאכותית באפistemולוגיות חייהן של הלומדים.
  • גילוי תכונות מונע-נתונים: Principal Trait Analysis (PTA) מאוטומטת את גזירת "תכונות" האינטראקציה מקורפוסים גדולים של שיחות מודלי שפה גדולים (LLM) — צנרת ארבע-שלבית בהשראת PCA שמוציאה תצפיות התנהגות, מקבצת אותן לתכונות מועמדות, מנקודת כל שותף, ובוחרת את התכונות המבחינות ביותר. בהערכה על קורפוס של סטודנט–חונך בינה מלאכותית וקורפוס של מפתח–סוכן קוד, PTA מוצאת תכונות שמסבירות ומנבאות תוצאות (למשל מעורבות מושגית עמוקה חיובית, הקצאת משימות שלילית, בהגדרה החינוכית), ו — מכיוון שהן עדיין לא מתכללות בין סמסטרים/הגדרות או מראות מסלולי עקומת למידה — המחברים טוענים שהתכונות עדיין אינן מתפרשות כ"מיומנויות". הדבר מציע משלים מדרג ולאובייקטיבי למסגרות אוריינות AI ולאמצעי דיווח עצמי, ומספק מידע ישיר כיצד מחנכים מלמדים "מיומנויות שימוש בבינה מלאכותית".
  • היחס בין אדם לבינה מלאכותית כהדאגה המתמדת ביותר בין דורות של CAI. סקירת המטרייה של סוכנים שיחתיים של בינה מלאכותית (Ganguly et al. 2025, 34 סקירות) מוצאת שדאגות היחס בין אדם לבינה מלאכותית — סמוך יתר על המידה, בידוד חברתי, אי-אישיות, תלות רגשית, שקיפות, אחריות — הן הנושא האתי הנדון בתדירות הגבוהה ביותר בכל דורות CAI, וקודם ל-GenAI. הדבר ממקם את השאלה "שמור לעומת החלוף" במרכז מוחלט של אתיקת CAI ומחזק שערך השיתוף פעולה נקבע על ידי עיצוב (מי מייצר, מי מחליט, כיצד האחריות משותפת).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)
  • בינה מלאכותית שמרחיבה מומחיות בזמן אמת למתחילים — ה-RCT החי הראשון של חונכות. Wang et al. (2024) של ניסוי אקראי מבוקר (900 חונכים, ~1,800 סטודנטים של גן עד תיכון בקהילות מוחלשות) הציבו את הבינה המלאכותית בצד של החונך ולא של הסטודנט: Tutor CoPilot ייצר הצעות בזמן אמת בסגנון מומחה (בנויות מהסקה בקול-רם של חונכים מנוסים) שחונכים מתחילים יכלו לערוך או לדחות. סטודנטים של חונכים מטופלים היו סיכויים גבוהים ב-4 נקודות אחוז לשליטה בנושאים (p < 0.01), עם רווחים של 9 נקודות אחוז בקרב סטודנטים של החונכים המדורגים הנמוכים ביותר — שעלו כדי להתאים לתוצאות הבקרה של חונכים מדורגים גבוה יותר — בעלות של ~\$20 לחונך לשנה. הממצא הוא עוגן אמפירי חזק להגברת מורה/חונך כמצב שיתוף פעולה בין אדם לבינה מלאכותית הוגן: האדם שומר על שיפוט פדגוגי ואוטונומיה בעוד שהבינה המלאכותית מספקת מומחיות מדרגה.
  • מומחים חסומים: כיצד מורים מחלקים סמכות עם בינה מלאכותית. Reichert, Briceno, Tabarsi & Barnes (2026) ערכו מחקר עיצוב השתתפותי שבו שישה מורים תיכוניים יצגו אבות-טיפוס של צ'אטבוטים עם מודלים לשוניים גדולים לכיתות שלהם וניתחו כיצד יש לחלק סמכות בין מורה למערכת. המורים מסארים בעקביות את הבינה המלאכותית כמומחה חסום — יכולת מומחית הכלואה בתחום מוגדר קפדנות ופועלת תחת פיקוח אנושי — וחילקו את החסום הזה לשני ממדים: גבולות סמכות, שבהם האחריות המקצועית והמשפטית על למידה ובטיחות סטודנטים אינה ניתנת להאצלה, וגבולות מומחיות, שבהם למערכת אין הידע ההקשרי של המורה על סטודנטים בודדים, דינמיקת כיתה ונורמות מוסדיות. מיפוי אבות-הטיפוס על תשעת אירועי ההוראה של Gagné הראה שההאצלה הייתה סלקטיבית ולא הכול-או-כלום: מורים קיבלו בברכה בינה מלאכותית להצגת תוכן, אספקת תרגילים, פיגום, ומשוב מעצב, אבל סירבו להעביר הודעת מטרות לסטודנטים או מסכמת הערכה. הקריאה העיצובית היא שממשק שיתוף פעולה צריך להפוך לגלוי היכן שהאדם שומר על תפקיד ההחלטה, לא רק היכן שהמודל מסוגל.
  • התפקיד חייב להתאים, לא רק להיות מתויג. Liao (2026) מראה שחבר קבוע של בינה מלאכותית בתור "עמית" קיים אינטראקציות שיחת-ספר ממושכות יותר אך שלט בשיחה (שיתוף מילים/משפטים נמוך יותר של הסטודנט) ופגע בתקרה אפקטיבית, בטענה ששיתוף פעולה דורש לוגיקת תפקיד-אדפטיבית — מתג בין עמית, עוזר ויועץ — ולא פרסונה סטטית אחת.
  • עיצוב שיתופי בצד המורה וארכיטקטורת תפקידים הם גם שיתופי פעולה. מעבר לשותפים המיועדים לסטודנטים, מורים משתפים פעולה עם GenAI לעיצוב הוראה. Wang et al. (2026) סוקרים שיטתית עיצוב שיתופי של מורה–בינה מלאכותית של משימות למידה, וממפים את המודים והמתחים (סוכנות, סמכות אפistemית, שליטה) שעולים כאשר מורים ובינה מלאכותית מייצרים עיצובים יחד; Talebzadeh (2026) מוצא שהמומחיות הפדגוגית של המורים — לא מיומנות הבינה המלאכותית — קובעת את איכות פעילויות הקבוצה המבדלות מעוצבות בינה מלאכותית (עושר תפקידים, סינרגיה, יישור רמה), וממקם את המורה כמעצב למידה "דו-לשוני".
  • GenAI כסוכן וכמרחב שיתופי בקבוצות. Xu et al. (2026) מתבוננים בצוותים קטנים של השכלה גבוהה ומראים שהתפקיד של GenAI נמצא במשא ומתן וניתן לקונפיגורציה — מעוזר כפוף ועד חבר בצוות מעורער — וששימוש משותף סינכרוני מקיים קרקע משותפת בעוד ששימוש פרטי אסינכרוני מפרק שקיפות, ומציעים עדשת GenAI-Supported Cooperative Work שמתייחסת ל-GenAI גם כסוכן וגם כמרחב שיתופי אינטראקטיבי.
  • חצאי משלימים של שיתוף פעולה בכיתה. שני מחקרים מ-2026 ממפים חצאי משלימים של שיתוף פעולה בין אדם לבינה מלאכותית בכיתות. MeduAI-SP (Yang et al.) טוען עבור "משלימות פונקציונלית" בחינוך קליני: סוכני בינה מלאכותית מטפלים בסימולציית תפקיד חוזרת, חולים עקביים, ניטור רשימות בדיקה, הנחיה סוקרטית ומשוב מעצב ראשוני, בעוד שסגל הוראה וחולים אנושיים סטנדרטיים מספקים פרשנות הקשרית, תגובה רגשית מעודנת, ריפוי אינדיבידואלי, הערכת מקצועיות ושיפוטי מוכנות — החלפה נחסמת לפי תוצאות שגיאה, אי-ודאות משימה, רגישות מערכתית וביקורת אנושית זמינה, ומערכת בינה מלאכותית חסומה במפורש מקביעה אוטונומית של מיומנות קלינית. בכיוון הנגדי, דיון אתיקה של 45 סטודנטים עם 3 אנושיים/3 סוכנים (Seo et al., 2026) מתעד דפוס חומת-מגן: סוכנים הורידו חסמים חברתיים (משתתפים דיברו ישירות יותר כי לסוכנים אין רגשות, ולא הרגישו מחויבות למלא שתיקות), אך אותה נוחות הפרידה אינטראקציה מבני אדם — 79.7% מהשאלות הופנו לסוכנים לעומת 60% שהזמינות שלהם מנבאת (p = .017). יש לציין, הנוכחות של בני אדם אחרים גרמה למשתתפים להתייחס לבינה המלאכותית ביתר כבוד, מה שמצביע שהנוכחות האנושית המשותפת היא בעצמה מאפשר לכייל את המעורבות בבינה המלאכותית.
  • תוכניות מקצועיות מפנות אימון מייצור שגרתי למיומנויות שיתוף פעולה (פרוטוקול עיצוב): Wang (2026) מציע מסגרת מבוססת-עיצוב לחינוך מתרגמים, בנויה סביב ממצא החלפת משימות (18 תת-משימות מדורגות לסבירות החלפה על ידי בינה מלאכותית עם תגי מקור [E]/[P]) וארבע מיומנויות מנותבות מחדש: ידע בין-תחומי, תזמור בינה מלאכותית, שיפוט אסטרטגי, והערכה ביקורתית של בינה מלאכותית. המסגרת היא פרוטוקול רשום-מראש ללא נתונים אמפיריים עדיין; התרומה שלה היא המתודה — ניתוח החלפה בר-ביקורת בתוספת נתיב עיצוב שיתופי לרפורמת תכנית לימודים — שמתאים לכל תוכנית מקצועית שמשימותיה השגרתיות מבוצעות ביתר ויותר על ידי מערכות סוכניות.
  • סוגי שזירה שונים במה שהם דורשים מהסטודנט, וזו הסיבה שכמה נשארים נדירים. Sun, Dohn and Rehm (2026) מסווגים 102 מחקרים של השכלה גבוהה לפי האופן שבו העבודה האפistemית מחולקת בין סטודנט למערכת (עוזר, מאפשר, מסנתז, מחולל, מדמיין מחדש) ומוצאים ששתי הצורות ששומרות על מיומנות הניתנת ליוחס לסטודנט הבודד מהוות 42.16% מהקורפוס כל אחת, בעוד שהצורות שמחלקות קוריינות נשארות שוליות. ההסבר שלהם מוסדי ולא טכני: הסוגים הנדירים דורשים מסטודנטים לקחת אחריות אפistemית על תוצרים שהם לא ייצרו, ועדיין להיות מוערכים ככותבים בודדים, וזו הסתירה — לא חלוקת העבודה עצמה — ששומרת עליהם מחוץ למעשה. תגובת העיצוב היא להפוך את חלוקת העבודה האפistemית למפורשת, לסדר פעילויות לאורך הספקטרום, ולבנות רפלקציה על כיצד האחריות חולקה.

קשרים

שיתוף פעולה בין אדם לבינה מלאכותית מתחבר לבינה מלאכותית עם אדם בלולאה (פיקוח), בינה מלאכותית סוכנית (אוטונומיה), הוראה (העבודה המשתנה של המורים), פיגום ומטאקוגניציה (כיצד השיתוף פעולה תומך בלמידה), ולסמוך יתר על המידה (מצב הכשל כאשר שיתוף פעולה הופך להחלפה). זהו נושא מרכזי באוריינות AI, בלמידה עצמית מוסדרת, ובחוויית הסטודנט.

מושגים מקושרים

מאמרים מקושרים

מטא-דאטה

למידה והוראהאינטראקציה בין תלמידים לבינה מלאכותית
טכנולוגות ושיטותבינה מלאכותית יוצרת, מודלי שפה גדולים (LLM)
יסודות הבינה המלאכותית בחינוךשיתוף פעולה בין אדם לבינה מלאכותית, אוריינות AI
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.