מאגר הידע AIEdAIEd KB
בעמוד הזה

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

מושגים

בינה מלאכותית עם אדם בלולאה

נוצר 2026-10-12

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

בינה מלאכותית עם אדם בלולאה — תבנית העיצוב שבה מערכות בינה מלאכותית חינוכיות שזורות באופן אסטרטגי בין יצירה אוטומטית לשיפוט אנושי מומחה, תוך שימור איכות ובטיחות פדגוגיות בעת הרחבת הייצור. במקום לבצע אוטומציה מלאה להערכה, למשוב או להוראה, עיצוב HITL שומר על אדם (מרצה, מומחה תחום או לומד) בלולאת ההחלטות במקום שבו לשיפוטו הערך השולי הגבוה ביותר — להערכת איכות, לפסיקה במקרי קצה, ולהגנה על סוכנות הלומד ועל בטיחותו. שאלת העיצוב המרכזית היא לא האם לכלול בני אדם, אלא היכן בצנרת הפיקוח שלהם הוא בעל הערך הרב ביותר והפחות בר-החלפה.

שאלות למחשבה

  • שאלת העיצוב המרכזית בעיצוב HITL היא לא האם לכלול בני אדם, אלא היכן בצנרת שיפוטם הוא בעל הערך הרב ביותר. במערכת הערכה או משוב מבוססת בינה מלאכותית, באיזה שלב הייתם מתעקשים שאדם יישאר בלולאה?
  • מחקרים על יצירת שאלות בבינה מלאכותית מצאו שמחשבים מטפים היטב בבהירות ובתוקף, אך בני אדם עדיין נחוצים למסיחים בעלי משמעות פדגוגית ולמשוב טוב. מדוע יתכן שחלקים משיפוט חינוכי מתנגדים לאוטומציה?
  • הערכה אחת מצאה ששלושה מודלים לשוניים גדולים נתנו המלצות תמיכה לסטודנטים לא עקביות ולא רגישות — ומסקנתה ששיפוט אנושי עדיין נחוץ לפני שבינה מלאכותית תייעץ על סטודנטים. כאשר בינה מלאכותית "ממליצה" על תמיכה לתלמיד מתקשה, מה עלול להשתבש אם אין אדם שבודק אותה?
  • העמוד מציע שבני אדם ואלגוריתמים תופסים סוגים שונים של בעיות — לבצע אוטומציה למה שניתן לאימות מדויק, ולשמר שיפוט במקום שהנינצ'ואו בלתי-בר-החלפה. היכן בתרגול שלכם עובר הגבול בין השניים?
  • שמירת אדם בלולאה ממוסגרת כהגנה על סוכנות הלומד ובטיחותו, לא רק על האיכות. כיצד אוטומציה מלאה עשויה לשנות בעדינות את תחושת הסטודנטים לגבי מי אחראי ללמידתם?
  • אם בינה מלאכותית תהיה יותר אוטונומית, הפיקוח של HITL מתואר כמעקה בטיחות מרכזי. באיזה רמה של אוטונומיה של בינה מלאכותית הייתם מרגישים לא בנוח — ומה חוסר-הנוחות הזה מספר לכם על המקום שבו הפיקוח צריך להיות?

מבוא

עיצוב HITL הוא תגובה למגבלות ולסיכונים של בינה מלאכותית חינוךית אוטונומית לחלוטין: מערכות אוטומטיות יכולות ליצר בקנה מידה אך חסרות את השיפוט ההקשרי, האתי והפדגוגי שמרצים ומומחים מביאים עימם. שתי מימושים אחרונים ממחישים ארכיטקטורות נבדלות:

תמיכה פרסקריפטיבית היא תחום שבו פיקוח אנושי נטען יותר ויותר שאינו אופציונלי. López-Pernas et al. (2026) בדקו האם שלושה מודלים לשוניים גדולים יכולים להמליץ על תוכניות תמיכה לסטודנטים ממחווני אנליטיקת למידה, ומצאו רגישות מוגבלת לצורך ואי-עקביות חוצה בין מודלים — ומסקנתם ששיפוט אנושי בלולאה עדיין נחוץ לפני שניתן לפרוס מודלי שפה גדולים (LLM) ייעוץ פרסקריפטיבי בבטחה ובאתיקה.

ארכיטקטורה שלישית ממקמת שיפוט אנושי במקור של המודל ולא בפלטו. במחקר של Lee, Atif & Kang (2026) על סיווג שאלות הלומד, שלושה מומחים בדוקטורט שלטו על כל הצנרת: הם עידנו את ההגדרות התפעוליות לכל תפקיד קונסטרוקטיביזם, תיוגו באופן עצמאי עד שקפא של Fleiss עלה מ-0.60 ל-0.83 לאחר פתרון פערים, ואימתו את הפריטים שתורגמו בחזרה ונוסחו מחדש ששימשו לאיזון סט האימון.

CODE-GEN: יצירת שאלות אמריקאיות רב-ברירה עם אדם בלולאה

Duan et al. (2026) בנו מערכת RAG (יצירה מוגברת-אחזור)- מבוססת סוכנים עם שני סוכנים:

  • סוכן מחולל — מפיק שאלות קידוד אמריקאיות רב-ברירה הממוקדות ביעדי הלמידה של הקורס
  • סוכן מאמת — מעריך איכות לאורך שבעה ממדים פדגוגיים

הערכה: שישה מומחי תחום שיפטו 288 שאלות שנוצרו בבינה מלאכותית. שיעורי הצלחה שאומתו על ידי בני אדם: 79.9%–98.6% לאורך הממדים.

ממדים חזקים בבינה מלאכותית (נטשות אנושית נמוכה):

  • בהירות השאלה, תוקף הקוד, התאמה מושגית, תוקף התשובה הנכונה

ממדים הדורשים בני אדם (נטשות אנושית גבוהה):

  • עיצוב מסיחים בעלי משמעות פדגוגית
  • משוב הסברתי איכותי

תובנה אסטרטגית: יש לרכז את המאמץ האנושי במקום שבו שיפוט הוראה בלתי-בר-החלפה; אימות חישובי ניתן לאוטומציה מלאה.

MAIC: יצירת תסריטים עם אדם בלולאה

Yu et al. (2024) פרסו כיתה מרובת-סוכנים (סוכן מורה, סוכן עוזר הוראה, ארכיטיפים של חבורת כיתה) באוניברסיטת Tsinghua עם יותר מ-500 סטודנטים ויותר מ-100,000 רשומות למידה. מרצים אנושיים משתתפים ביצירת התסריטים ובפיקוח, וכך מבטיחים שהגברה מבוססת בינה מלאכותית בקנה מידה המוני לא תחליף מומחיות פדגוגית.

PedaCo: שמירת שער כפולה ליצירת וידאו בבינה מלאכותית

Kim, Baek and Kwak (2026) מרחיבים את HITL לוידאו הוראה הנוצר בבינה מלאכותית באמצעות PedaCo (Pedagogical Co-creation), צנרת עם שתי שכבות משלימות של שמירת שער שמיישמות התנגדות עקרונית המבוססת על התיאוריה הקוגניטיבית של Mayer ללמידה מולטימדיה (CTML). השכבה הראשונה ממקמת את האדם בשלב התסריט: מודל לשוני גדול מניח תסריט, סוקר בינה מלאכותית מסמן הפרות CTML פוטנציאליות (למשל, "סצנה 3 מציגה מונחים טכניים ללא הסבר קודם"), והחינוכן מחליט לקבל, לשנות או ליצור מחדש. השכבה השנייה מריצה מטריקות אוטומטיות לאחר הסינתזה על קוהרנטיות, רדונדנטיות, רציפות זמנית, מודאליות ואיכות תמונה, שהחינוכן סוקר. במחקר תוך-נושאי (23 חינוכנים), הגישה המבוססת סקירה שיפרה את כל עקרונות CTML (דירוג ממוצע 3.07→3.86, p<.01), כאשר החינוכנים דירגו יעילות ייצור ב-4.26/5 — חיכוך נתפס כפרודוקטיבי, לא כמכביד. עיקרון העיצוב מהדהד את סינתזת ה-HITL של מאגר הידע: בני אדם ואלגוריתמים תופסים סוגים שונים של בעיות, ולכן המערכות היעילות ביותר מבצעות אוטומציה במקום שאימות חישובי מדויק (סינכרון זמני) ושומרות שיפוט אנושי במקום שהנינצ'ואו הפדגוגי בלתי-בר-החלפה (טון, התאמה לקהל).

מיקום יכול להיות חשוב יותר מנוכחות: פרקטיקונים דירגו כלי לכתיבת Social Story כשמיש מאוד (SUS 86.8) אך דיווחו שהסקירה באה מאוחר מדי, מכיוון שמגבלות תרבותיות וקליניות שנקבעו לפני היצירה — חצאית במקום לבוש רחוב מערבי — קשות יותר לשחזור בעריכה של הפלט לאחר מכן (Enkhjargal et al. (2026)).

מדוע HITL חשוב בעידן הבינה המלאכותית

עיצוב של בינה מלאכותית עם אדם בלולאה הפך למרכזי בדיונים של מאגר הידע על בינה מלאכותית סוכנית ועל שימוש אחראי בבינה מלאכותית, מכמה סיבות מתכנסות:

  • בטיחות פדגוגית. בטיחות פדגוגית דורש שבינה מלאכותית בעלת סמכות הוראה ממשית תשמור על פיקוח אנושי, כדי שטעויות, הטיות או פלטים מזיקים ייתפסו לפני שיגיעו ללומדים. זה חשוב במיוחד עבור סוכנים אוטונומיים הרודפים מטרות בפרואקטיביות.

  • פיקוח נדיר בתרגול, לא רק בתיאוריה. Wang et al. (2026) מצאו שממשל מוטבע איתן ופיקוח אנושי בלולאה הוצגו לעתים נדירות ב-474 מערכות חינוכיות סוכניות, בעוד אוטונומיה למשימה בודדת ושיתוף פעולה מרובת-סוכנים גדלו — הפער בין עיקרון העיצוב לבין התרגול שנפרס.

  • השאלה הקריטית היא כיצד הלולאה הופכת לביצועית, לא כמה בני-אדם משתתפים. גישת מדעי-הלמידה טוענת שארגון הלמידה סביב לכידת-נתונים, פרשנות-חישובית ותגובה-מתקרבת הופך את הפעולה הפדגוגית לתלויה במה שמערכות יכולות לזהות ולפעול עליו, ושהתראות וסיווגי-מעורבות מפרשים את הלומד לפני שמורה או תלמיד כלשהם פועלים (Pande (2026)).

  • תוקף ובקרת איכות. HITL הוא שער איכות להערכה אוטומטית וליצירה — בני אדם פוסקים במקום שניקוד אוטומטי אינו מהימן (ראו מחקר על ניקוד חיבורים במודלים לשוניים גדולים ומחקר) ומאמתים פריטים שנוצרו. סקירה שיטתית מודרכת PRISMA של 42 מחקרי ניקוד ומשוב (2023–2025) מגיעה למסקנה מפורשת: מודלים לשוניים גדולים מתאימים למדרגים אנושיים במשימות קצרות ומבנות היטב, אך אינם יכולים להחליף לחלוטין שיפוט אנושי בעבודה מורכבת, פתוחה או סובייקטיבית, ויעילות הניקוד הגבוהה ביותר מושגת במערכות היברידיות המשלבות ניקוד מונחה בינה מלאכותית עם פיקוח ואימות של המורה (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Falahat et al. (2026) מראים באופן קונקרטי היכן נופל הגבול הזה: ChatGPT-5 התאים לסגל בפריטים אובייקטיביים במבחני רוקחות (CCC 0.935–1.000) אך היה בלתי-מהימן בפריטים של תשובה קצרה וחיבור גם כאשר ניתן לו מחוון, דבר שהוביל את המחברים להמליץ על ניקוד היברידי עם סקירת בני אדם להערכה מורכבת, סובייקטיבית או בעלת עמידה גבוהה. חזרה אינה תחליף לפיקוח הזה: בציור מחודש של הגשות זהות בחמישה ימים שונים, אותו מודל שחזר את תוצאותיו עצמו רק באלפא של Krippendorff 0.625, עם שינוי שמרוכז בציוני האמצע והיעדרם של A ו-F מספירות חמשת הפגישות (Brevik et al. (2026)).

  • סוכנות הלומד. שמירת אדם בלולאה משמרת את הסוכנות ותומכת בלמידה עצמית מוסדרת, ומתנגדת להסתמכות יתר שסיוע אוטונומי לחלוטין עלול לגרום.

  • הסטודנטים עצמם ממקמים את האדם בקצוות בעלי העמידה. בין 93 סטודנטים מתחת לתואר, 81.7% העדיפו ניקוד אנושי למטלה סופית ששווה 40% מהציון, 75 מתוך 93 רצו שבינה מלאכותית יסייע במקום להחליף מדרגים, ו-69 רצו שניקוד בבינה מלאכותית ייסקר תמיד על ידי בני אדם (Yildirim-Erbasli et al. (2026)).

  • אמון וכיול. פיקוח אנושי שקוף תומך בכיול אמון — לומדים ומרצים יודעים שאדם מוסמך עומד מאחורי המערכת.

  • קריטריונים גלויים לפני הסקירה מעלים את ההסכמה. Coscia et al. (2026) מצאו שהצגת מטריקות אמינות לסוקרים בזמן שהם השוו בין תשובות של מודלים לשוניים גדולים העלתה את ההסכמה בין המדרגים מאלפא של Krippendorff 0.3987 ל-0.4931, בעוד הוספת מדדים נוספים הוסיפה עומס קוגניטיבי ללא תמורה.

  • סוכנות מוגבלת כארכיטקטורה, לא כהסתייגות. מסגרת AGAI-HE של Ilieva et al. (2026) לתמיכת למידה סוכנית בונה פיקוח לתוך המודל עצמו, כשכבה שלישית לצד שכבות זרימת העבודה הפדגוגית והתמיכה הסוכנית: היא מגדירה שימוש מקובל בבינה מלאכותית, גבולות פדגוגיים, כללי פרטיות, דרישות גילוי, אימות מקורות, נקודות ביקורת למרצה, מנגנוני יושר ואחריות אנושית סופית, ודורשת שכל פונקציה סוכנית תעקוב אחר דרישת למידה, מטרת הערכה או בקרת ממשל. זהו ממש קונקרטי של העיקרון ש-HITL היא תכונה של עיצוב מערכת ולא הצהרת מדיניות — ומחקר התפיסות עם 130 סטודנטים שלהם הוא תזכורת לכך שהוספת תזמור סוכני תחת פיקוח זה לא נרשמה מעצמה כתמיכת למידה טובה יותר מצ'אטבוט.

  • באיזו תדירות האדם מסתכל היא בעצמה החלטת עיצוב. Venetsanos (2026) מפריד בין התדירות של הפיקוח לבין מיקומו: HITL בתדירות גבוהה, הסוקר כל פלט בינה מלאכותית לפני שהוא מגיע לסטודנטים, קונה בקרת איכות, גילוי שגיאות מהיר, אחריותיות וכיול מתמשך, אך עלול לבטל את היעילות שהניעה את האוטומציה ולהוות צוואר בקבוק בעונות השיא של התיווג; HITL בתדירות נמוכה, הדוגם מדגימות ובודק רק מקרים המסומנים, מתקיים בקנה מידה ומקצר זמן המחזור, אך מסתכן בהתרבות שגיאות שלא נתגלו לאורך הגשות, מחליש אחריותיות, ויוצר בעיה של שוויון אם חלק מהסטודנטים מקבלים סקירת בני אדם יסודית יותר מאחרים. במקום להציע תשובה אוניברסלית, המסגרת דורשת שהפשרה תיעשה באופן מפורש כנגד סובלנויות השגיאה התחומיות, אם ההערכה היא מעצבת או מסכמת, גודל המנויה ומשאבים מוסדיים — וקובעת ברירת מחדל בכיוון הנגדי לטיעון היעילות הרגיל: להתחיל בפיקוח בתדירות גבוהה ולהקטין אותו רק כאשר ראיה משמעותית מדגימה מהימנות, אבטחה והוגנות מקובלות, כך שנטל ההוכחה חל על הוכחת שפחות פיקוח הוא בטוח. המאמר מזהיר גם שהעקרונות שמאחורי פיקוח כזה עשויים להסיט מאמץ של צוות במקום להקטין אותו, ולהשאיר את רווחי היעילות הנטו כשאלה פתוחה אמפירית.

  • פיקוח אנושי שנפרס יכול להביא לניתוב של אישור ולא לשיפוט איכות: במערכת שאילתה היברידית שדה הקבלה קודד רק האם הפותר שונה מהשואל, ואף מדד לא העריך את איכות התשובה Gupta et al. (2026).

היכן HITL מופיע במחקר של מאגר הידע

  • הערכה וניקוד אוטומטיים: מערכות HITL משלבות יצירה/ניקוד בבינה מלאכותית עם אימות אנושי בניקוד תשובות קצרות (Confidence Estimation in Automatic Short Answer Grading with LLMs), בהערכת הסברים-עצמיים (Exploring the Effectiveness of Using LLMs for Automated Assessment of Student Self Explanations in Programming Education), ובניקוד חיבורים (PsyScore: A Psychometrically-Aware Framework for Trait-Adaptive Essay Scoring and ZPD-Scaffolded Feedback). Cvengros & Kortemeyer מיישמים זאת בניקוד בכתיבת יד של כימיה כללית בעל עמידה גבוהה: מכיון שהמהימנות של מודל לשוני גדול בינה מלאכותית רב-מודאלית משתנה לפי פורמט התשובה (תשובות טקסטואליות ותגובות כימיות הן מהימנות בעוד ציור וגרף מקבלים ציון גרוע מאשר אקראי) ושגיאות חיוביות אינן נבדקות על ידי סטודנטים, הם ממירים ציוני בינה מלאכותית גלמיים למדיניות של קבולה/דחייה סלקטיבית באמצעות מסנני ביטחון — ספי נקודות חלקיות, סף סיכון מבוסס IRT, ואי-הכללה לפי סוג הבעיה — ומדחים פריטים לא-ודאיים וגרפיים לבני אדם, גישה שהמחברים מקשרים למסגרות רגולטוריות המתייחסות לבינה מלאכותית בהערכה חינוכית כבעלת סיכון גבוה ומחייבות פיקוח אנושי מתועד.

  • מערכות משוב: מחייבות פיקוח אנושי מתועד.

  • ניקוד HITL תפעולי בהערכה לאומית (2026): Curi et al. (2026) מיישמים HITL בקנה מידה מוסדי במבחן Acredita EB באורוגוואי. מכיוון ששגיאות מדרג המודל הלשוני הגדול הן שמרניות באופן שיטתי (מתן ציונים נמוכים מדי), זרימת העבודה משתמשת בלוגיקה של נקודות החלטה שמנתבת סקירת בני אדם בדיוק למועמדים שתוצאת הצלחה/כישלון שלהם תלויה במחלקת הכתיבה — תשובות שצוינו כעוברות מקובלות בביטחון, בעוד תשובות שצוינו כנכשלות (15.3–16.5% מהמקרים) מאומתות על ידי מדרגים מומחים, תוך חיתוך של לפחות 50% מעומס הניקוד המלא, עם סיכון AI שגוי של מעבר של 0.2–0.6% בלבד. זהו HITL כאסטרטגיית הקצאת משאבים: בני אדם פוסקים בדיוק במקום שבו ההטיה השמרנית של בינה מלאכותית היתה משנה אחרת תוצאות בעלות עמידה גבוהה.

  • גזירת סף הדחייה מרזולוציית המחוון עצמו (2026). Cruz et al. (2026) קבעו את סובלנות הבינה המלאכותית–המרצה ב-0.5 נקודות — הפער הגדול ביותר שאינו יכול להעביר הגשה מעל גבול עוגן — והסיטו חריגים ב-0.8 נקודות, ושלחו 11 מתוך 362 הגשות (3.0%) לסקירת בני אדם לפני ששוחרר המשוב.

  • הסכמה בין מתייגים אינה אמת יסוד אנושית. Bernado et al. (2026) דוחפים קידוד מודל לשכבת הביקורת מבלי לאמת אותו אי פעם נגד תוויות זהב אנושיות, ומשאירים הסכמה בין מודלים (חציון 0.401) כפרוקסי לאיכות ההצהרה ששגיאות מודל משותפות יכולות לשרוד בתוכן. העיצוב שלהם שומר על פיקוח אבחוני ולא דקורטיבי: מכיון שהשיפוטים הביניים מפורשים, סוקר יכול לראות אילו התנהגויות הופעלו ולהפריד בין התנהגות שנקראה לא נכון לבין כלל המקודד את המבנה בצורה גרועה.

  • מערכות משוב: עיצוב משוב עם אדם בלולאה מופיע במערכות משוב שיתופיות ובניקוד תשובות קצרות מודע ביטחון בביטחון.

  • תמיכה בשיתוף פעולה בכיתה. CoBi שומר על המורה כאדם הבודק במערכת בינה מלאכותית המזהה דיון קטנים-קבוצתי מרומם: מורים העדיפו באופן מפורש סקירה לפני/אחרי הפעולה על פני תצוגה חיה בזמן אמת שהייתה שמה אותם "על הכור", והמשוב המצטבר ברמת הכיתה (ולא ברמת הפרט) הוא בדיוק מה שמאפשר לה לנווט במתח שבין פרטיות, מעקב וסוכנות סטודנט.

  • יצירת שאלות ותוכן: מעבר ל-CODE-GEN, HITL מנחה יצירת שאלות להערכה ולפיגום (CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation, From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations).

  • מערכות סוכניות ורבות-סוכנים: ככל שבינה מלאכותית נהיית יותר אוטונומית, פיקוח HITL הוא מעקה עיצוב מרכזי (Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning, Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics).

  • ניתוב לפי תוצאות החלטה, לא לפי אי-ודאות המודל (2026). מחקר תפעולי מ-2026 של מבחן ההסמכה הלאומי Acredita EB באורוגוואי (שתי מהדורות, כ-5,000-6,000 מועמדים בכל אחת) מראה כיצד נראה עיצוב של בינה מלאכותית עם אדם בלולאה כאשר הוא מונע על ידי תוצאות החלטה ולא על ידי אי-ודאות המודל. מדרג GPT-5 הסכים עם מדרגים מומחים ב-60-80% מ-15 פריטי המחוון אך היה שמרני באופן שיטתי, וייצר פערים של מעבר-אנושי/כישלון-AI ב-15.3% (2024) ו-16.5% (2025) מהשוואות הצלחה/כישלון, וכמעט אף פעם להפך. המסגרת לכן מקבלת תוצאות AI שעוברות בערכן ממש ומנתבת כל תוצאה AI נכשלת שעשויה לשנות את תוצאת המועמד לסקירת מומחים — לאחר שדילגה תחילה על מועמדים שתוצאת ההצלחה/כישלון שלהם אינה יכולה להיות תלויה במחלקת הכתיבה — תוך חיתוך של לפחות 50% מהתשובות הזקוקות לניקוד אנושי מלא. עיצוב שני מ-2026 מצייר את הגבול מהצד השני: בפלטפורמת חולה מדומה סטנדרטית מרובת-סוכנים (Yang et al.), פיקוח אנושי שמור למה שנשפט שבינה מלאכותית אינה כשירה להכריע, כאשר סגל וחולים מדומים אנושיים מספקים פרשנות הקשרית, רפואה והכנה ושיפוט מוכנות, והמערכת אינה מורשית מפורשות לקבוע כשירות קלינית באופן אוטונומי.

סינתזה

עיצוב של בינה מלאכותית עם אדם בלולאה אינו רק אמצעי בטיחות — הוא אסטרטגיית הקצאת משאבים. השאלה בחזית היא לא האם לכלול בני אנשים, אלא היכן בצנרת לשיפוטם הערך השולי הגבוה ביותר. מערכות ה-HITL היעילות ביותר מרכזות מומחיות אנושית נדירה במקום שבו מערכות אוטומטיות חלשות ביותר (עיצוב מסיחים, משוב הסבר, פסיקת מקרי קצה, שיפוט אתי) ומבצעות את השאר אוטומטית — תוך שמירה על איכות, בטיחות ואמון בעת הרחבת הייצור.

  • פיקוח אנושי נשמר בעבודה בסיוע בינה מלאכותית. מחקר סקירות שיטתיות מצא שכלי אוטומציה צמצמו נטשות פרוצדורליות (למשל, סינון) אך החלטות פרשניות עדיין דרשו פיקוח אנושי משמעותי; מחקר אנדרגוגיה הופך HITL (מודלים מנטליים משותפים, יצירה משותפת) לעקרונות עיצוב מרכזיים לבינה מלאכותית.
  • בינה מלאכותית עם אדם בלולאה בקנה מידה מוסדי. Qin (2026) מתאר כיצד אוניברסיטת Lingnan פיתחה מודל חינוכי של בינה מלאכותית עם אדם בלולאה ששם בחזית חשיבה אתית, שיפוט ביקורתי ואחריות חברתית תוך דמוקרטיזציה של הגישה לGenAI. המודל ממקם בני אדם כמוקד השיפוט והערכים גם כשהבינה המלאכותית משובצת לאורך כל תוכנית הלימודים — ממש מוסדי קונקרטי של עקרונות בינה מלאכותית עם אדם בלולאה בהשכלה גבוהה.
  • לומדים כאדם-בלולאה של החונכות שלהם. עיצוב רגיש לערכים עם סטודנטים של מכללה קהילתית הפיק משפחה שלמה של תכונות HITL הפונות ללומד עבור ITS (שליטה בהערכה חוזרת ובסקירה, מטרות/קצב מותאמים אישית, סימוני קריאה לסקירה, אישור ביטחון על השליטה, ובקרת רמת מעורבות של סיוע בינה מלאכותית), וממקם את התלמיד כמבקר פעיל של לולאת החונכות ולא כצרכן פסיבי של החלטות אדפטיביות. המחקר מצא גם שמרצים מחולקים בשאלה אם שליטה כזו של לומד עלולה לערער את יושרה של מסלול הלמידה המונחה-מערכת — מופע של שאלת הקצאת המשאבים הרחבה יותר של היכן שיפוט אנושי (של לומד מול מורה) מוסיף את הערך הרב ביותר.
  • הסלקה מבינה מלאכותית למומחה היא מהלך של אדם-בלולאה. מסגרת SCAN מקצה משימות לארבעה מצבי יצירה של בינה מלאכותית לפי מרחק הלומד, וקוראת מעורבות פסיבית בתוך משימת בינה מלאכותית שהוקצתה נכון כאות לסוג של חוסר כישור, כדי להסיע את הלומד מסיוע בינה מלאכותית לסיוע מומחה, עם אדם כמבקר אפיסטמי (Tsim et al. (2026)).
  • פיקוח על ייעוץ אימוץ בינה מלאכותית. מכיוון שמערכות בינה מלאכותית שיחתיות שמשתמשים סקפטיים מתייעצים בהן עשויות להיות נטות לעידוד אימוץ, פיקוח אנושי והערכה עצמאית הם חיוניים. ביקורת המראה שרוב המודלים החזיתיים מנתבים צוות כפרי סקפטי בחינוך גן ותיכון (K-12) אל מעורבות מדגישה את הצורך בייעוץ בינה מלאכותית שקוף ואפשר לביקורת, ולא בהסתמכות לא-ביקורתית.

מושגים מחוברים

מאמרים מחוברים

שאלות נפוצות קשורות

מטא-דאטה

רמהHigher Ed, K 12
טכנולוגות ושיטותבינה מלאכותית יוצרת, בינה מלאכותית עם אדם בלולאה, אנליטיקת למידה, מודלי שפה גדולים (LLM)
הערכה ומדידההערכה
שיטות מחקר והערכהבנצ'מרק
שוויון, אתיקה ושימוש אחראיבטיחות פדגוגית
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.