מסגרת ICAP

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

מסגרת ICAP (Interactive–Constructive–Active–Passive — אינטראקטיבי, קונסטרוקטיבי, אקטיבי, פסיבי) — טקסונומיה של מעורבות קוגניטיבית שפותחה על ידי מישלן צ'י, המסווגת את התנהגות הלומד לארבעה מצבי שינוי ידע, מסודרים מהפחות מעורב קוגניטיבית אל המוביל: פסיבי, אקטיבי, קונסטרוקטיבי ואינטראקטיבי. בבינה מלאכותית בחינוך, ICAP משמשת הן כמטרת עיצוב (לבנות כלים המעוררים מעורבות קונסטרוקטיבית ואינטראקטיבית במקום צריכה פסיבית) והן כעדשת הערכה (למדוד אם הלומדים ומערכות הבינה המלאכותית מעורבים באמת במצבים הגבוהים).(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

שאלות למחשבה

• חשבו על הפעם האחרונה ש'למדתם' משהו בצפייה בסרטון או בקריאה. מסגרת ICAP הייתה מכנה את זה פסיבי. מה בעצם נשמר אצלכם מחשיפה פסיבית לעומת הסבר למישהו אחר?
• ICAP מסדרת את המעורבות מפסיבית לאקטיבית לקונסטרוקטיבית לאינטראקטיבית. היכן כלי הבינה המלאכותית שנשתמשתם בהם נוטים להחזיק לומדים — והאם לחיצה על תרגול אדפטיבי נחשבת מעורבות אמיתית או סתם פעילות?
• העמוד טוען שהמהלך המשמעותי ביותר הוא מ-Active (אקטיבי) ל-Constructive (קונסטרוקטיבי) — יצירת הסברים או תוצרים חדשים במקום רק יישום של ידע. מדוע ייתכן שהפקה של משהו חדש היא הצעד שבאמת משנה את ההבנה?
• מחקר אחד מצא שמומחים אנושיים עולים בהרבה על מודלי בינה מלאכותית בתיוג רמות המעורבות. אם מערכות אוטומטיות מעריכות את המעורבות פחות מדי באופן שיטתי, כיצד עלינו להתייחס ל'מדדי מעורבות' שמפיקה בינה מלאכותית?
• ICAP מראה שכלי שעונה בשבילכם משאיר אתכם פסיביים, בעוד כלי שמנחה ושואל דוחף אתכם אל מעורבות קונסטרוקטיבית ואינטראקטיבית. איזו בחירת עיצוב הייתם עושים עבור הלומדים שלכם?
• המסגרת משמשת גם כמטרת עיצוב וגם כעדשת הערכה. כיצד הייתם משתמשים ב-ICAP בהוראה או בעיצוב שלכם כדי לבדוק אם הלומדים מעורבים באמת ולא רק פעילים?

מבוא

ICAP מעוגנת בהנחה שמה שהלומדים עושים קובע כמה ומה הם לומדים. מסגרתה של צ'י טוענת שבמידה שהמעורבות עוברת מפסיבית לאקטיבית לקונסטרוקטיבית לאינטראקטיבית, אופי שינוי הידע מעמיק — מאחסון, להקשבה, לשילוב ידע חדש בידע קודם, ליצירה משותפת של ידע דרך דיאלוג. זה הופך את ICAP לכלי אנליטי רב-עוצמה בבינה מלאכותית בחינוך, שבה שאלת העיצוב המרכזית היא האם סיוע הבינה המלאכותית תומך במעורבות הקוגניטיבית של הלומדים או דוחק אותה.

ארבעת המצבים

מצב	התנהגות הלומד	אופי שינוי הידע
אינטראקטיבי	דיאלוג עם לומד אחר או עם סוכן, יצירת משמעות משותפת; למשל הגנת עמדה, פתרון בעיות שיתופי	יצירת ידע חדש באמצעות פעילות משותפת הדדית
קונסטרוקטיבי	יצירת פלט חדש מעבר לניתן; למשל הסבר עצמי, השוואה, רפלקסיה, ציור	שילוב מידע חדש בידע קודם ליצירת הבנה חדשה
אקטיבי	מניפולציה או פעולה על החומר; למשל רישום הערות, הדגשה, עצירה לחשיבה	הקשבה ואחסון מידע, לעתים ללא שילוב עמוק
פסיבי	קבלת מידע ללא פעולה גלויה; למשל האזנה להרצאה, קריאה	אחסון מידע, עם עיבוד נוסף מוגבל

ICAP בבינה מלאכותית בחינוך

מטרת עיצוב לכלי בינה מלאכותית

ICAP ממסגרת מחדש את שאלת העיצוב המרכזית בבינה מלאכותית בחינוך: כלי בינה מלאכותית שעונה במקום הלומד משאיר אותו במצבים פסיביים/אקטיביים, בעוד כלי שמנחה, שואל ומפיגם יכול לדחוף לומדים אל מעורבות קונסטרוקטיבית ואינטראקטיבית. זה מיישר את ICAP עם פדגוגיה קונסטרוקטיביסטית ועם מחקר למידה פעילה.(Multimodal Learning with Generative AI)(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

עדשת הערכה לסוכני בינה מלאכותית

ICAP משמשת גם כמסגרת מדידה. במחקר אחד, הרחיבו החוקרים את ICAP לסולם שבע-נקודות כדי לתאר מעורבות קוגניטיבית בדיאלוג שיתופי, ואז השוו בין מתאמים אנושיים מיומנים לבין תיוג מבוסס LLM (למידה בהקשר, הנחיה ללא דוגמאות, וסוכנים רפלקסיביים). אמינות הבין-מתאים האנושית (קאפה = 0.906–0.998) עלתה בהרבה על תיוג ה-LLM (קאפה = 0.541–0.609), ומדגישה את תפקידה של ICAP — ואת מגבלותיה הנוכחיות — במדידת מעורבות אוטומטית עבור צינורות אנליטיקת למידה.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

הדרכת סיוע לדיאלוג שיתופי

מכיוון שמעורבות אינטראקטיבית היא מצב ה-ICAP הגבוה ביותר, המסגרת עוזרת לאתר את הערך של סיוע בינה מלאכותית בדיון שיתופי מקוון. מחקר על תזמון סיוע LLM מראה שמתי בינה מלאכותית מתערבת בדיון קובע אם היא תומכת ביצירה משותפת אינטראקטיבית של ידע או אם היא מפריעה לה — אזהרה בהשראת ICAP שסוכני תיווך אוטונומיים זקוקים לכיול לכיוון מתינות דמוית-אנושית ולא לסיוע נלהב מדי.

ICAP ועיצוב אנליטיקת למידה

ICAP מהווה בסיס לביקורת על מדדי 'מעורבות' שטחיים: אינטראקציה עם לוח מחוונים על ידי לחיצה על מסננים היא מעורבות אקטיבית, לא אינטראקטיבית. עיצובים אפקטיביים של אנליטיקת למידה מעוררים הערכה עצמית ודיאלוג דו-כיווני במקום רק הצגת נתונים — השלכה שנגזרת ישירות ממסגרתה של צ'י.(Interactive learning dashboards: rethinking learning visualisations as engagement tools)

מעבר ה-Active→Constructive כצעד המפתח

אף ש-ICAP מתארת היררכיה, המהלך המשמעותי ביותר ללמידה הוא הקפיצה ממצב Active (אקטיבי) אל Constructive (קונסטרוקטיבי) (צ'י ובושר, 2023). מעורבות אקטיבית (יישום ידע על תרחישים דומים אך לא זהים) מכינה את הלומדים, אך זו המעורבות הקונסטרוקטיבית — יצירת הסברים, סיכומים או תוצרים חדשים — שמצידה אותם ליצירת ידע חדש. זו הנקודה המרכזית בבינה מלאכותית בחינוך: כלי שמשאיר לומדים במצב האקטיבי (למשל לחיצה על תרגול אדפטיבי) עשוי להיראות פרודוקטיבי אך никогда לא דוחף אותם אל היצירה הקונסטרוקטיבית שמניבה הבנה עמידה. התערבויות שיתופיות וממוקדות אוריינות שמפיגמות בכוונה את הקפיצה מ-Active ל-Constructive נוטות להראות את ההישגים החזקים ביותר.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

ICAP כאות לפיגום אדפטיבי במערכות ITS

אפשר להפוך את מצבי ICAP למצבי יעד שמערכת חונכות אדפטיבית בוחרת ביניהם כדי לפיגם מעורבות קוגניטיבית על בסיס מודל לומד מתפתח. במערכת ITS לוגית, Dey Tithi et al. בחרו דינמית בין מצב 'מודרך' אקטיבי של דוגמה פתורה לבין מצב 'באגי' קונסטרוקטיבי של דוגמה. בהשוואה של מעקב ידע בייסיאני (BKT) מול למידת חיזוק עמוקה (DRL) ובסיס ללא התאמה על 113 סטודנטים, שתי המדיניות האדפטיביות שיפרו את ביצועי המבחן שלאחר — אך באופן מובחן: BKT נתן את ההישגים הגדולים ביותר לסטודנטים עם ידע קודם נמוך (ועזר להם להשלים פיגור), בעוד DRL הניבה את ציוני המבחן הגבוהים ביותר בין סטודנטים עם ידע קודם גבוה. זו הדגמה קונקרטית לכך שהתאמה אישית אפקטיבית של מצב ה-ICAP של חונך חכם תלויה במידול הידע הנוכחי של הלומד — וששום מצב או שיטה אדפטיבית בודדים לא מתאימים לכל לומד. היא מחברת את היררכיית ICAP ישירות לעיצוב של למידה אדפטיבית ומעקב אחר ידע.

ICAP כמודל של מצב קוגניטיבי ליצירת סוכנים דמוויי-אנושיות

מעבר לבחירת מצבי משימה, ICAP מוטמעת ישירות במודל הקוגניטיבי של סוכן חינוכי יצרני. CogEvolution בונה 'פרספטרון עומק קוגניטיבי' מבוסס ICAP שממפה קלטים להתפלגות הסתברות על פני ארבע רמות ה-ICAP, וממזג אותה עם עדכוני מצב בהשראת אבולוציה ועם שליפת זיכרון מבוססת תיאוריית תגובת הפריט, כדי לדמות את האבולוציה הקוגניטיבית של סטודנט (לרבות מעברים כמו בלבול ← תובנה). ניסויי הסרה (ablations) מראים שהסרת מודול התפיסה של ICAP מקפלטת את היכולת של הסוכן להבחין בין למידה שטחית לעמוקה — ראיה שטקסונומיית ICAP יכולה לשמש כמדד פנימי בעל רזולוציה גבוהה של מעורבות קוגניטיבית עבור סימולציית סטודנטים, ולא רק כעדשת הערכה חיצונית.

ICAP מעוגנת את הערכת אינטראקציה רפלקסיבית עם בינה מלאכותית יוצרת

הדגשתה של ICAP על מעורבות יצרנית ברמת התהליך אומצה על ידי מסגרות הערכה שמעריכות כיצד סטודנטים לומדים עם בינה מלאכותית יוצרת. מסגרת DRIVE מיישרת במפורש את המבנה המרכזי שלה — אינטראקציה רפלקסיבית עמוקה עם פלט בינה מלאכותית יוצרת — עם סוג המעורבות היצרנית ש-ICAP מזהה כמובילה ללמידה עמוקה יותר, ומשתמשת בו כדי להבחין בין צריכה שטחית לבין עיבוד מחדש מאמץ ורפלקסיבי של תוכן שנוצר על ידי בינה מלאכותית. זה ממקם את ICAP כעוגן תיאורטי לעיצוב ולמדידה של אינטראקציות למידה משמעותיות עם בינה מלאכותית יוצרת במקום רק מעקב אחר שימוש.

השלכות לעיצוב ולמחקר

1. עצבו עבור המצבים הגבוהים. כלי בינה מלאכותית צריכים לעודד לומדים ליצור, להסביר ולנהל דיאלוג — פעילות קונסטרוקטיבית ואינטראקטיבית — במקום להעביר תוכן פסיבי או לפעול כמכונות תשובות.(Multimodal Learning with Generative AI)
2. עסקו בלומדים על פני מצבים. הוראת אוריינות AI אפקטיבית עוסקת בלומדים במספר רמות ICAP — חשיפה פסיבית, מניפולציה אקטיבית, יצירה קונסטרוקטיבית ודיאלוג אינטראקטיבי — בבחירת המצב שמתאים למטרת הלמידה.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
3. מדדו מעורבות בכנות. ICAP מעניקה לחוקרים ולמעצבים אוצר מילים משותף להבחנה בין מעורבות קוגניטיבית אמיתית לבין פעילות בלבד — תיקון למדדי מעורבות שטחיים.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
4. שימו לב לפער בתיוג בין אנוש ל-LLM. אם משתמשים במערכות אוטומטיות לקידוד מעורבות, יש לקחת בחשבון את הפער השיטתי שלהן ביחס לאנשים מיומנים.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

מושגים מחוברים

• למידה פעילה
• למידה שיתופית
• מעורבות סטודנטים
• אנליטיקת למידה
• קונסטרוקטיביזם
• עיצוב למידה
• מטאקוגניציה
• אוריינות AI
• בינה מלאכותית עם אדם בלולאה
• מגבלות במחקר AIEd

מאמרים מחוברים

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — מסגרת ICAP מורחבת למדידת מעורבות עם תיוג אנושי לעומת תיוג LLM
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — אוריינות AI שיתופית לאורך ארבעת מצבי ICAP
• Interactive learning dashboards: rethinking learning visualisations as engagement tools — ICAP כביקורת על מעורבות שטחית באנליטיקת למידה
• Multimodal Learning with Generative AI — ICAP ומעורבות קוגניטיבית בעיצוב למידה רב-מודאלית
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — תזמון סיוע LLM בדיונים שיתופיים מקוונים
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — פיגום ICAP אדפטיבי במערכת ITS (BKT מול DRL)
• CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — מודל עומק קוגניטיבי ICAP בסוכן יצרני לסימולציית סטודנטים
• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — הערכה מעוגנת ICAP של אינטראקציה רפלקסיבית עם בינה מלאכותית יוצרת