מושגים
פרשנות ויישום מחקר AIED
תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.
פרשנות ויישום מחקר AIEd — כיצד להחליט אם ממצא על בינה מלאכותית בחינוך שווה לפעולה, בין אם אתם מלמדים, מנהלים תוכנית, מעצבים קורס או בונים תוכנה. אינכם זקוקים לסטטיסטיקה כדי להשתמש בעמוד הזה. הוא מתחיל בשאלה שהמתמחה בפועל שואל — האם כדאי לי לעשות זאת? — עובר על הדברים הבודדים שעונים עליה, ומשאיר את הפירוט הטכני לסעיף מאוחר יותר לכל מי שרוצה או זקוק לו. הגרסה הקצרה: ממצא שווה לפעולה כשאתם יודעים מול מה הוא הושווה, מה נמדד, מי נחקר, והאם הכלי עדיין קיים בצורה שנחקרה. רוב הטענות שמגיעות למדריכים, למנהלים ולמפתחים נכשלות באחד מארבעת אלה.
שאלות לשימת לב
- ספק, כתבה או עמית אומרים שכלי בינה מלאכותית שיפר לומדה. מה הדבר האחד שהייתם רוצים לראות לפני שניסו אותו בקורס שלכם — והאם הייתם יודעים היכן לחפש אותו?
- לכל עמוד מאמר במאגר הידע הזה יש כעת סעיף What this means for practice, וברובם יש סעיף Limitations. בקריאה של השניים יחד, מה כל אחד מהם מספר לכם שהשני אינו מספר?
- תלמידים מתאמנים עם כלי בינה מלאכותית ומשיגים תוצאות טובות יותר בעבודת התרגול, ואז מצליחים פחות worse בבדיקה closed-book exam. איזה מספר הוא תוצאת הלמידה שהקורס שלכם דואג לה — והאם ההערכות הנוכחיות שלכם יתפסו את ההבדל?
- מחקר מבטיח שיפור גדול, אך הוא עקב אחרי 30 תלמידים בקורס אחד במוסד אחד, והגרסה של הכלי שנחקרה אינה עוד הגרסה שבשימוש. איזה משני העובדות הללו מדאיג אתכם יותר, ומדוע?
- כלי בינה מלאכותית רבים מגדילים את השימוש שמתלמידים עושים בהם בלי להגדיל כמה הם לומדים. אם הייתם צריכים לבחור בין כלי שמעלה מעורבות לבין כלי שמעלה ביצועים ללא סיוע, איזה עדות הייתה מכריעה?
- אתם מתבקשים לאשר או לרכוש כלי על סמך מספרי היעילות של הספק עצמו. מה הייתם רוצים שיחשוף לגבי האופן שבו מספרים אלה יוצרו?
מבוא
העמוד הזה מיועד לאנשים שצריכים להחליט משהו: מדריך שמהסס אם לשנות מטלה, מנהלים ששוקל פיילוט, מעצב למידה שבונה קורס, מפתח תוכנה שמחליט מה על פיצ'ר לעשות, או חוקר שמסביר ממצא לאחד מהם.
שתי הרגלים עושים את ההבדל, ואף אחד מהם אינו דורש הכשרת מחקר.
קראו קודם את שני הסעיפים שנכתבו בשבילכם. כל עמוד מאמר כאן נושא כעת סעיף What this means for practice — בדרך כלל שלוש עד חמש פעולות קונקרטיות שנגזרו מהמחקר הזה — ורובם נושאים סעיף Limitations הקובע מה המחקר אינו יכול לתמוך. קראו אותם לפני ממצאי המחקר, לא אחריהם. סעיף הפרקטיקה מספר לכם למה המחקר טוב; סעיף המגבלות מספר לכם היכן הוא נעצר. אם סעיף הפרקטיקה חסר או מעורפל, התייחסו לעמוד הזה כבלתי-גמור ולא כעדות.
שפטו את הטענה, לא את הביטחון של הטענה. טענות על AI in education הן בדרך כלל מדויקות לגבי משהו ומטעות לגבי הדבר שמעסיק אתכם, מכיוון שמחקר וכיתתכם נבדלים בארבע דרכים: מול מה הוא הושווה, מה נמדד, מי נטל חלק, ואיזו גרסה של הכלי שימשה. שאר העמוד מספק את הבדיקות בשפה פשוטה, ואז את העדות מאחורי כל אחת מהן לקוראים שרוצים אותה.
מה שלהלן גם אינו תחליף לשכניו. Research Methods in AI in Education מכסה כיצד תכנונים נבנים, Limitations in AIEd Research מקטלג את החולשות החוזרות של הספרות, AIED Evaluation מכסה כיצד מערכות ופלטים מוערכים, וDifferential Effects Across Learner Groups מכסה את מי שממצא כולל ומי שאינו.
ארבע שאלות שמכריעות את רוב הטענות
שאלו אותן לפני שאתם מבזבזים זמן, כסף או סמסטר על משהו.
1. מול מה זה הושווה, והאם ההשוואה הייתה הוגנת? "תלמידים שהשתמשו בבינה המלאכותית הצליחו יותר מתלמידים שלא" מספר לכם משהו רק אם התלמידים האחרים עשו משהו אמיתי. אם ההשוואה הייתה עסקים כרגיל — או כלום — אז הממצא אורז את הכלי יחד עם זמן נוסף, תשומת לב נוספת וחדשנות. מה לחפש: קבוצת ביקורת שקיבלה אלטרנטיבה אמינה, והקצאה רנדומלית לשתי התנאים.
2. מה בדיוק הם מדדו? כאן רוב הטענות המרגשות נכשלות בשקט. ציידי בחינות, איכות שיעורי בית, מוטיבציה, גישות וengagement נאספים למספר "הישג" בודד, או מדד של ביצועים בנוכחות הכלי מדווח כלומדה. למידה שתלויה בקיום הכלי אינה זהה ללמידה שנשארת. מה לחפש: מה המדד מדד, האם הוא אומת עבור האוכלוסייה הזו, והאם תוצאה נמדדה ללא הבינה המלאכותית בחדר.
3. מי נחקר, כמה, ולכמה זמן? שלושים תלמידים בקורס אחד הם אות, לא תוצאה. התערבות בת ארבעה שבועות אינה יכולה לספר לכם על שנה. ומחקר של תלמידים שאינם דומים לשלכם הוא עדיין שימושי — הוא השערה לגבי ההגדרה שלכם, לא תחזית. מה לחפש: גודל המדגם, כיצד משתתפים נגויסו, אתר בודד, משך הזמן, והאם תת-קבוצה כלשהי הייתה גדולה מספיק לניתוח.
4. האם הכלי עדיין הכלי שנחקר? יכולות הבינה המלאכותית נעות מהר יותר מפרסום. ממצא מ-2025 מתאר את דור המודלים של 2025 — לפעמים גרסה ספציפית, לפעמים תצורה שאף אחד אינו משתמש בה כעת. זה אינו הופך את הממצא לשקרי; זה הופך אותו למיושן, וזה אומר שהטענה צריכה להיבדק מחדש ולא להירשת. מה לחפש: גרסת המודל וחלון איסוף הנתונים.
מה העדות אומרת על טענות בינה מלאכותית בכלל
אם אתם זוכרים דבר אחד מהעמוד הזה, זכרו שמספר הכותרת בדרך כלל מנופח וההשוואה בדרך כלל חלשה. זו אינה דעת שוליים — זו מה שביקורות של התחום עצמו מדווחות. כמה מחקרים מתוכננים היטב כן מראים רווחים אמיתיים; הנקודה היא שנטל ההוכחה חל על הטענה.
- כשני שלישים מהאפקט הממוצע נעלמים ברגע שמתקנים על העובדה שתוצאות מרשימות מתפרסמות ובלתי-מרשימות לא. Bartoš et al. (2026) צברו 1,840 גדלי אפקט מ-67 סקירות ומצאו שהממוצע המתוקן היה בערך שליש מהחציון שפורסם — SMD 0.196 לעומת 0.67.
- שם מוצר אינו שיטת הוראה. בביקורת ההשוואות שמאחורי מטאנליזה בולטת, Weidlich et al. (2025) מצאו שרק 21% היו בעלי טיפול מוגדר היטב, קבוצת ביקורת ומדד למידה תקף — והיתרון המדווח עבור "שימוש ב-ChatGPT" יצא גדול יותר מאשר עבור מערכות פדגוגיות ייעודיות intelligent tutoring systems (g = 0.7 לעומת 0.66), מה שמסמן אזהרה ולא ניצחון.
- ביצועים עם הכלי טועים שוטפות ללמידה. במחקר K-12 אחד במתמטיקה, תלמידים שהתאמנו עם chatbot כללי-מטרה קיבלו ציוני תרגול טובים יותר ואז השיגו כ-17% פחות מעמיתים ללא גישה לבינה מלאכותית בבחינה הסופית בספר-סגור (Stanford's evidence base for AI in K-12).
- הסקירות של התחום עצמו אינן שורדות ביקורת. ביקורתו של O'Neill's (2026) על 14 מטאנליזות שנסקרו-עמיתים הטוענות שבינה מלאכותית משפרת חינוך מצאה שאף אחת לא סיפקה בסיס תקף לטענות שקידמה, ומבין 46 מחקרים עיקריים שנבחרו באופן רנדומלי, 61% הציגו חששות תקפות. הבעיה אינה נייר גרוע אחד; זו תרבות דיווח.
- דיווחים עצמיים מחמיאים לכולם. אנשים מדרגים את AI skills שלהם 40% גבוה יותר ממה שמדדי הביצועים מראים, וזה מדוע סקרי שביעות רצון וביטחון הם העדות החלשה ביותר שאפשר לפעול לפיה (Self-Report Measures, Educational Measurement).
- לרוב המוצרים שכבר בכיתות אין עדות עצמאית כלל. Instruction Partners' 2025–26 learning tour תיאר 20 מוצרי בינה מלאכותית המיועדים לתלמידים ומצא כי מבין 16 בעלי פרופילים שלמים, רק שבעה היו להם ביקורת עצמאית שביקרה הישגי תלמידים בין קבוצות תלמידים בארה״ב; שניים נחקרו רק בחו״ל, לארבעה מחקרים היו בעיצומם ושלושה הסתמכו על נתונים פנימיים בלבד. המחברים טוענים שמחקרים סיבתיים עצמאיים המכסים קבוצות עדיפות צריכים להיות הציפייה לכל המוצרים המיועדים לתלמידים — עדיין לא הנורמה לכלים שכבר משתמשים בהם בתי ספר.
הפיכת ממצא להחלטה
הסדר שחוסך את מירב המאמץ האבוד, לפי הסדר.
- רשמו את התוצאה שלכם קודם. לא "להשתמש יותר בבינה מלאכותית" אלא "תלמידים יכולים לעשות X ללא הכלי". אם התוצאה שלכם היא ביצועים ללא סיוע, אז מחקר שמדד ביצועים בסיוע הוא עדות סמוכה, לא עדות ישירה.
- מצאו את ההשוואה ואת המדד — במחקר, או בסעיף הפרקטיקה של עמוד המאמר שלו. אם אחד מהם חסר, התייחסו לטענה כדגם ולא כממצא.
- קראו את סעיף המגבלות כהוראות, לא כהסברים משחררים. "קורס בודד, תוצאות מדווחות-עצמית, ארבעה שבועות" מספר לכם בדיוק אילו מהנחותיכם המחקר אינו מכסה.
- בדקו את הגרסה ואת התאריך. אם המחקר השתמש בדור מודלים בן שנתיים, תכננו לבדוק מחדש ולא להניח.
- קראו לתנאים המאפשרים בשמם. עלות, רישיונות, זמן צוות, כללי נתונים, והאם תלמידים חייבים לשלם על השכבה שבעצם עובדת. מחקרים נשארים לעתים רחוקות כאלה, והם קובעים אם התערבות שורדת סמסטר. בa faculty-development study of ten participants, כולם אמרו שהם ימשיכו להשתמש בבינה המלאכותית, בעוד שאנשים אותם תיארו מנויים אישיים לגישת הכלים ואין תמיכת זמן לעיצובים המחודשים שתכננו.
- פיילוטו קטן, ומדדו את התנאי הלא-נתמך. פרֶה/אחרי קצר עם הערכה אחת שנעשתה ללא הכלי מנצח סקר שביעות רצון. קטן וכשר מנצח גדול ורטורי. ראו Learning Design לאיפה זה מתאים בעיצוב הקורס.
- רשמו תאריך סקירה ביומן, והיו מוכנים להניח את הטענה. כאשר ההנחה של מחקר היא יכולת שאינה עוד קיימת, המהלך הכשר הוא פרישת הטענה ולא ציטוטה ללא הגבלה — אותו משמעת שמאגר הידע הזה מחיל על עמודים משלו.
מילים שתפגשו במחקר
תרגומים פשוטים, כדי שתוכלו לסרוק מחקר או עמוד ספק ללא רקע מתודולוגי.
- גודל אפקט — כמה גדול היה ההבדל, בסולם שבו 0 הוא כלום. התייחסו לערכים קטנים כ"דחיפה", לא כ"שינוי עיצוב".
- מובהק סטטיסטית — לא סביר שיהיה מזל טהור במדגם הזה. זה אינו אומר דבר לגבי אם האפקט גדול, או אם הוא יקרה בכיתה שלכם.
- רווח ביטחון — טווח התוצאות שהנתונים אינם יכולים לשלול. אם הטווח כולל אפס, הממצא עשוי לא להיות דבר, וככל שהכותרת מעניינת.
- Meta-analysis — מחקר שצובר מחקרים רבים. עוצמתי, וטוב רק כמו מה שצבר, וזה מדוע סקירות עוברות ביקורת.
- הטיית פרסום — תוצאות מעניינות מתפרסמות ומשעממות לא, כך שהממוצע של הספרות נראה ורוד יותר מהמציאות.
- דיווח עצמי — אנשים מתארים את עצמם. שימושי לגישות, חלש לכושר או התנהגות.
- קבוצת ביקורת — תנאי ההשוואה. הדבר החשוב ביותר לחפש.
- פרֶה/אחרי — נמדד לפני ואחרי ללא קבוצת השוואה. מעורר, לעולם לא מכריע.
- ניתוח תת-קבוצה — תוצאות לחלק מהמדגם. בדרך כלל חסר-כוח, כך שיש להתייחס אליו כהשערה.
- שכפול — מישהו אחר קיבל את אותה תוצאה. נדיר, והעדות החזקה ביותר הזמינה.
- Benchmark — סט משימות קבוע לציון מערכות. הציונים נעים כשהמטרה נעה, כך שבדקו את התאריך.
מתי להאט בכל זאת
- הטענה מגיעה מהספק, על המדדים של הספק. זה עדיין יכול להיות אינפורמטיבי — ספק AI tutoring אחד מדווח על מדד מעורבות המכוון נגד מומחים אנושיים ב-F1 0.83, עם שיפורים המגיעים מיותר מ-40 ניסויים בחמישה חודשים (Udeshi et al., 2026) — אך הקונסטרוקט, המעריכים והמדד הם בחירות של הספק. בקשו את קבוצת ההשוואה ואת התוצאה ללא סיוע.
- ניקוד ממוחשב מטופל כפתור. הסכם גבוה עם מעריכים אנושיים הוא אמינות, לא איכות. במחקר ניקוד אחד, מעריכים אנושיים הסכימו עם קונצנזוס מרובה-מעריכים ב-כ-r = 0.88, כך שציונים ממוחשבים סביב r = 0.85 היו כבר בתקרת המדידה של המשימה עצמה (Know When to Trust AI Scoring).
- רשימת ההפניות עושה עבודה כבדה. שלושים רשומות הפניה המכילות מידע ביבליוגרפי מקרי-לבדיקה אושרו ב-14 מאמרי computing-education, כולם מ-2025 ו-2026 (Denny et al., 2026)). אם טענה נשענת על ציטוט, בדקו את הציטוט.
- אף אחד לא מדד את ההתנהגות שמדיניותכם תלויה בה. בין 493 רשומות ייחודיות ו-14 מחקרי עדיפות, אף מחקר לא מדד אם האימות הצליח ומה הלומד עשה איתו לאחר מכן, שנשפט מול סטנדרט עצמאי של איכות פלט (verification and reliance calibration). מדיניויות קורס תלויות בדיוק בהתנהגות הזו.
אם אתם בונים או קונים כלי
אותן בדיקות מתהפכות לדרישות תכן, ועמודי ההערכה של מאגר הידע נושאים את הפירוט (AIED Evaluation, Automated Assessment).
- הפכו את ההשוואה לחלק ממפרט הפיצ'ר. החליטו מה הלומד היה עושה אחרת, והיו מסוגלים לומר מדוע הכלי שלכם מנצח את זה — לא מדוע הוא מנצח כלום.
- מדדו את התנאי הלא-נתמך. אם התוצאה שלכם היא למידה, כללו משימה שהושלמה ללא הכלי; ביצועים בסיוע בלבד יטעו אתכם במידה שהם מטעים את הקונים שלכם.
- דווחו כיצד שיפוטיכם הממוחשבים אומתו — סטנדרט הזהב, מטרת הכיול, מי פסק מחלוקות — ודווחו על כך כאמינות ולא כאיכות.
- קראו לגרסה ולתאריך בשמם בכל טענת יעילות, מכיוון שהמהדורה הבאה שלכם תפסול אותה.
- הציגו את המשקולות הנגד: עלות לתלמיד, נגישות, טיפול בנתונים, ומה קורה ללומדים בשכבה החינמית. ראו AI Use Disclosure, פרטיות וממשל בינה מלאכותית.
לקוראים שרוצים את העדות
הבדיקות שלמעלה אינן חוכמת עם; הן מגיעות מכישלונות מתועדים בספרות הזו. הסעיף הזה שומר את הפירוט לכל מי שסוקר נייר, מגן על החלטה, או טוען שהכלי צריך להיות מוערך כהלכה.
לכישלונות התקפות יש התפלגות, לא רק נוכחות. ב-46 המחקרים שנבדקו ע״י O'Neill's (2026), אי-התאמת משתנה-תלוי הייתה הבעיה הנפוצה ביותר (n = 15) — המדד לא תפס מה שהטענה טענה — ואחריה אי-התאמת משתנה-בלתי-תלוי (n = 11), בעיות תכנון ניסוי (n = 7), בעיות חילוץ נתונים (n = 6), היעדר קבוצת ביקורת (n = 6) והקצאה לא-רנדומלית לקבוצה (n = 6). מתוך 14 המטאנליזות, שתים-עשרה התייחסו לגדלי אפקט מרובים שנגזרו מאותו מחקר עיקרי כעצמאיים, מה שמנפח את בסיס העדות הנראה.
טענות תת-קבוצה הן בדרך כלל בלתי-כריעות במחקרים שמציגים אותן. הGCSE science micro-RCT מדווח על אינטראקציה של טיפול-על-ידי-סטטוס של 0.57 ציונים (רווח ביטחון 95% -2.25 עד 3.39), עם הערכות שכבתיות של g = 0.28 (רווח ביטחון 95% -0.04 עד 0.59) לקבוצה אחת וg = 0.35 (רווח ביטחון 95% 0.18 עד 0.52) לאחרת. רווח שחוצה אפס אינו ממצא equity; זו שאלה לפיילוט מקומי.
סינתזה יכולה לספק את הפרוטוקול שלה ועדיין לצבר איכות לא-משוקללת. Doğan et al. (2026) קובעים בבירור שהם לא השתמשו בכלי הערכה פורמלי של איכות, והתייחסו לקריטריוני ההכללה שלהם כסף הקפדנות, כך שמחקר קוואזי-ניסויי ומחקר רנדומלי תרמו במידה שווה — וההטרוגניות שלהם נקראת I² = 82.98% תחת מודל אפקט-קבוע אך 15.75% תחת מודל אפקטים-אקראיים, וזה מדוע דמות הטרוגניות המצוטטת ללא המודל שלה אינה יכולה לספר לכם כמה בלתי-עקבי הקורפוס.
Validation של שיפוט ממוחשב הוא חלק מהתוצאה. הסכם עם מקודדים אנושיים הוא הצהרת אמינות, והתקרה שלמעלה מראה מדוע היא אינה זהה לאיכות (machines misread pedagogical quality).
ותק הכלי היא מגבלה ממחלקה ראשונה. סקירה של הערכה בסיוע בינה מלאכותית מציינת שהממצאים שלה משקפים גרסאות מודל ספציפיות בזמנים ספציפיים, ושתנועת התחום הופכת כל תיאור של יכולות מודל למיושן פוטנציאלית בתוך חודשים (AI-Assisted Assessment and Instruction in Higher Education). הגבילו טענות היקף לדור שלהם: "generative AI שיפרה X" אינה ניידת, בעוד ש"כלים מעידן GPT-4, במשימה הזו, עם הפיגום הזה" כן.
מטרות בנצ'מרק נעות, כך שתוצאה שמערכת מתשת או נכשלת בה היום עלולה להתהפך עם המהדורה הבאה; בדיקות שובע וזיהום שייכות לצד כל טענה מבוססת-בנצ'מרק.
קריאה בספרות הזו לצד המבקרים שלה היא פרקטיקה נורמלית כאן. רשימות הבדיקה בצד הדיווח עבור מחברים וסוקרים נמצאות בthe FAQ on reporting and interpreting AI research, והרגלי ההערכה בעמוד הזה מצטרפים לTheory Development in AI in Education כאשר טענה תיאורטית ולא אמפירית.
רשימת בדיקה קצרה
- ציינו את התוצאה שלכם במשפט אחד, כולל האם הכלי נוכח בה.
- מצאו את ההשוואה. ללא השוואה אמינה, אין החלטה.
- התאימו את המדד לטענה שלכם, והעדיפו תוצאה ללא סיוע.
- ניפחו את המספר: קראו את האפקט המתוקן-הטיה, לא את הכותרת.
- בדקו את גרסת המודל ואת תאריכי המחקר.
- קראו את סעיף המגבלות כהוראות למה שעדיין אינכם יודעים.
- העריכו את העלות: רישיונות, שכבות, זמן צוות, כללי נתונים.
- פיילוטו קטן עם מדד ללא סיוע, ואז החליטו.
- רשמו תאריך סקירה שנה קדימה, והיו מוכנים לפרוש מהטענה.
מושגים מקושרים
- מגבלות במחקר AIEd
- עיצוב למידה
- הערכת מערכות בינה מלאכותית בחינוך
- מדידה חינוכית
- תוקף ההערכה
- מידות דיווח-עצמי
- רווחי למידה
- אפקטים דיפרנציאליים בין קבוצות לומדים
- שיטות מחקר ב-AIED
- מחקר חינוכי בסיוע בינה מלאכותית — AI-Assisted Educational Research
- מטא-אנליזה וסקירה שיטתית
- מחקר כמותי
- בנצ'מרק
- ניסוי מבוקר אקראי (RCT)
- חונך אינטליגנטי
- פריקת עומס קוגניטיבי
- הצהרות שימוש וגילוי בבינה מלאכותית
- פיתוח תיאוריה ב-AI בחינוך
מאמרים מקושרים
- Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis — Presumed Effective: forensic audit of 14 AIED meta-analyses
- Effect of Artificial Intelligence on Learning: A Meta-Meta-Analysis — Publication-bias-adjusted AI effects about one-third of reported size
- ChatGPT in Education: An Effect in Search of a Cause — ChatGPT in Education: An Effect in Search of a Cause
- The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis — Inclusion criteria used as the rigor threshold, and heterogeneity that changes with the model
- Know When to Trust: Making AI Scoring More Reliable for Educational Assessment — When automated scoring reliability meets the task's measurement ceiling
- Beyond checking: verification quality, reliance calibration, and learning in generative AI-assisted higher education — What the verification and reliance literature does not measure
- Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature — Fabricated references that reached print in 2025–2026
- The Evidence Base on AI in K-12: A 2026 Review — Practice gains, exam losses: the assistance-removal problem in K-12 math
- Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomised Trials of an AI Tutoring Platform in GCSE Science — Subgroup effects whose confidence intervals cross zero
- From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — Enabling conditions: policy signals, personal subscriptions, no time
- Methodologies for Improving the Quality of AI Tutoring in K-12 Education — Vendor metrics with their calibration and experiment count disclosed
- AI-Assisted Assessment and Instruction in Higher Education: Foundations, Applications, and Implications for Exam Design — Findings tied to model versions, and the field's churn
- AI in Action Learning Tour — Independent-evidence counts for 16 student-facing AI products already in use