חינוך גן ותיכון (K-12)

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

חינוך גן ותיכון (K-12) — השימוש בבינה מלאכותית בחינוך יסודי ותיכון, הכולל תכניות לימודים לאוריינות בינה מלאכותית, חונכות בבינה מלאכותית, תמיכה במורים, ושיקולי בטיחות ייחודיים ללומדים צעירים. סקירה שיטתית מונחית PRISMA מ-2026 של 197 מחקרים (2016–2024) מארגנת את התחום סביב ארבעה תחומי הזדמנות — התאמה אישית, מוטיבציה, הערכה ופרקטיקות הוראה חדשניות — בעוד היא מסמנת פערים מתמשכים בהכשרת מורים, בהנחיות אתיות מינהליות, ובאיזון תחומי הדעת.

שאלות למחשבה

• שימוש בבינה מלאכותית ב-K-12 דורש הגנות בטיחות חזקות יותר מהשכלה גבוהה מכיוון שללומדים הצעירים יש את היכולת הנמוכה ביותר לזהות בינה מלאכותית לא בטוחה או מניפולטיבית. כיצד זה משנה מה חייבת להיות משמעותו של "בטוח" לכלים שבשימוש ילדים?
• סקירות שיטתיות מוצאות שבסיס הראיות של K-12 מרוכז ברובו המוחלט בSTEM, ומשאיר את האמנויות ואת מדעי הרוח ללא מחקר ברובו. מה עלולה בסיס ראיות מאוזן תחומית של K-12 לחשוף שמחקרי STEM בלבד מפספסים?
• מחקר מוצא שמורים מעריכים יתר על המידה את כשירותם בבינה מלאכותית — פער של כ-40% בין דיווח עצמי לביצוע — ובכל זאת הכשרה קצרה מניבה שילוב גבוה יותר בהרבה. מה עלול משמעות הפער הזה להכנת מורים בבתי הספר?
• מרבית כלי הבינה המלאכותית ממקדים פרספקטיבות דומיננטיות, ובכל זאת 78% מהמורים במחקר אחד מצאו שהבינה המלאכותית מועילה לפדגוגיה רלוונטית תרבותית. כיצד כלי שנוטה כברירת מחדל לתצפיות דומיננטיות יכול להיות מנווט להרחבת הייצוג במקום לצמצומו?
• ראיות מראות שמסירת עבודה לבינה מלאכותית עלולה לפגוע בלמידה, במיוחד אצל תלמידים מבוגרים יותר — ובכל זאת תלמידים צעירים יותר עלולים להיות פחות מושפעים. מדוע עונשת הלמידה של שימוש בבינה מלאכותית עשויה להשתנות לפי גיל, ומה משמעות הדבר לעיצוב?
• סקירת K-12 מזהה שמונה פערי מחקר לא-נחקרים, מדוגמאות הוראה קונקרטיות חסרות ועד שימוש מועט ברובוטיקה, בלבישים ובתקשורת ניידת. אילו מפערים האלה מגבילים ביותר את מה שבבתי הספר יכולים לעשות כיום?
• מדיניות בינה מלאכותית מוסדית חסרה לרוב הדרכה ליישום. מה היה דרוש כדי להפוך מסמך מדיניות של בינה מלאכותית ב-K-12 לפרקטיקות כיתה קונקרטיות ולהכשרת מורים — ומדוע התרגום הזה עלול להיכשל כל כך לעתים קרובות?

מבוא

נוף הראיות

סקירה שיטתית מ-2026 מונחית PRISMA (Marzano, 197 מחקרים, 2016–2024) מעגנת כיום את בסיס הראיות של K-12, ומשלימה סינתזות גדולות קודמות כמו הסקירה המהירה של בינה מלאכותית יוצרת ולומדים מגיל הרך ועד תיכון ואת בסיס הראיות המאוגד של בינה מלאכותית ב-K-12. מבנה ארבעת השאלות שלה מארגן את התחום לארבעה תחומי הזדמנות — התאמת הלמידה אישית, מוטיבציית התלמידים, שיפור ההערכה, והפעלת הוראה חדשנית וסוחפת — כאשר ChatGPT הוא המקרה הדגל הנחקר בחלק גדול מהמאמרים הנכללים.

הממצא המרכזי של הסקירה היא אי-סימטריה חדה: ההבטחה של בינה מלאכותית יוצרת בבתי הספר רחבה ומתועדת היטב, אך ההראיה של פרקטיקת כיתה יומיומית דלה, מרוכזת בSTEM, ומוטה עקב מחסר בדוגמאות יחידת הוראה קונקרטיות ובהכשרה מעשית למורים. הפער בין שאיפה ליישום הוא המאפיין המגדיר של מחקר בינה מלאכותית יוצרת ב-K-12.

סינתז מצד המורה מוסיף את השכבה שמסקירות ממוקדות כלי משאירות בחוץ. סקירת PRISMA של 29 מחקרים על התערבות מורים בהוראה מבוססת בינה מלאכותית ב-K-12 מוצאת שפלט בינה מלאכותית — התראות, לוחות מחוונים, ציונים אוטומטיים, משוב צ'אטבוט — הופך להוראה רק דרך מעגל של ניטור, שיפוט, התערבות ותזמור, ושהתועלות המדווחות לביצועי סטודנטים, להשתתפות ולביטחון מותנות ביכולת הפרשנות של המידע, בתזמון ההתערבות, ברמה הממוקדת, בכדאיות היישום של המורים ובאוטונומיה של התלמידים. הקורפוס שלה מרוכז באותם מקומות כמו בסיס הראיות הרחב של K-12: מתמטיקה ומדעים/STEM, כיתות חטיבות ותיכונים, והקשרים בארצות הברית.

שיקולים ייחודיים ל-K-12

• בטיחות ומעקות הגנה: שימוש בבינה מלאכותית ב-K-12 דורש הגנות בטיחות פדגוגית חזקות יותר. EduZone, EduGuard, ומחקר נזקי חונכים מתייחסים ספציפית לאינטראקציה עם בינה מלאכותית הבטוחה לילדים.
• תכניות לימודים לאוריינות בינה מלאכותית: מודולי אוריינות בינה מלאכותית ב-K-12 מפתחים הבנה של בינה מלאכותית מותאמת גיל, בעוד מסגרת קידוד האווירה מעניקה למורים ליצור את הכלים שלהם. מחקר קווזי-מבוקר של תוכנית אוריינות מדיה ביקורתית בת 18 שעות במודל 5E לתלמידים מטורקיה בכיתה ד' (Demir & Akar 2026) הטמיע בינה מלאכותית יוצרת (ChatGPT, Grammarly, Canva AI, Padlet) שלב-אחר-שלב כסוכן פדגוגי המיושר לתכניות השפה הטורקית ולחברה, והניב רווחים גדולים בקריאת מדיה (+3.50), בכתיבה (+1.67), ובאוריינות מדיה כוללת (+5.17, כולם p < .01) עם גדלי אפקט בין-קבוצתיים של Cohen's d = 1.12–1.31, וצמיחה איכותנית בששה תחומים של אורייות מדיה ביקורתית (הגנה עצמית דיגיטלית ופרטיות נתונים, שימוש מדיה מכוון ואחראי, תקשורת בטוחה ומודעות גבולות, הערכה ביקורתית ומודעות למידע שגוי, מודעות לסיכונים מקוונים, ואתיקה של מדיה/אזרחות דיגיטלית) — ראיה שתכניות אוריינות בינה מלאכותית מותאמות גיל ומוטבעות בתחום דעת יכולות להניב רווחי מדיה ביקורתית נמדדים בכיתות יסוד.
• חונכות ברמת הכיתה: חברים מותאמים אישית ל-K-12 ומחקר מלכודת התשובה הנכונה בודקים את אפקטיביות החונכות לתלמידים צעירים יותר.
• האילוץ של חונכות בינה מלאכותית הוא מעורבות, לא יכולת. ב-18 חטיבות ביניים במדינת טנסי, הקצאת Khanmigo הגביהה הישגים במתמטיקה בכ-0.06–0.08 סטיות תקן לשנת בית ספר — רווחים הדומים לתרגול ב-Khan Academy ללא בינה מלאכותית — מכיוון שהתלמיד החציוניי שלח הודעה לחונך ב-17% בלבד ממפגשי השגיאה (Oreopoulos and Low, 2026).
• התאמה התפתחותית: מחקר בטיחות ילדים ושיקולי חינוך מיוחד מתייחסים לצרכיהם של אוכלוסיות K-12 מגוונות.
• בינה מלאכותית שיחתית מותאמת גיל: Vahedian Movahed & Martin (2025) פרסו את AMA, צ'אטבוט חסום-נושא עם התאמת הנחיה משתנה גיל, עם 63 סטודנטים (כיתות א' ו-6–8). ילדים הראו פתיחות רחבה ואמון גבוה בצ'אטבוט כמקור מידע, ובחנו באופן פעיל את אמינותו בשאלות עם תשובה ידועה, בעוד פערים במודעות לבטיחות דיגיטלית (חלק היו מוכנים לשתף סודות) מצביעים על פיגום מותאם גיל והדרכה מפורשת בפרטיות.

השפעות ידע המורה

• השפעות ידע המורה. מחקר חוצה-רמות (46 מורים, 2,832 תלמידים תיכון) מצא שידע בינה מלאכותית פדגוגי — ולא ידע בינה מלאכותית טכני — הוביל את תפיסות התלמידים על בינה מלאכותית לטובת החברה ואת כוונתם ללמוד בינה מלאכותית, וחיזק גישה של "פדגוגיה קודם, טכנולוגיה שניה" להכנת מורים ל-K-12.
• הכשרה מתמשכת כאילוץ הקושר. סקירת Marzano מזהה הכשרה מורים מתמשכת ומכוונת ל-ICT כאתגר השילוב המתמשך הבודד ביותר, והיא חייבת לכסות ממדים טכניים, פדגוגיים ואתיים תוך התאמות לכלים המתפתחים במהירות. הכשרה ראשונית ומתמשכת צריכה להיות רציפה, שיתופית, מבוססת משחק, ממוקדת שקיפות, ומבוססת בפיתוח מקצועי לכלים מתקדמים כמו ChatGPT. זה מתרחב לבינה מלאכותית לתמיכה בשיתוף פעולה בכיתה: מחקר הכדאיות של Community Builder (CoBi) בכיתות חטיבת הביניים מצא ששימוש מורה בעל יושרה גבוהה תלה בלמידה מקצועית משמעותית, כשמורים לא-מוכנים נסחפו להתייחס לכלי כמנטר ביצועים או לדיון כללי בבינה מלאכותית במקום למוקד השיתופי המיועד.
• פער הכשירות. מחקר מראה שמורים מעריכים יתר על המידה את כשירותם בבינה מלאכותית — פער של כ-40% בין דיווח עצמי לביצוע — ובכל זאת התערבות הכשרה קצרה (למשל, סדנאות הנחיה של 4 שעות) יכולה להניב שילוב גבוה יותר בהרבה בשיעור. זה הופך את הכנת המורים ואת הכשרת מורים למרכזיים להצלחת שילוב בינה מלאכותית ב-K-12.

ארבעת תחומי ההזדמנות

הסקירה השיטתית מגבשת את מה שבינה מלאכותית יוצרת יכולה לעשות בבתי הספר לארבעה תחומים חוזרים:

• למידה מותאמת אישית. בינה מלאכותית יוצרת מתאימה חוויות למידה לצרכים, לקצב ולמוכנות של כל אחד — התועלת הדגלית המתועדת במערכות חברה ובפלטפורמות אדפטיביות.
• קריאות והתאמה לתכנית הלימודים. Bird (2026) ממזג סיווג טקסט של טרנספורמר עם תכונות לשוניות-חישוביות כדי לסווג ספרות אנגלית לפי Key Stage בבריטניה (F1 0.996), ארוז באפליקציית ווב ללא קוד כדי שמורים יוכלו להתאים חומרי קריאה לרמות הלומדים — משלים קונקרטי ורלוונטי לתחום דעת (אנגלית/ספרות) לבסיס הראיות הכבד ב-STEM של K-12.
• מוטיבציה ומעורבות. כלים כמו ChatGPT הופכים למידה למרתקת יותר לתלמידים צעירים, ותומכים במעורבות ובמוטיבציה — אם כי הסקירה מזהירה גם שזה עלול להיהפך להסתמלות מוגזמת ולתלות טכנולוגית.

מטא-אנליזה של 42 מחקרים מכנה זאת: האפקט המוטיבציוני היה הקטן ביותר בהקשרים בית-ספריים (תיכון g = 0.360, יסודי g = 0.311) לעומת g = 0.886 באוניברסיטה, אם כי תת-הקבוצות האלה נשענות על 9 ו-4 מחקרים בלבד (Fang et al. (2026)).

• הערכה. בינה מלאכותית יוצרת משפרת שיטות הערכה, ממעצב משוב ועד ניקוד אוטומטי, אם כי הטיה במשוב אוטומטי נשארת דאגה חיה. Razavi and Powers (2026) מרחיבים זאת לכיול פריטים ב-K-5: לאורך 5,170 פריטים של מתמטיקה וקריאה, דירוגי הקושי של GPT-4o ללא דוגמה תואמו במידה בינונית-עד-חזקה עם קשיים מכוילים Rasch (r = 0.83 במתמטיקה, r = 0.81 בקריאה) אך היו לא-אחידים בין כיתות ולא טובים יותר מרגרסור דמה של ממוצע כיתה לכיתות K ו-1 — מגבלת הגבלת טווח שחשובה להערכה בכיתות צעירות. גישה מבוססת תכונות (תכונות שחולצו על ידי מודלי שפה גדולים (LLM) לתוך מודלים מבוססי עצים) הגיעה לקורלציות של עד r = 0.87, עם רווחים הבולטים ביותר לפריטים בכיתות צעירות. שאלה קשורה היא איזה מודל בית הספר מפעיל כלל: על סדרות מכוילות NGSS לחטיבת הביניים (1,078 פריטים) ולתיכון (1,150 פריטים), תשעה מודלים בקוד פתוח משישה מעבדות ניקדו ברובם מעל 90% וגודל המודל לא חזה את הדיוק — OSS-20b ו-Nemotron 3 Nano 30b a3 תאמו מודלים גדולים מהם בפעמים אחדות — בעוד קושי הפריטים היה גבוה וההבחנה נמוכה, והשאירו את המחברים לשאול האם הבנצ'מרק קל מדי (Schroeder et al. 2026).
• פרקטיקות הוראה חדשניות. גישות סוחפות, מבוססות משחק ושיתופיות הופכות למידה למרתקת יותר, כאשר מודלים קונסטרוקציוניסטיים ומבוססי פרויקטים מראים הבטחה מיוחדת. דוגמת כיתה שלמה קונקרטית היא Community Builder (CoBi), מערכת תמיכה בשיתוף פעולה עם בינה מלאכותית שפורסה בשש כיתות חטיבת הביניים והשתמשה בזיהוי דיבור כדי להמחיש דיסקורס "מרומם" של קבוצות קטנות — ראיה שזיהוי דיבור בזמן אמת יכול לפעול בכדאויות בסביבות K-12 רועשות ולתמוך בממד היחסי של הלמידה.

צו השעה של הרלוונטיות התרבותית

עיצוב תכנית לימודים בתמיכת מודלים לשוניים גדולים מראה הבטחה לגיוון חומרים — במחקר אחד 78% מהמורים מצאו את הצעות הבינה המלאכותית מועילות לפדגוגיה רלוונטית תרבותית. עם זאת, מרבית כלי הבינה המלאכותית ממקדים פרספקטיבות דומיננטיות, ודורשים עיצוב ממוקד שוויון מכוון כדי להימנע מהרחבת פערי הזדמנות.

תרגום מדיניות לפרקטיקה

מדיניות מוסדית של בינה מלאכותית יוצרת חסרות ברובן הדרכה ליישום. הסקירה השיטתית מדגישה שהנחיות מינהליות המתייחסות לאתיקה ולפרטיות נותרות לא-מפותחות, ומהדהדות את בעיית התרגום של מדיניות לפרקטיקה: מודלים מוצלחים הופכים מסמכי מדיניות למודולי הכשרת מורים בר-פעולה, וגשרים בין "מה" (מדיניות) ל"איך" (הדרכת הנחיה).

קנה מידה ושוויון

פריסת בינה מלאכותית ב-K-12 פועלת בקנה מידה חברתי — מיליוני סטודנטים, חינוך חובה, והשלכות שוויון משמעותיות. מחקר השוויון בודק האם בינה מלאכותית מרחיבה או מצמצמת פערי הזדמנות, כולל גישה ותמיכה מכילה לסטודנטים עם מוגבלות — אחד משמונת התחומים הלא-נחקרים של הסקירה.

שמונה פערי מחקר

תרומה חדשנית של סקירת Marzano היא המנייה המפורשת שלה של שמונה פערי מחקר לא-נחקרים היוצרים אג'נדת מחקר של בינה מלאכותית יוצרת ב-K-12: (1) מחסר בדוגמאות קונקרטיות של בינה מלאכותית בהוראה לבניית יחידות הוראה; (2) צורך בהכשרה מעשית ויומיומית למורים המבוססת על יישום בינה מלאכותית מתמיד; (3) מיומנויות בלמידת מכונה ואיזון בין תחומי דעת, עם STEM מיוצג-יתר; (4) מחסר במחקרים ובניסויים באירופה; (5) צורך להגדיר את תפקיד המורה וליצור מסגרות פדגוגיות ספציפיות כמו ידע טכנולוגי-פדגוגי-תוכני (TPACK) או AI4K12; (6) הכלה ותמיכה לסטודנטים עם מוגבלות; (7) קשר לתאוריות פדגוגיות ולמתודולוגיות חדשניות; ו-(8) יישומים של טכנולוגיות מתעוררות כמו לבישים, שליטה ברובוטים, ותקשורת ניידת.

קשרים

K-12 מתחבר לבטיחות פדגוגית (הגנת ילדים), לאוריינות AI (כשירות סטודנטים), להוראה (טרנספורמציית מורה ב-K-12), לשוויון (פערי גישה), ולחינוך מיוחד (צרכי לומדים מגוונים). בסיס הראיות של הסקירה השיטתית שלו מתחבר למטא-אנליזה וסקירה שיטתית כשיטה, והממצא על אי-איזון תחומי הדעת שלו מתחבר לחינוך STEM, לחינוך במדעי הרוח והמדעים החברתיים, ולחינוך לגיל הרך וליסודי עם בינה מלאכותית.

השלכות למנחים ב-K-12

• העניקו עדיפות למעקות הגנה בטוחים לילדים. שימוש בבינה מלאכותית ב-K-12 דורש הגנות בטיחות חזקות יותר — השתמשו בכלים שנבנו ונבדקו ספציפית לילדים (EduZone, EduGuard) והיו ערניים לנזקיהם של חונכים ללא מעקה (מחקר נזקי חונכים).
• בנו אוריינות בינה מלאכותית בהתאם לגיל. השתמשו בתכניות ובמסגרות שתוכננו ללומדים צעירים יותר (מודולי אוריינות בינה מלאכותית ב-K-12), ואל תניחו שהתלמידים מגיעים עם ידע שימוש אחראי.
• סגרו את פער כשירות המורים. מורים מעריכים יתר על המידה את כשירותם בבינה מלאכותית (פער של ~40% בין דיווח עצמי לביצוע), ובכל זאת הכשרה קצרה (למשל, סדנאות הנחיה של 4 שעות) מניבה שילוב גבוה יותר בהרבה בשיעור — השקיעו בהכנה שלכם (כושר AI של המורה, הכשרת מורים).
• שמרו על הכשרה מתמשמת ומבוססת פרקטיקה. ההמלצה הליבת של הסקירה השיטתית היא שהכשרת מורים אינה יכולה להיות חד-פעמית — היא חייבת להיות מתמשכת, שיתופית, ומבוססת על יישום יומיומי מתמיד של בינה מלאכותית, לא על תאוריה מופשטת.
• גוונו חומרים במכוון. בינה מלאכותית מצטיינת ביצירת חומר רלוונטי תרבותית (78% מהמורים מוצאים את ההצעות מועילות), אך כלים נטים כברירת מחדל לפרספקטיבות דומיננטיות — השתמשו בבינה מלאכותית באופן פעיל כדי להרחיב, לא לצמצם, ייצוג, ושמרו על פערי הזדמנות.
• היזהרו מסיכון עונשת הלמידה. ראיות מראות שמסירת עבודה לבינה מלאכותית עלולה לפגוע בלמידה, במיוחד אצל תלמידים מבוגרים יותר (כניעה קוגניטיבית, עונשת מסירת שיעורי בית) — תכננו משימות ששומרות על העבודה הקוגניטיבית בלולאה והעריכו הבנה עמידה, לא רק השלמה.
• הבחינו בין האטה פרודוקטיבית לרצף. ניסוי שדה אקראי עם למעלה מ-6,000 תלמידי חטיבת ביניים מצא שתמיכת בינה מלאכותית האטה את ההתקדמות אך הגביהה את הנכונות בניסיון הבא לאחר שגיאות, בעוד כלל של שלוש נכונות ברצף הגביה שליטה בפלטפורמה בכ-28.7 נקודות אחוז ללא שיפור במבחן שנדחה בשבוע מאוחר יותר (Oreopoulos et al. (2026)).
• תכננו כלי מורה לשיפוט, לא לכמות. יותר מידע של בינה מלאכותית אינו טוב יותר: התראות בזמן אמת הרחיבו את מודעות המורים אך במחקרים מסוימים העמיסו על התשומת לב או משכו את המיקוד מהתצפית שלהם, ומורה בודד אינו יכול לפעול על יותר מטרות התערבות ממה שהוא יכול להגיע אליהן פיזית (Lee 2026). כלים שמעדיפים ומסבירים מה שווה לפעול עליו, ומאפשרים למורים לקבל, לתקן, לדחות או לדחות המלצות, מתאימים לעבודה טוב יותר מלוחות מחוונים שחושפים הכל — והתנאים המבניים (זמן ביקורת, גודל כיתה, כוח אדם תומך) הם חלק מההתערבות, לא לוגיסטיקה של רקע.
• התרחבו מעבר ל-STEM. בסיס הראיות נטה במידה רבה לSTEM; למחנכים ולחוקרים באמנויות ובמדעי הרוח יש הזדמנות מופגנת לייצר את הראיות המאוזנת תחומית שהתחום מפספס.
• תרגמו מדיניות לפרקטיקה. מדיניות בינה מלאכותית יוצרת מוסדית חסרות לרוב הדרכה ליישום; הפכו מדיניות לפרקטיקות כיתה ולהכשרה קונקרטיות ובר-פעולה (מדיניות לפרקטיקה).

אימוץ וספקנות ב-K-12

• ככל שבינה מלאכותית נכנסת לבתי הספר, הצוות המושפע נדרש ביתר שאת להתייעץ בבינה מלאכותית שיחתית על האימוץ. ביקורת אלגוריתמית של עשרה מודלים לשוניים גדולים בחזית נעצה דמות של ספקן בינה מלאכותית ב-K-12 כפרי, ומצאה ששמונה מתוך עשרה מודלים הודו בדאגות לפני שפנו למסגרות מעורבות בבינה מלאכותית — תוצאת עיצוב תלוית-מודל ולא תכונה בלתי-נמנעת של מודלים לשוניים גדולים. אמון, ספקנות, ופיקוח אנושי הם לכן מרכזיים לאופן שבו צוות כפרי ואחרי K-12 פוגש בינה מלאכותית.

מושגים מחוברים

• דפוסים פדגוגיים — רמתן של מחקרי כישלון פרודוקטיבי, שינוי קונספטואלי והערכה בעל-פה
• חינוך לגיל הרך וליסודי עם בינה מלאכותית — חינוך בינה מלאכותית לגיל הרך וליסודי
• בטיחות פדגוגית — מעקות הגנה בטוחים לילדים לאינטראקציות בינה מלאכותית עם לומדים צעירים
• אוריינות AI — הבנת סטודנט מותאמת גיל ושימוש אחראי בבינה מלאכותית
• הוראה — טרנספורמציית מורה ושילוב בינה מלאכותית בכיתות K-12
• שוויון — האם בינה מלאכותית מרחיבה או מצמצמת פערי הזדמנות ב-K-12
• חינוך מיוחד — צרכי לומדים מגוונים בשימוש בבינה מלאכותית ב-K-12
• פיגום — מבני תמיכה ללמידה עם בינה מלאכותית ב-K-12
• למידה מותאמת אישית — הוראה מותאמת אישית המופעלת על ידי בינה מלאכותית ברמת בית הספר
• חינוך STEM — אוריינות בינה מלאכותית וכלים ברחבי מדע, טכנולוגיה, הנדסה ומתמטיקה ב-K-12
• בינה מלאכותית יוצרת — הטכנולוגיה הליבתית מאחורי כלים ותכניות לימודים של בינה מלאכותית ב-K-12
• הכשרת מורים — הכשרה ושדרוג מורים לבינה מלאכותית בשיעור
• למידה סוציו-תרבותית — ממדים חברתיים ותרבותיים של למידה עם בינה מלאכותית ב-K-12
• מטאקוגניציה — חשיבה על החשיבה; מפתח ללמידה עמידה בעידן בינה מלאכותית
• פיתוח חינוכי — פיתוח מקצועי מתמשך למורים
• עיצוב למידה — עיצוב שיעורים וחומרים בתמיכת בינה מלאכותית
• למידה פעילה — שמירה על העבודה הקוגניטיבית בלולאה בעת שימוש בבינה מלאכותית
• חשיבה חישובית — מיומנות יסודית ב-K-12 ומטרת תכנית לימודים של בינה מלאכותית
• חונך אינטליגנטי — מערכות חונכות בינה מלאכותית לתלמידים צעירים
• מטא-אנליזה וסקירה שיטתית — שיטת הסקירה השיטתית שמאחורי בסיס הראיות של K-12
• חינוך במדעי הרוח והמדעים החברתיים — המקבילה של איזון תחומי דעת לראיות K-12 הכבדות ב-STEM
• הורים ומשפחות
• כניעה קוגניטיבית

מאמרים מחוברים

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — סקירה שיטתית של בינה מלאכותית יוצרת בהוראה ובלמידה ב-K-12 (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — השפעות חוצות-רמות של ידע בינה מלאכותית של מורים (TAIK, TPAIK) על למידת סטודנטים בחינוך בינה מלאכותית בתיכון (Shen et al. 2026)

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — חינוך בינה מלאכותית בבתי הספר מצמצם פערי מוכנות פסיכולוגית אך לא קוגניטיבית

• AI Tutoring is Not a Monolith: What We Actually Know — AI Tutoring is Not a Monolith: What We Actually Know (Stanford SCALE/NSSA brief)

• AI-Supported Problem-Based Learning for Enhancing Computational Thinking — למידה מבוססת פרויקטים בסיוע בינה מלאכותית וחשיבה חישובית

• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — Virtual tutoring with CAL: an experiment in take-up and learning

• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — הפיכת חונכות בינה מלאכותית לפרודוקטיבית: תרגול מתמטיקה מבוסס שליטה

• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — One Click Away: Khanmigo in a two-year school experiment

• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers — EduZone: child-safe LLM interaction platform for K-12

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — EduGuard: safe RAG-based LLM tutor guardrailing

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Research on harms of unguarded AI tutors for children

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — K-12 AI literacy modules on prompting

• The Evidence Base on AI in K-12: A 2026 Review — The K-12 AI evidence base aggregated at scale

• ECNUClaw: A Learner-Profiled Intelligent Study Companion Framework for K-12 Personalized Education — K-12 personalized AI companions

• A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding — Vibe-coding framework empowering teachers to build AI tools

• Rethinking Elementary Education's Writing Instruction in The Age of Generative AI: A Systematic Review — Systematic review: GenAI and elementary writing

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Rapid review: GenAI and PreK-12 learners (271 papers)

• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Cognitive surrender strongest for high schoolers, absent for Grade 5

• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — The generative AI learning penalty: homework outsourcing harms learning

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: bias in automated feedback for middle-school writing

• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — CtL-GenAI: constructionism framework for artifact construction

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — All-girls GenAI makerspace workshops and gender equity in computing

• Transforming clicks into critical thinking: An AI-based media literacy program for children — AI-based critical media literacy program for children

• What differentiates educational literature? A multimodal fusion approach of transformers and computational linguistics — Multimodal fusion for classifying educational literature

• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — Estimating item difficulty using LLMs and tree-based ML

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — Teacher intervention in K-12 AI-based instruction: a systematic review

• A Benchmark for LLM's Understanding of Middle School and High School Science Topics — A Benchmark for LLM's Understanding of Middle School and High School Science Topics

• Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — מטא-אנליזה של אפקט בינה מלאכותית יוצרת על מוטיבציה, הקטן ביותר בהקשרים בית-ספריים (תיכון g = 0.360, יסודי g = 0.311)