אנליטיקת למידה

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

אנליטיקת למידה — המדידה, האיסוף, הניתוח והדיווח של נתונים אודות לומדים וההקשרים שלהם, למטרת הבנה ואופטימיזציה של הלמידה. בינה מלאכותית שינתה את אנליטיקת הלמידה מלוחות מחוונים תיאוריים למערכתות חיזוי ופרסקריפטיביות.

שאלות למחשבה

• רוב האנשים מניחים שאיסוף של יותר נתוני למידה משפר אוטומטית את החינוך. העמוד טוען שאנליטיקה נהיית משמעותית רק כאשר היא מוזנת בחזרה להתערבות — אחרת היא רק מתארת או מסמנת מבלי לשנות למידה. היכן ראיתם נתונים שנאספו ולא הובילו לשום פעולה?
• דמיינו שלוח מחוונים אומר לכם שתלמיד "בסיכון" — חיזוי. מה מבדיל בין זה להכוונה מעשית אמיתית שמורה או מוסד יכולים לבצע? העמוד מציע שהחיזוי בלבד אינו מספיק.
• העמוד מציין שבינה מלאכותית העבירה את אנליטיקת הלמידה מתיאור של מה שקרה, לחיזוי של מה שיקרה, ולפרסקריפציה של מה לעשות עכשיו. איזו משלושת הדורות חוויתם, ומה חסר באחרים?
• במחקר אחד, שלושה מודלי בינה מלאכותית שונים הניבו תוכניות תמיכה שונות מאוד עבור אותם נתוני תלמיד, והקשרים בין אינדיקטורים של האנליטיקה לעזרה המומלצת היו ברובם חלשים. מה זה אומר על אמון בעצת בינה מלאכותית בעל-פנים?
• אנליטיקת למידה יושבת במתח פרטיות: ככל שהנתונים גרעיניים יותר, כך הם חושפים יותר — וכך ההתערבות חזקה יותר. היכן הייתם מקווים את הגבול על מה שנאסף עליכם או על תלמידיכם, ומי צריך להחליט?

מבוא

אנליטיקה מועצמת בבינה מלאכותית

• אנליטיקה חזותית (predictive analytics): למידת מכונה על נתוני אינטראקציה של הלומד חוזה תוצאות — מזיהוי תלמידים בסיכון ועד הערכת מצב הידע.

• אימות חשוב כמו חיזוי. Schuetze, Yan, and Carvalho (2025) מראים שמודלים חיזויים של מצב הידע (BKT, BKT-with-Forgetting, AFM) נראים מדויקים כאשר הם מותאמים רטרואקטיבית להיסטוריית מפגש שלמה, אך תחת אימות חוצה מבוסס-זמן — חיזוי המפגש הבא מהמפגשים הקודמים, כפי שאנליטיקה נפרסת בפועל — הם מגזימים בביצוע הלומד, מפספסים דינמיקות של ריווח/שכחה, ויכולים לסדר לא נכונה תנאי תרגול. האזהרה לאנליטיקה: התאמה רטרואקטיבית יכולה להסתיר תוקף חיזוי קדימה גרוע על נתונים אורכיים, ולכן יש לאמת מודלים של אינדיקטורים ולוחות מחוונים בצורת הליכה-קדימה.

• אמתו את מיפוי הפריט-תכונה שמאחורי ההערכה. מטריצת Q המקשרת פריטים לתכונות היא הנחה, לא נתונים: שורות שנדחו עבור 14 מתוך 918 פריטי חשיבה אנליטית, לאחר תיקון, קיצרו תבנית מצב-ידע שווא מ-14.2% ל-3.8% — ולכן אנליטיקת שליטה צריכה לבקר את מטריצת ה-Q שלה, ולא רק את ההתאמה החזותית שלה (Feng & Huang, 2026).

• אנליטיקה חזותית מעוגנת בתכנית הלימודים: Pradeesh et al. (2026) מעריכים מצבי ידע במסגרת חינוך מבוסס-תוצאות על ידי עקיבה ישירה אחר תוצאות הקורס מנתוני אינטראקציה והשגה ב-LMS, תוך שימוש במפות אפיניות OBE (קשרי קורס–תוצאת-תוכנית) למבנה הקשרים בין מושגים וברשת מגודרת-זיכרון למידול של השפעה בין-תוצאות — תוך הגעה ל-89.81% AUC ועלייה על DKT, DKVMN, EKT ו-SimpleKT בנתוני הנדסה אוניברסיטאיים חיים, תוך שמירה על תחרותיות בלבד (לא עליונות) בנתוני ASSISTments כלליים.

• חיזוי התקדמות מפורש עם חלון פעולה: Zhang, Jeffries & Koprinska (2025) חוזים התקדמות תלמידים ברמת מודול בקורסי תכנות מקוונים בקנה מידה גדול מתוך תכונות של יומני אינטראקציה עם תכנים, תוך שימוש בעצי החלטה שקופים (glass-box) שמתאימים דיוק של קופסה שחורה (85–91%) תוך סימון תוצאות נשירה של "לא נשלח" עד 7–8 ימים לפני מועדי הסיום של המודולים — חלון מפורש ובזמן אמיתי להתערבות ולא סימן סיכון עירום, וטיפולוגיה מחקרית של פרופילים מנותקים-בסיכון, מנותקים-אך-מוצלחים, ומעורבים בעלי ביצוע גבוה.

• מודלנציה סיכון פדרטיבית ומסבירה בין מוסדות (2026). Villegas-Ch et al. (2026) מרחיבים את מודלנציית הסיכון מעבר לחיזוי במוסד בודד על ידי אימון מודל מרובת-משימות (ביצוע + נשירה) בין מוסדות מדומים באמצעות למידה פדרטיבית, כך שנתוני תלמיד גולמיים אינם עוזבים את המוסד. תחת הטרוגניות מבוקרת (עקימות תוויות, חוסר איזון בין מחלקות, סחף זמני, חוסר מבני) המודל שומר על דיוק דירוג (OULAD AUC 0.918) ועל דירוגי חשובת תכונות יציבים מבנית, אך הכיול ההסתברותי מסחף — מנתק ביצועי דירוג מאמינות ההסתברות. למערכות התרעה מוקדמת זו אזהרה שהתערבויות מבוססות-סף עשויות לדרוש כיול לכל מוסד, וטענה להערכת אנליטיקה לאורך אבחנה, כיול, עמידות והסבר בו-זמנית.

• אימות נתונים סינתטיים הוא תנאי מוקדם לאנליטיקה השומרת פרטיות. בדיקה מבנית של גרסאות סינתטיות של ארבע מנות שנתיות של הרגלי לימוד (117–120 לומדים לאורך שמונה-עשרה שבועות) מצאה שמתארי החלוקה הסכימו מקרוב בשתיים מתוך ארבע המנות, בעוד שהשונה משבוע לשבוע הייתה 2.6 עד 4.9 פעמים נמוכה ללא יוצא מהכלל (מקדם שונות 0.086–0.152 לעומת 0.399–0.539 במנות האמיתיות), ורק 36% מהממצאים שהתקבלו על נתוני פילוט סינתטיים אושרו בנתונים האמיתיים לאורך עשרים וחמישה בקשות אימות (Inoue & Yasutake (2026)).

• אנליטיקת מעורבות: מדידת מעורבות ומודלנציית עוצמה מכמתות כיצד תלמידים מקיימים אינטראקציה עם מערכות בינה מלאכותית.

• אנליטיקת משוב: סיווג משוב והערכת איכות מנתחים את המשוב שהתלמידים מקבלים.

• ניתוח רשתות: ניתוח רשתות שיתוף-הופעה (Co-Occurrence Network Analysis) וניתוח רשתות אפיסטמי חושפים תבניות אינטראקציה.

• מתחי פרטיות: דאגות פרטיות גדלות ככל שהאנליטיקה נעשית גרעינית יותר ומונחית בבינה מלאכותית.

• מסגרת ממשל לסקירת נתוני תלמידים. LEAGUE מציעה שישה עמודים — חוקיות, שוויון, סוכנות, ממשל, תועלת ואתיקה-בעיצוב — ומתייחסת לתאימות FERPA ו-GDPR כקרקע וממליצה על הערכה מחודשת מתוזמנת ככל שהמודלים מסחפים (Varadaraju & Vijayakumar (2026)).

מדדלו בו-זמניות של קורסים, לא רק רצף. TRACE נותן לכל קורס בסמסטר את אותו קידוד מיקום, וחיזוי משותף של קורסים וציודים קיצר את שגיאת חיזוי הציונים ל-0.1339 MAE — ירידה של 46.4% על טרנספורמר לציודים בלבד — על עשר שנים של נתוני מוסד (Savala (2026)).

מחזור אנליטיקת הלמידה

אנליטיקת למידה ממוסגרת קנונית כמחזור שמתחיל בפעילות הלומד המייצרת נתונים, המעובדים למדדים ולאינדיקטורים, שמתורגמים להתערבויות — וההתערבות מוזנת בחזרה לפעילות הלומד כדי לסגור את הלולאה. שלב ההתערבות הוא מה שמבדיל אנליטיקה מניטור או חיזוי בלבד: בלעדיו, אנליטיקה מתארת ומסמנת אך אינה משנה למידה. מחזור זה הוא מסגרת הארגון להבנת המקום שבו כלי בינה מלאכותית (לוחות מחוונים, מחוללי משוב, ממליצים פרסקריפטיביים) יושבים בצינור ואיזה שלב הם מאוטמטים.

לוח מחוונים המיועד ללומד חזק רק כטווח ההגעה שלו: במחקר כתיבה של כיתה ט' בהונג קונג, מסווג הנחיות הגיע ל-macro F1 של 0.757, כשליש מ-46 התלמידים פתחו את שלושת לוחות המחוונים של שימוש ב-GenAI והבדלי הקבוצה בהעתקה ובהנחיה מוכוונת-למידה לא היו אמינים (Fong et al. (2026)).

קידוד תדירות של נתונים איכותניים הוא נקודת כניסה, לא פסק-דין: במחקר בן עשרה משתתפים, חלק מהמרצים קראו קידודי תדירות כדרך מועילה להיכנס, ואחרים הזהירו שהם מסתירים תשובות נדירות אך קריטיות, ולכן העיצוב שומר כל תצוגה מצטברת מקושרת בחזרה לטקסט התלמיד המילולי (Nguyen et al. (2026)).

מתיאור להתערבות

אנליטיקת למידה התפתחה בשלושה דורות במאגר הידע: תיאורי (מה קרה?), חזותי (מה יקרה?) ופרסקריפטיבי (מה עלינו לעשות?). בינה מלאכותית מאפשרת את שכבת הפרסקריפציה — אנליטיקה שמפעילה ישירות התערבויות הוראה. חזית מפתח היא פער היכולת-לפעולה (actionability gap): SC2R (Le, Abel & Laforge 2026) מראה שהחיזוי בלבד אינו מספיק לתמיכה בהחלטה, ושrecourse נגד-עובדתי נעשה בעל משמעות מבצעית רק כאשר ההמלצות ישימות מבחינה סמנטית וניתנות לבדיקה-מכונה — כפויות לתזמון, תקציב, חוסר-שינוייות וזמינות באמצעות אימות SHACL, ולא רק תקפות-מודל. זה מזיז את התחום מעבר לציוני סיכון להמלצות שמוסדות יכולים באמת ליישם, תוך שמירה על פיקוח אנושי.

בדיקה אמפירית ישירה של שכבת הפרסקריפציה מגיעה מLópez-Pernas et al. (2026), שביקשו משלושה מודלי שפה גדולים להמליץ על תוכניות תמיכה ל-4,500 תלמידים מדומים וינייטות.

בדיקה משלימה, ממורכזת-במורה, על האופן שבו אנליטיקה מגיעה לכיתה מגיעה מMejia-Domenzain et al. (2026), שעיצבו לוח מחוונים של אנליטיקת למידה (DashED) כדי לתקשר פרופילים של למידה עצמאית מונחי-ML למורים בשני הקשרים משולבים. מחקר ה-100 המורים שלהם מראה שההצגה של האנליטיקה היא עצמה מחסום לפעולה: המורים העדיפו באופן שיטתי תרשימים פשוטים ומסורתיים יותר (תרשים מוטות, תרשימי עוגה) גם כאשר עיצובים מורכבים יותר (למשל, מפות חום) הניבו תובנות עשירות יותר, ואוריינות ויזואליזציה גבוהה יותר חזה פרשנות עמוקה ומפורטת יותר (למשל, יותר מורים שמזהים מגמות בנתוני סדרות זמן). להשוואת קבוצות, המורים העדיפו חפיפה על הצד-לצד ותרשימים בעלי מידע מלא על קידוד מפורש של הבדלים. הפעולות שהמורים הציעו הוטבעו על ידי התוכן המיוצג וברמת המורה שלהם ולא על ידי סוג התרשים — מורים אוניברסיטאיים העדיפו מבחנים שבועיים והתאמה ברמת הקורס, בעוד שמורים מקצועיים הציעו אימון ישיר ומותאם-אישית — ומדגישים שהשלב הפרסקריפטיבי תלוי לא פחות באופן שבו האנליטיקה מוצגת ובהקשר שבו היא מוצגת מאשר במודל הבסיסי. הממצא שלהם זהיר: הקורלציות בין אינדיקטורי LA לבין התמיכה המומלצת היו ברובם חלשות, ההמלצות בין-מודליות סטו חדות לאותו תלמיד, והתמיכה הוקצתה לעתים קרובות ללא קשר למי שנזקק לה ביותר. המחברים מסיקים שמודלי השפה הגדולים הנוכחיים אינם עדיין אמינים כמודלים פרסקריפטיביים לתמיכת תלמידים בקנה מידה, ומחזקים שהשלב הפרסקריפטיבי דורש עדיין אימות, כיוונון עדין ופיקוח אנושי ולא אוטומציה מוכנה-מן-המדף.

השלב שאחרי הציון — מי מקבל תמיכה, והאם היא הוקצתה היכן שנדרש — שייך לתמיכה והצלחת תלמידים, שנושא את ראית הפנייה, ההפנייה וההקצאה שעליה שכבת הפרסקריפציה של עמוד זה מזינה.

תוצאת יושרה נכנסת לאותה שכבה חזותית. Akçapınar (2026) חוזה סיכון רמאות בסיוע בינה מלאכותית משמונה השבועות הראשונות של עקבות Moodle ונגן וידאו, תוך הגעה ל-AUC של 0.763 עם רגרסיה לוגיסטית, וטוען שהאות שמיש בדיוק מכיוון שהוא מגיע לפני הבחינה ולא במהלכה.

שורה משלימה מכוונת אל הפרשנות של האנליטיקה עצמה. Marques et al. (2026) מסגרת FACTRIA מארגנת את גורמי ההטיה שמאחורי אינדיקטור — צינור, מוסד, קורס ודמוגרפיה — וצ'טבוט עם הנחיית רפלקציה העלה את תת-הגורמים ש-11 בעלי עניין שקללו כל מקרה מ-1.41 ל-3.45 (d = 2.15), והזיזם מקריאות ישירות לקריאות מותנות.

שיטות וניתוח רשתות

שיטות רשת הן ליבת האנליטיקה של הלמידה: ניתוח רשתות מעבר (transition network analysis, TNA) ממנהל רצפים זמניים של פעולות לומד (למשל, לולאות התיקון והצ'אט בכתיבה צ'טבוטית-מפוגמת), וניתוח רשתות אפיסטמי (epistemic network analysis, ENA) ממפה כיצד קודים/בנייות משתתפים יחד בפעילות — יחד חושפים את התהליך של הלמידה ואינטראקציית הלומד עם הבינה המלאכותית ולא רק את תוצרו.(Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)(Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

• ניתוח רצף + שרשראות מרקוב של התנהגות מונחית-עצמית. An, Hammock & Goel (2025) שילבו ניתוח רצפי פעילות, אשכול היררכי ומודלי שרשראות מרקוב על זרמי הלחיצות של 315 לומדים מקוונים שבנו 822 מודלים אקולוגיים ב-VERA, ועיכלו תשעה אשכולות התנהגותיים דקי-גרגר ומבוססי-מעבר לשלושה דפוסים רחבים יותר (תצפית, בנייה, חקירה). העבודה שלהם מדגימה ששילוב ניתוח רצף עם מודלנציית שרשראות מרקוב יכול לחשוף התנהגות משמעותית במשימות מונחיות-עצמית לא-מבניות אפילו בהיעדר מוחלט של נתונים דמוגרפיים או הקontextualיים.

• אנליטיקת למידה ו-GenAI מעצבים עיצוב למידה בצורות שונות (2026). Claassen et al. (2026) השתמשו ב-ENA על 11 קבוצות מיקוד של מרצים כדי להשוות כיצד אנליטיקת למידה לעומת בינה מלאכותית יוצרת מניעים קבלת החלטות בעיצוב הלמידה. דיוני אנליטיקת למידה התמקדו במידע הקontextualי, בעיצוב ברמת הקורס, ובפתרון בעיות יצירתי (אנליטיקת למידה לאבחון מעורבות ולמיקוד תמיכה), בעוד שדיוני GenAI התמקדו בעיצוב ההערכה ובעיצוב לקביעה-עצמית של התלמיד (GenAI לאידאוציה ולפיתוח הערכה). הקשר ויצירתיות היו מרכזיים בשניהם — תזכורת שאנליטיקה מניעה עיצוב רק בתוך הקשר פדגוגי ובאוטונומיית המרצה.

• עקבות התנהגותיות אינן מדדים של מצב קוגניטיבי — במיוחד עבור לומדים עם צרכים מיוחדים. Vasileiou et al. (2026) מזהירים שעקבות-אינטראקציה (זמן במשימה, טעויות חוזרות, חיפוש-עזרה, התקדמות לא-סדירה) יכולים לעזור למורות לאמת היכן הלומד זקוק לתמיכה, אך אינם מדדים שקופים של מצבים פנימיים: תגובה איטית עשויה לשקף חשיבה זהירה, עיבוד-שפה, היסוט, עיצוב לא-נגיש או קושי טכני. "אלגוריתמים אינם אמורים להסיק גירעון-אקזקוטיבי או סטטוס-אבחוני מנתוני-התנהגות בלבד" — האנליטיקה מוגנת כמקור-מידע אחד בתוך הערכה מקצועית ודיאלוג עם הלומד.

• אנליטיקת עיצוב: כריית רצפי פעילות מתוכננים במקום עקבות (2026). Divjak, Svetec and Horvat (2026) יישמו שרשראות מרקוב וכריית דפוסים רציפים על הרצף המתוכנן של 29,064 פעילויות הוראה ולמידה ב-554 קורסים שתוכננו בכלי עיצוב-למידה פתוח. מטריצת המעברים שיאנה בתערוכה להערכה-לדיון (0.332), מעברים עצמיים שלטו בתרגול (0.317) ורכישה (0.292), והכלל הרציף החזק ביותר היה רכישה להערכה לתרגול לתרגול (confidence 0.743, lift 1.449), בעוד שהמסלול הרב-שלבי הנפוץ ביותר היה רכישה, תרגול, תרגול, הערכה (120 הופעות). דיון והערכה היו הסוגים הנגישים ביותר ויצירה המרוחקת והספורדית ביותר. המחקר הוא תזכורת שאנליטיקת למידה אינה חייבת להתחיל מעקבות LMS: נתוני שלב-העיצוב יכולים לחשוף את הדקדוק הפדגוגי של קורס לפני שכל תלמיד מגיע, אם כי המחברים מדגישים שהדמיון לעיצובים של היפוך, מבוססי-חקירה או מבוססי-פרויקט אינו ראיה לכוונה.

• מודלי שפה גדולים מחללים-עצמיים (2026): צינור דו-שלבי מחלל מעריך אנליטיקת-למידה בקופסה שחורה ואת הפרשנות שלו לאחר-העובדה למודל שפה גדול קטן ופתוח-משקל שמחזיר גם הערכה ברמת פרט וגם הסבר בשפת טבע. ביקורת הנאמנות-ראשית מעריכה אם הנרטיבים תואמים לייחוסים שהם מתארים; סימולציה מראה שחזור כמעט-ללא-אובדן (r > .90) עם מנטור-אורקל, ומציעה נתרך שעדיף שקוף וניתם לפריסה לאנליטיקה (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

• מאפשרי התערבויות חינוכיות מבוססות-אנליטיקת למידה (2026). Svetec, Divjak & Kadoić (2026) מזהים ומסדרים בעדיפות שבעה מאפשרים להתערבויות חינוכיות אמינות מבוססות-אנליטיקת למידה באמצעות דלפי + AHP + SNAP: נטייה מוסדית אסטרטגית, יסודות פדגוגיים ומחקריים אחרים, משאבים זמינים, תמיכה פדגוגית, אתיקה וממשל נתונים, מעורבות בעלי עניין, והבטחת איכות. הנטייה המוסדית האסטרטגית דורגה גבוהה ביותר (והמשפיעה ביותר על מאפשרים אחרים), עם משאבים זמינים שניים. אמינות (תאימות אתית, אלגוריתמים שקופים וללא הטיה, תוקף פדגוגי) ממוסגרת כתנאי המוקדם שבלעדיו התערבויות מבוססות-אנליטיקת למידה אינן משמעותיות.

• עומק אינטראקציה עם מודל שפה גדול חוזה איכות משימה אך לא שימור (2026). Tsiligkiris (2026) מקשר טלמטריה שיחתית ברמת תור עם מודל שפה גדול (עומק/נפח/קצב) לתוצאות למידה: "עומק" של חיפוש הסבר חזה איכות משימה שנבדקה באופן עצמאי (β = 6.27) אך לא שימור מיידי — ניתוק בין הבנה מונחית-עריכוב לבין גיבוב מונח-אחזור, בעל השלכות על האופן שבו אינטראקציית מודל שפה גדול נמדדת ומוערכת באנליטיקת למידה.

• יחידת אינטראקציה משותפת חסרה. לאורך 46 סיווגים מ-33 מחקרים אין מאפיין-מטא משותף — תוויות דומות מכנות תופעות שונות — ולכן הסקירה מציעה את פרק האינטראקציה, חילופי-מכוונים וחסומי-מטרה, כיחידה לקישור בין דיאלוג לרכישת יכולת (Borchers, Jansen & Weidlich (2026)).

• סימולציה של שיח שיתופי לאנליטיקת למידה. Fang (2026) משתמש בסוכני מודל שפה גדול מכוונים-דווקא לכל משתתף כדי לשחזר דיאלוגים של פתרון בעיות שיתופי, שאומתו בניתוח רשתות אפיסטמי (מרחק ENA 0.17, p של פרמוטציה = 0.65). הגישה מציעה לחוקרי אנליטיקת למידה דרך ניתמת-הרחבה לייצר שיח שיתופי אותנטי ללימוד דינמיקות אינטראקציה, חילופי-תורות, ומסלולי קודים תימטיים ללא איסוף נתוני אנוש חדשים.

• נתונים פתוחים ושחזוריים ואנליטיקה מוכנת-עקבות. ASTRA משחרר סט מדדים סינתטי עם סכמה מוכנה-עקבות (N=540; 360 מפגשים; 1,440 פרקים) לניתוח אינטראקציה ואיזון השתתפות בתכנות שיתופי. נתוני יומן ועקבות הם המשקל-הנגדי הטבעי לדיווח עצמי בספרות זו: אותה בנייה נמדדת לעתים קרובות פעמיים, פעם אחת על ידי שאילה ופעם אחת על ידי תצפית, ושניהם אינם מסכימים תמיד. בנפרד, מסגרת ML מחקרית עם ניתוח SHAP זיהתה את הבנייות הקשורות-ללמידה הקשורות ביותר לשימוש ChatGPT אקדמי מכוון בקרב סטודנטים אוניברסיטאיים, תוך תעדוף של פרשנות (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

• תשתית אנליטיקה לשימוש חוזר, שאומתה רק פנים-מוסדית (2026). Bai et al. (2026) שחזרו ממצאים מפורסמים משלושת עוזרי ה-AI של ג'ורג'יה טק על ידי שינוי ערכי תצורה במקום קוד, אם כי הטענה נשענת על ניתוח מחדש של מערכי נתונים קיימים של מוסד בודד והרחבת היכולת האחת בוצעה על ידי אנשי פנים.

קשרים

אנליטיקת למידה מתחברת לעקיבת ידע (האנליטיקה המרכזית), להערכה יוצרת (הערכה מונחית-אנליטיקה), למודלנציית תלמיד (ייצוג הלומד שהאנליטיקה מאכלסת), לפרטיות (המגבלה האתית), ולפלטפורמת EdTech (היכן שהאנליטיקה נפרסת). מכיוון שאנליטיקה פרסקריפטיבית מוערכת ביתר ויתר על לומדים מדומים — שבהם מנות תלמידים סינתטיות מחליפות מנות אמיתיות במבחנים מבוקרים — אנליטיקת למידה מתחברת גם לסימולציית תלמידים.

• מה שלוחות המחוונים הופכים לגלוי קובע על מה המורים פועלים. Köroğlu et al. (2026) סקרו 27 מחקרים אמפיריים (2016–2025) ובנו טקסונומיה סוציו-טכנית של קבלת החלטות מרצה נתמכת-AI לאורך שמונה סוגי החלטות: הוראה, תכנית לימודים, הערכה, משוב, סביבת למידה, רגשית, מנהלית ואתית. לוחות מחוונים של אנליטיקת למידה היו המערכת המדווחת בתדירות הגבוהה ביותר, והקידוד מראה תמיכה מרוכזת בהחלטות ההוראה, המשוב וההערכה שניתן להזין אותן מנתוני טקסט התנהגותיים ונתוני יומן, בעוד שהחלטות רגשיות, אתיות, של תכנית לימודים וסביבת למידה נתמכו לעתים רחוקות. המחברים קוראים זאת כאפקט תשומת לב ולא כמגבלת יכולת: מכיוון שהמערכות הפכו נתוני תלמיד התנהגותיים לגלויים ולמעשיים, דאגות מוטיבציה, מטאקוגניציה, רגש וסביבה נפלו מחוץ למה שהנתונים הזמינו למרצים לשקול.

אינסטרומנטציה ברמת התהליך היא הצעד הבא מטה של השכבה התיאורית. Prol et al. (2026) הרחיבו פלטפורמת בעיות פרסונס קוד פתוח כדי לתעד כל הצבת בלוק, הסרה ושליחה כעקב כרונולוגי, לשייך כל שליחה לצביעת נכונות לכל בלוק ולהיסטוריית ניסיונות, ובאופן אופציונלי להעביר את העקבות דרך צינור מודל שפה גדול שמתווה דפוסי קושי חוזרים לסקירת המרצה. לאורך 68 סטודנטים בקורס תכנון תוכנה Java ברמה מתקדמת ו-36 בקורס Python מקדים, הניתוח חשף את אותם שלושת הקשיים — בחירת סוג חריגה שגוי, החלפת return ב-throw, וסדר זרימת בקרה שגוי — שספירות נכונות וניסיונות אינן יכולות לחשוף, מכיוון שהן עונות על האם הסידור היה נכון ולא על מה היה התהליך. הבינה המלאכותית פועלת כמפרש עבור המרצה ולא כמדייק של הסטודנט, והפלט שלה ממוסגרת כהשערה לסקירה על קשיים של הכיתה ולא כציון.

• קיר מערכת הלמידה: נתוני יומן אינם מתכללים בין פלטפורמות. MATHia, i-Ready ו-IXL מגדירים כל אחד אפילו בניות בסיסיות — "ניסיון", "רמז" — בצורות שונות, ולכן מודלים אינם יכולים לעבור ביניהם. תגובה בעבודה-בתהליך תוקפת את הבעיה מכיוון הווידאו: צינור Gemini מחלל הקלטות מסך של הוראה לתמליל מסך-יחיד המיושר ליומני MATHia המקוריים כאמת-קרקע. מה שהווידאו משחזר שאף זרם בודד לא: פיגום לוח מחיקון, עבודת מחשבון שקטה בכלים חיצוניים, והקשר מחוץ-למסך שהלוגים המקוריים מקטינים ל"חוסר פעילות". אתגרים פתוחים נשארים בעיגון זמני, סחף שעון, והפרדת אירועי פלטפורמה מתהליכי למידה אחרים. (Towards breaking the learning system wall using multimodal tutoring transcriptions)

מושגים מקושרים

• בינה מלאכותית מוסברת
• עקיבה אחר ידע
• מידול הלומד והוראה אדפטיבית
• הערכה עיצובית
• פרטיות
• פלטפורמת EdTech
• מעורבות סטודנטים
• הערכת מערכות בינה מלאכותית בחינוך
• משוב
• השכלה גבוהה
• חינוך גן ותיכון (K-12)
• מודלי שפה גדולים (LLM)
• סימולציית סטודנטים
• מידות דיווח-עצמי
• מערכות המלצה ומסלולי למידה
• תמיכה והצלחת סטודנטים — צד התמיכה שעליו החיזוי מזין: הפנייה, הקצאה והתוצאות שהן מזיזות או אינן מזיזות

מאמרים מקושרים

• Responsible Institutional Analytics: Interpreting Bias with AI Support — Responsible Institutional Analytics: Interpreting Bias with AI Support

• AI-Supported Lecturer Decision-Making in Higher Education: A Socio-Technical Perspective — AI-Supported Lecturer Decision-Making in Higher Education

• Federated and Explainable Learning Analytics for Privacy-Preserving Academic Risk Modeling Across Heterogeneous Educational Institutions — Federated and explainable learning analytics for privacy-preserving academic risk modeling (Villegas-Ch et al. 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — What students ask matters: LLM interaction depth, task quality, and immediate recall (Tsiligkiris 2026)

• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — From learning analytics to educational interventions: enablers of trustworthy LA-based interventions (Svetec, Divjak & Kadoić 2026)

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — LA and GenAI in learning design decision-making

• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction

• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies

• A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol

• Through the WordStream Glass: Revisiting Quantitative Encoding for Qualitative Learning Analytics

• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE)

• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use

• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — From Student Risk Prediction to SC2R: Counterfactual Recourse

• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Bayesian cognitive diagnosis for personalized learning paths

• Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics — Distilling self-explaining LM for learning analytics

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation

• Modelling Individual Participants as LLM Agents in Collaborative Problem Solving Simulations — Fine-tuned participant-specific LLM agents reproducing collaborative problem solving dialogues (Fang 2026)

• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — ASTRA synthetic benchmark for multi-agent tutoring and participation-balanced collaboration

• An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education — ML/SHAP determinants of future ChatGPT use in higher education

• Making machine learning findings accessible to teachers in blended classrooms — Making ML findings accessible to teachers in blended classrooms

• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — Outcome-based knowledge tracing with affinity mapping

• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis

• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models

• A Machine Learning Approach for Predicting Student Progress in Online Programming Education

• Learning paths and patterns in learning design: Insights from 500+ courses — Markov chain and pattern mining of 29,064 planned activities in 554 courses, revealing a design grammar led by Acquisition and consolidating Practice

• Pulla: A Parsons Problem Tool for Fine-Grained Behavioral Tracing and Instructor-Facing Problem-Solving Analysis — Pulla: process-level behavioral tracing and instructor-facing difficulty analysis in Parsons problems (Prol et al. 2026)

• Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains

• Beyond Compliance: A Proposed Framework for Ethical Governance of Student Data in Learning Analytics

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Using Learning Analytics to Support Secondary School Students' Writing with Generative AI

• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech

• What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

• Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics — Akçapınar (2026) — Predicting AI-assisted cheating risk from early-semester LMS traces (AUC 0.763)

• Towards breaking the learning system wall using multimodal tutoring transcriptions — Towards breaking the learning system wall using multimodal tutoring transcriptions (Thomas et al. 2026)