עיצוב למידה

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

עיצוב למידה (ידוע גם כעיצוב הוראה) — התהליך השיטתי ליצירת חוויות למידה יעילות באמצעות ניתוח צרכי הלמידה ועיצוב, פיתוח, יישום והערכה של חומרים ופעילויות הוראה. בינה מלאכותית משנה את עיצוב הלמידה באמצעות אוטומציה של יצירת תוכן, אפשרות נתיבי למידה אדפטיביים, תמיכה באיטרציה מונעת-נתונים, והגברה — במקום החלפה — של תפקיד מעצב הלמידה.

שאלות למחשבה

• חשבו על קורס או שיעור שחוויתם או עיצבתם. היכן נגמר 'מה ללמד' (תוכנית לימודים) והיכן התחיל 'כיצד ללמד אותו' (עיצוב למידה) — וכיצד השניים קיימו זה עם זה?
• הנחה נפוצה היא ששימושיות-יתר בבינה מלאכותית מייצרת אוטומטית תוכן חינוכי טוב יותר. העמוד סותר זאת בראיות שמבנה פדגוגי מפורש — ולא רק שימושיות בבינה מלאכותית — הוא מה שקובע את יעילות הלמידה. היכן ראיתם פלט מרשים שלא לימד?
• אם כלי בינה מלאכותית יכול לייצר קורס שלם מהנחיה, אילו החלטות אנושיות הופכות ליותר חשובות ולא פחות? העמוד טוען שבינה מלאכותית מגבירה במקום להחליף את תפקיד מעצב הלמידה — כיצד היה נראה התפקיד המוגבר הזה?
• כמה מודלים של עיצוב הוראה כמו ADDIE משמשים כשלבים קשיחים וליניאריים. אך העמוד מתייחס אליהם כעריכתיים, כעזרי תכנון גמישים. מתי מעקב אחר תהליך באופן מילולי מדי עלול להחליש עיצוב טוב?
• העמוד מראה שהנחיה מפוגמת פדגוגית — למשל, מסגרת בחמישה שלבים המבוססת על תיאוריית למידה — שיפרה באופן מובהק תוצאות מסדר גבוה. אם הייתם בונים חונך AI, מה הייתם מקודדים בשכבת עיצוב מפורשת כדי שאסטרטגיית ההוראה שלו תישאר ניתנת למעקב ושחזור?

מבוא

עיצוב הלמידה מגשר בין יכולות בינה מלאכותית לבין פדגוגיה יעילה. בעוד עיצוב תוכנית לימודים עוסק במה ללמד ברמת התוכנית, עיצוב הלמידה עוסק בכיצד ללמד זאת ברמת הקורס והשיעור. המאמרים במאגר הידע הזה חוקרים הן את בינה המלאכותית ככלי עבור מעצבי למידה והן את עקרונות עיצוב-הלמידה לבניית מערכות חונכות AI יעילות.

עצם השאלה במה עבודת העיצוב הזו מורכת בפועל היא שאלה אמפירית. Tang et al. (2026) קידדו 1,378 פניות של מעצבים-צ'אטבוט מחמישה מעצבי למידה מתחילים שעובדו עם צ'אטבוט המוטבע בכלי עיצוב, ומצאו שהדיאלוג התקבץ על מטרות למידה מכוונות וגישה פדגוגית ולא על יצירת תוכן. המעצבים חזרו לתוצאות שוב ושוב כבדיקת יישור תוך כדי הפיכת רכיבי תוכנית הלימודים למשימות קונקרטיות, ותפקיד העוזר השתנה לאורך השלבים, מהבהרת מונחים ועד תמיכה בעיצוב משימות ועד הרצת מעבר אימות לפני מועד. תמיכה בעיצוב, לפי ראיות אלה, היא פחות על הפקת חומר ויותר על שמירת כוונת העיצוב עקבית.

אנליטיקת למידה ובינה מלאכותית יוצרת תומכות בחלקים שונים של העיצוב: על פני 11 קבוצות מיקוד באוניברסיטה אוסטרלית אחת, דיסקורס אנליטיקה הופיע ביותר לצד הקשר ופתרון בעיות ברמת הקורס (0.32), בעוד דיסקורס GenAI התמקד בעיצוב הערכה (0.26) ובעיצוב להגדרה-עצמית של הסטודנט (0.15) (Claassen et al. (2026)).

נושאי מחקר מרכזיים

יצירת תוכן בסיוע בינה מלאכותית היא היישום המשנה באופן הישיר ביותר. Curriculum as Code מציג ארכיטקטורה בשישה שלבים המשלבת בינה מלאכותית יוצרת עם LaTeX ו-Python כדי להפוך אוטומטית את יצירת חומרי STEM, מאומתת על פני 8 מודולים ו-28 הקשרי פרויקטים עם דירוגי איכות של סטודנטים של 8.5-9.9/10. Instructional Agents משתמש במסגרת מרובת-סוכנים הממובנת סביב מודל ADDIE, עם סוכנים מבוססי-תפקיד (סגל הוראה, מעצב הוראה, רכז קורס) המשתפי פעולה לייצור חומרי קורס שלמים. CourseBlueprint מספק צינור מובנה ליצירת וידאו פדגוגי אדפטיבי המבוסס על קורפוסי קורס, ומדגים שמבנה פדגוגי מפורש — ולא רק שימושיות בבינה המלאכותית — הוא הכרחי ליצירת תוכן חינוכי. פלטפורמות בינה מלאכותית יוצרת יכולות גם לגלם עקרונות עיצוב-למידה בתוכן שהן מפיקות: פלטפורמה המופעלת על ידי בינה מלאכותית ליצירת בעיות מידול מתמטי שילבה עקרונות עיצוב מבוססים עם הפקה מוגברת באחזור, שפותחה דרך גישת ADDIE כדי לייצר משימות והמלצות מפוגמות פדגוגית שהכלים הקונבנציונליים חסרים. עם זאת, התשואה של יצירת תוכן ושיעור בסיוע בינה מלאכותית כזו מתווכת על ידי המומחיות של המורה עצמו: Choi et al. (2026) מצאו שמורים מנוסים מתאימים ביקורתית רעיוני שיעור המיוצרים על ידי בינה מלאכותית לתלמידים ולהקשר (הנחיה חוזרת והרחבה על הפלט), בעוד מתחילים נוטים לקבל הצעות בינה מלאכותית ישירות — ולכן הערך הפדגוגי של כלי תוכן AI תלוי בניסיון המורה ובמיומנותו בבינה המלאכותית, לא בכלי לבדו. סקירה שיטתית של עיצוב-משותף של מורה-AI למשימות למידה (Wang, Liu & Islam 2026) מאשרת את הדפוס בקנה מידה גדול על פני 28 מחקרים (2015–2025): GenAI משמש בעיקר לתכנון שיעורים, יצירת הנחיות ואידאוציה יצירתית, ומודשותף הפעולה הדומיננטי הוא AI כעוזר/מחולל תוכן ולא כמעצב-משותף מלא יותר — כאשר יעילות, תגובתיות, יצירתיות ושוויון חוזרים כמתנות. Talebzadeh (2026) מחדד את ממצא מומחיות-המורה לעיצוב פעילות קבוצתית: מורים מנוסים מפיקים ארכיטקטורות תפקידים עשירות יותר, סינרגטיות יותר ומיושרות יותר ל-ZPD בפעילויות שיתופיות מעוצבות-AI מאשר מתחילים ללא קשר להיכרות עם בינה מלאכותית, וממסגר "אורייות הנחיה פדגוגיות" כמנוף שהופך פלט AI ללמידה קבוצתית מובחנת יעילה.

היכן שהחומרים המיוצרים נכשלים היא התאמת תוכנית הלימודים: שבעה מורי מתמטיקה דרגו בעיות כישלון-פרודוקטיבי המיוצרות על ידי AI כקרובות לאלה האנושיות באיכות כוללת (M = 17.19 מול 17.43 מתוך 25) אך נמוכות יותר ביישור תוכנית הלימודים (M = 2.57 מול 3.29), ולכן הבעיות המיוצרות עדיין דרשו עריכה של אורך, רמת קריאה וויזואליה (Rhaimi et al. (2025)).

חונכות AI מפוגמת פדגוגית מחילה עקרונות עיצוב הוראה על עיצוב מערכת AI. Brisson et al. בנו עוזר מורה מונחה-דידקטית מבוסס מודלי שפה גדולים (LLM) שבו אסטרטגיית החונכות מקודדת בשכבה חיצונית מפורשת — מה שהופך את בחירת התוכן והמבנה הדידקטי לניתנים למעקב ושחזור, ומטפל ישירות בחששות אי-שקיפות בRethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments. Hou et al. הדגימו שמסגרת הנחיה בחמישה שלבים המבוססת על תיאוריית למידה יוצרת שיפרה באופן מובהק תוצאות קוגניטיביות מסדר גבוה, ומראה שהדרכה הוראה — ולא רק גישה לבינה מלאכותית — קובעת את יעילות הלמידה. שניים אלה מתחברים לפיגום ולחונך אינטליגנטי.

מסגרות והערכה מספקות גישות מובנות. WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators ו**CoTAL** מדגימים עקרונות עיצוב אדם-בתוך-הלולאה. Generative AI (GenAI) as a mindtool that supports generative learning (GL) מציב את AI כ"כלי-שכל" — שותף קוגניטיבי שמרחיב במקום להחליף את החשיבה של הלומד — ומחיל ישירות תיאוריית עיצוב הוראה על אינטגרציית AI. LUDIA מחילה עקרונות עיצוב אוניברסלי ללמידה כדי ליצור שותף חשיבה AI נגיש עבור מחנכים, ומקשרת עיצוב הוראה ללמידה מכילה. AIRIS (הפעלה–בירור–רפלקציה) היא מסגרת מבני-משימה לשימוש AI קוגניטיבי-מופעל שגובלת את התרומה של AI כך שחיזוי, פרשנות והערכה נשארים של הלומד — התאמה ייחודית-AI של מעגלי חקר המבוססים על למידה עצמית מוסדרת, תיאוריית העומס הקוגניטיבי ושיתוף פעולה בין אדם לבינה מלאכותית. כתוספת למסגרות העיצוב האלה, הטקסונומיה של Dohn et al. (2026) מציעה סיווג ולא שיטת עיצוב: שש קטגוריות (מטרת למידה, תוכן, פורמט ייצוג, מעורבות אפיסטמית, עיצוב חברתי, ארטיפקטים) המאפשרות למעצבים ולחוקרים לתאר, להשוות ולדמיין פעילויות למידה GenAI על ידי הפיכת המפורש למה, כיצד, עם מה ועם מי הלומדים מתערבים ב-GenAI — שנבנתה כעצם גבול באמצעות דיאלוג פוסט-דיגיטלי. מסגרות כיתה-חכמה מרחיבות זאת להכשרת מורים: Zhu, Liang, Mao, and Wang (2026) מציעים מסגרת תלת-ממדית לחינוך חכם — יעילות למידה, טכנולוגיות מידע ותקשורת (ICT), וארגון כיתה — ומממשים אותה בקורס מתמטיקה ל-M.Ed. המשלב ניקוד אוטומטי, המלצות מותאמות אישית ומשוב AI מרובה על פני שלבי טרום-, תוך-ואחרי-כיתה. ניסוי-כמעט הראה רווחים מובהקים ביכולת התלמידים לנסח מטרות הוראה מדויקות ומבוססות מקצועית, ומניב את דגם D-T-E הניתן להעברה (ביקוש משמעתי–העצמה טכנולוגית–לולאת הערכה) — הדרכה ייחודית-תחום למחנכי מורים המעבירים מושגי חינוך-חכם לפרקטיקת עיצוב הוראה מעשית.

עיצוב להגעה. מסגרת שבעת המנופים של Halani שואלת מכל סביבת קורס אילו מהמנופים עדיין פועלים כאשר התלמיד לבד עם AI; מהלכים מבניים כמו שינוי במה שהציון מעיד עליו, או משימות שלא יכולות להסתיים בלי החשיבה, מגיעים רחוק יותר מאשר לומר לתלמידים שהתהליך חשוב (Halani, 2026).

הגבלת הכלי כדי להגן על החשיבה. עיצוב כתיבה ארגומנטטיבית בתשעה שבועות סידר צ'אטבוטים מוגבלים-על-ידי-המורה ששואלים שאלות ומסרבים לייצר פרוזה של תלמיד, וארבעה תלמידי תיכון עברו מצרכני AI פסיביים למעריכים שדחפו אחורה נגד הפלטים — הגבלה אסטרטגית, ולא יוצריות-חסרת-מגבלה, עקפה אחרי הרווחים (Konradt, Boote & Taub (2026)).

הנחיה מונחית-מחוון כמנוף עיצוב. Yaşar et al. (2026) הדגימו שהמחוון מתפקד כממשק מתווך בין כוונה פדגוגית אנושית לבין הסקה מכונה: התייחסות לקריטריוני הערכה כארטיפקטים עיצוביים בעלי שחזור — ולא ככלים קבועים — ושיפור משותף איטרטיבי שלהם עם ה-LLM העלה את ההסכם בין LLM ואדם על עבודת עיצוב של סטודנטים מ-54.75% ל-81.25%. מחוונים מהונדרים עבור LLM חייבים לאזן בין דיוק לגמישות — מעורפל מדי מזמין פרשנות חופשית, נוקשה מדי מפחית את המודל להתאמת-דפוסים — והנחיה מודעת-תפקיד (מרצה, מבקר עמיתים, מבקר מענקים) הניבה משוב הערכתי נפרד. זה ממצב הנדסת מחוונים כפרקטיקת עיצוב-למידה קונקרטית לעיצוב התנהגות הערכה של AI, כאשר פיקוח אדם-בתוך-הלולאה נשאר הכרחי.

סוכני AI לעיצוב הוראה מרחיבים את התחום אל בינה מלאכותית סוכנית. ISD-Agent-Bench הוא מדד התקן והמבוסס-תיאוריה הראשון להערכת סוכני עיצוב הוראה מבוססי-LLM — מטריצת ההקשר שלו בעלת 25,795 תרחישים (51 משתנים הקשריים × 33 תת-שלבי ISD מתוך ADDIE) מראה שסוכנים המבוססים על מסגרות ISD קלאסיות (ADDIE, Dick & Carey, Rapid Prototyping ISD) מנצחים סוכנים חסרי-תיאוריה, ומאמתים אמפירית שעיצוב הוראה הוא תחום מובנה ולא משימת הנחיה גנרית. סוכנים הם לא רק בונים של עיצובים אלא גם מבקרים שלהם: Wang, Mitchell & Piech (2025) משתמשים בסוכן אינטרנט אוטונומי יחיד שמנווט שיעון מקוון מרובת-שלבים כתלמיד כדי להעריך עיצוב למידה לפני שתלמידים אמיתיים מתערבים — התיאור שלו את חוויית התלמיד חוזה היכן מתחילים יפרשו, וחושף משוב עיצובי בר-פעולה, ומנצח כל קו בסיס ואפילו קבוצה מדומה של סטודנטים בקורס CS1 גלובלי. זה ממסגר הערכה סוכנית טרום-השקה כהשלמה בעלות-נמוכה לאיטרציית עיצוב אנושית. Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design ו**Instructional Agents** חוקרים מסגרות מרובת-סוכנים שמתזמרות סוכנים מבוססי-תפקיד סביב מודלים של עיצוב הוראה, בעוד AI-TPACK בוחן כיצד מורים וסוכנים מחילים יחד ידע טכנולוגי-פדגוגי-תוכני. עבודה זו מקשרת עיצוב הוראה למדדי ביצוע, להערכת מערכות בינה מלאכותית בחינוך, ולעיצוב של תוכנית לימודים בקנה מידה גדול.

קשרים למושגים קשורים

עיצוב הלמידה הוא התחום הגשר של בינה מלאכותית בחינוך — הוא מקשר עיצוב תוכנית לימודים (מה ללמד) עם פיגום (כיצד לתמוך בלומדים), פיתוח חינוכי (כיצד להכין מחנכים), ובינה מלאכותית יוצרת (הכלים עצמם). הוא קשור בצורה הדוקה להוראה מפני שכלי AI מעצבים מחדש מה שמעצבי למידה ומורים עושים, ולאוריינות AI מפני שאינטגרציה יעילה של AI מחייבת שמחנכים יבינו יכולות ומגבלות של בינה מלאכותית. עבודת עיצוב מתפתרת בסופו של דבר לסדר של פעילות: דפוסים פדגוגיים מתעדים את הסדרים הנבדקים של מהלכים, כדי שמעצב יוכל להחליט היכן בשיעור בינה מלאכותית שייכת ולא רק מה לכלול. מדעי הלמידה הם שדה המחקר שמאחורי העקרונות האלה: בעוד עמוד זה מכסה את הפרקטיקה המקצועית של יצירת חוויות למידה, מדעי הלמידה חוקרים את הפרקטיקה הזו ואת העיצובים שלה אמפירית ומייצרים את העקרונות הקוגניטיביים, המוטיבציוניים והחברתיים שעיצוב הלמידה מתפעל אחר כך.

כיצד עיצוב למידה קובע רווחי למידה

עיצוב הלמידה הוא המנוף שקובע אם בינה מלאכותית מפיקה רווחי למידה או רק ביצועים מנופחים-AI. הראיות במאגר הידע עקביות על כך: אותו כלי AI מניב רווחים גדולים או נזק נטו בהתאם לאופן שבו חוויית הלמידה מעוצבת סביבו. Hou et al. הראו שמסגרת הנחיה בחמישה שלבים המבוססת על תיאוריית למידה שיפרה באופן מובהק תוצאות קוגניטיביות מסדר גבוה, בעוד גישה לבינה מלאכותית לבדה לא; מסגרות כלי-שכל וAIRIS שומרות על העבודה הקוגניטיבית של הלומד כך שרווחים עמידים (ולא יעילות-משימה) נוצרים. בחירות עיצוב שמגנות על רווחי למידה — פיגום שמחייב ניסיון תלמיד, הערכה עיצובית עם מדדי תוצאה לא-מסוימים, ומבנה פדגוגי ששומר על הלומד כסוכן — משקפות את ממצא התחום (ראו רווחי למידה) שבינה מלאכותית היא רווח חזק כאשר היא מאומנת ונזק כאשר היא עונה.

לעומת זאת, שיעורים המשולבים-AI המעוצבים בצורה גרועה נופלים קורבן לפער הביצועים-למידה, שבו הצלחה לכאורה מסתירה אי-למידה.

הדרכה מעשית למעצבים ולמפתחים

למעצבי הוראה, מפתחי קורסים, ומהנדסים הבונים חוויות למידה בסיוע AI, הממצאים במאגר הידע מתורגמים לפרקטיקה בר-פעולה. גבול אחד ראוי לסימון לפני הפרקטיקות עצמן: עיצוב הלמידה כפי שהעמוד הזה מתאר אותו הוא עיצוב של קורס עבור קבוצה ידועה, בעוד אותם עקרונות המוטבעים במוצר שקורסים רבים — בהוראם של אנשים שהמעצב לא יפגוש — ישמשו בו הם העבודה של מפתחי טכנולוגיה חינוכית, שבה ברירות מחדל, יכולת הגדרה ותיעוד נושאים משקל פדגוגי:

עיגון יצירת AI במודל הוראה מובנה. תוכן AI הוא רק כמו המבנה הפדגוגי שמאחוריו — מבנה מפורש, לא שימושיות AI, קובע איכות. עוצבו סביב מודל מוכר (ADDIE, Dick & Carey, אבות-טיפוס מהירים) וקידדו החלטות פדגוגיות במפורש במקום להסתמך על המודל להסיק אותן.(CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora)(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)(A didactical-driven teacher assistant for a dimensional modeling course)

אימוץ מסגרת ברמת-עקרון בנוסף למודל הוראה. מודל ברמת-קורס ממסדר עיצוב אחד; מסגרת מפורסמת קובעת את הקריטריונים שעיצובים רבים צריכים לספק. דוגמה ראויה לקריאה במלואה היא Powerful Learning with Emerging Technology של Digital Promise, שמארגנת את ההדרכה שלה תחת שלושה עקרונות — מבוסס-ראיות, ממוקד-לומד, בונה-מיומנויות — כל אחד מורחב לפרקטיקות ואסטרטגיות, ומצרפת פרטיות, יכולת הסבר והוגנות לפרקטיקות מסוימות כחובות בטיחות ולא כתוספות אופציונליות.(Powerful Learning with Emerging Technology)

התאמת תצורת ה-AI למשימה, לא למורכבות. Nalyvaiko (2026) מבחין בין ארבע שכבות — הנחיה, הקשר, מותקן, ולולאת אימות — ומחיל עקרון השכבה המינימלית-המספקת: השתמשו בתצורה הפחות מורכבת שמסוגלת לתוצאה ניתנת-לאימות, מכיוון שתזמור מוסף מביא עלויות תיאום, אימות, פרטיות והבנה.

שימוש בזרימות עבודה מרובת-סוכנים מבוססות-תפקיד להפקת תוכן. במקום הנחיה גנרית אחת, תזמרו סוכנים/תפקידים נפרדים (סגל הוראה, מעצב הוראה, רכז קורס) המשתפי פעולה באמצעות צינור מוגדר — זה משקף כיצד קבוצות קורס אמיתיות עובדות ומניב חומרים שלמים יותר מהנחיה בודדת.(Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design)(Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design)

מתן הדרכה הוראה, לא רק גישה ל-AI. בין אם הלומדים מתערבים עם AI ישירות או עם חומרים המיוצרים על ידי AI, הדרכה המבוססת על תיאוריית למידה (למשל, פיגום צעד-אחר-צעד מבוסס-הנחיה המבוסס על עקרונות למידה יוצרת) מניעה תוצאות מסדר גבוה; גישה לבדה לא. עוצבו את פעילות הלמידה סביב האופן שבו הנפש לומדת, והתייחסו ל-AI כ"כלי-שכל" קוגניטיבי שמרחיב חשיבה במקום להחליף אותה.(The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering)(Generative AI (GenAI) as a mindtool that supports generative learning (GL))

מידול שיכחה, ותזמון סקירה היכן שהדעיכה הגרועה ביותר. G4L מייצג דעיכת ידע בעזרת עקומת שיכחה של Ebbinghaus המונעת מזמן שחלף וחזרות, ומתעדף את היחידות הפגיעות ביותר לדעיכה במקום להגיש מחדש את מה שנצבר לאחרונה (Csépányi-Fürjes & Kovács, 2026).

Fowlin et al. (2026) מוסיפים מהלך תפעולי להחלטה היכן AI נכנס: פירוק פעילות לרכיבים הנעשים באופן עצמאי טוב יותר ולאלה המשולבים עם AI, תוך שמירת שיפוט המחנך מרכזי בחלוקה (Fowlin et al. (2026)).

הפיכת התוכן לניתן למעקב ולסקירה. אפשרו למעצב אנושי לסקור ולתקן פלט AI לפני שהוא מגיע ללומדים, ומבנים יצירת AI כך שהנימוק הפדגוגי (מדוע תוכן זה, בסדר הזה) ניתן לבחינה — ומטפל הן באיכות והן בחששות אי-השקיפות שמחלישים הוראה הנוצרת על ידי אמון. (WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators)(CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback)

• סקירת מדיה המיוצרת על ידי AI בשלב התסריט, לא לאחר הסינתזה. PedaCo מציב סקירת מחנך על התסריט — שבו שגיאות פדגוגיות זולות לתיקון — לפני שמשהו מרונדר; תוקף הוראה מדורג עלה מ-3.07 ל-3.86, בעוד שכבת הסינתזה-האוטומטית שאחריהן שיפרה שניים מחמשת הממדים בלבד (Kim, Baek and Kwak (2026)).

עיצוב עבור נגישות מההתחלה. החליפו עקרונות UDL בעת בניית כלי AI וחומרים המיוצרים על ידי AI כדי שישרתו לומדים מגוונים, במקום לתקן נגישות בדיעבד.(LUDIA: A Design and Evidence Statement)

תכנון עבור אמצעי המסירה. עיצוב הוראה עבור הוראה ולמידה מקוונות אינו תרגום ניטרלי של עיצוב פנים-אל-פנים — האמצעי משנה אילו פיגום, הערכה ואינטראקציה הם ישימים, ו-AI מכפיל הן את ההזדמנויות (התאמה אישית בקנה מידה גדול, תמיכה תמידית) והן את הסיכונים (יושר אקדמי, פריקת עומס קוגניטיבי) שהמעצבים חייבים לתכנן. עוצבו את העטיפה הפדגוגית של AI בכוונה באינטרנט כבסביבה פנים-אל-פנים.

הערכה כנגד מדד ביצוע, לא כנגד תחושות בטן. אם אתם בונים סוכן עיצוב הוראה, העריכו אותו כנגד מדד תקני ומבוסס-תיאוריה (למשל, ISD-Agent-Bench) כדי שתוכלו למדוד אם עיגון במסגרת ISD אמיתית משפר בפועל את הפלט על פני LLM גנרי.(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• AI מעיצב מחדש את פרקטיקת עיצוב ההוראה. Kibar & Ilgaz (2026) סוקרים שיטתית 28 מחקרים (2020-2025) ומוצאים ש-AI מסייע למעצבים עם יצירת תוכן, תבניות והתאמה אישית, ומופיע כעמית-עבודה/שותף/שותף-משותף ולא רק ככלי — אם כי יישור פדגוגי ומוכנות פרקטיקנים נשארים אתגרים.

מושגים מחוברים

• פרשנות ויישום מחקר AIED
• שיתופי פעולה פדגוגיים — שותפויות פדגוגיות
• הוראה ולמידה מקוונות — הוראה ולמידה מקוונות
• עיצוב תוכנית לימודים
• פיגום
• פיתוח חינוכי
• הוראה
• אוריינות AI
• בינה מלאכותית יוצרת
• חונך אינטליגנטי
• למידה מותאמת אישית
• למידה מסתגלת
• הערכה עיצובית
• השכלה גבוהה
• חינוך גן ותיכון (K-12)
• בינה מלאכותית סוכנית
• למידה מכילה
• עיצוב אוניברסלי ללמידה
• תיאוריות למידה
• מדעי הלמידה
• רווחי למידה
• ביהביוריזם
• מפתחי טכנולוגיה חינוכית
• פדגוגיות ואסטרטגיות הוראה — מטרייה: פדגוגיות ואסטרטגיות הוראה בחינוך עם בינה מלאכותית
• בעלי עניין — מטרייה: אנשים וקהלים בחינוך עם בינה מלאכותית (לומדים, מורים, מעצבים, מנהלים, קובעי מדיניות)

מאמרים מחוברים

• Powerful Learning with Emerging Technology — Powerful Learning with Emerging Technology
• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — LA ו-GenAI בקבלת החלטות עיצוב-למידה
• Investigating the Role of Chatbots in Facilitating Learning Design — שימוש בצ'אטבוט בעיצוב למידה: מעצבים שוהים על תוצאות ופדגוגיה ולא על יצירת תוכן (Tang et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — דפוסי אינטראקציה מורה-AI בעיצוב שיעור על פני ניסיון ומיומנות AI (Choi et al. 2026)
• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — AI בהשכלה גבוהה: מעורבות + תפקיד מתווך של שיטות הוראה
• Curriculum as Code: An AI-Assisted Architecture for Instructional Design in STEM Education
• Collaborative Making of a Boundary Object for Classifying Generative AI Learning Activities — טקסונומיה (עצם גבול) לסיווג פעילויות למידה GenAI
• Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design
• A didactical-driven teacher assistant for a dimensional modeling course
• The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering
• CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback
• Generative AI (GenAI) as a mindtool that supports generative learning (GL)
• LUDIA: A Design and Evidence Statement
• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents
• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — AI Web Agents: סוכן אינטרנט אוטונומי מעריך עיצובי שיעור וחוזה נשירת סטודנטים לפני שתלמידים מתערבים (Wang, Mitchell & Piech 2025)
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: מסגרת להגברה AI קוגניטיבית-מופעלת בפיזיקה
• Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design
• Designing for Reach: Seven Levers and the Student Alone with AI — Designing for Reach: שבעה מנופים והתלמיד לבד עם AI
• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — When Saying No Makes Better Videos: שמירה כפולה ליצירת תוכן AI מפוגמת פדגוגית
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: AI לתמיכה בעיצוב בעיות כישלון פרודוקטיבי
• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — AI and Instructional Design Practice: A Systematic Review (Kibar & Ilgaz 2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Making AI annoying on purpose: הגבלה בכתיבה בתמיכת AI (Konradt, Boote & Taub 2026)
• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — מודל כיתה-חכמה ולולאת D-T-E המשפרים מיומנות עיצוב הוראה במתמטיקה ב-M.Ed. (Zhu et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — פלטפורמה המופעלת על ידי AI מייצרת בעיות מידול מתמטי (ADDIE, RAG)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — עיצוב-משותף של מורה-AI למשימות למידה: מגמות ופרספקטיבות (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — ארכיטקטורת תפקידים בפעילויות קבוצתיות מובחנות מעוצבות-AI (Talebzadeh 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLMs as agents of iterative pedagogical design