מדעי הלמידה

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

מדעי הלמידה — שדה המחקר הבין-תחומי החוקר כיצד אנשים לומדים וכיצד לעצב סביבות שבהן למידה מתרחשת, ואשר שואב מקוגניטיביזם, מתיאוריית למידה, ממדעי המחשב ומבלשנות, ושופט את העיצובים שלו עם עדות אמפירית ולא עם תיאוריה בלבד. במאגר הידע זהו שדה המחקר סביב בינה מלאכותית בחינוך ולא אחד מנושאי בית-הספר: הוא מספק את המנגנונים שמערכות AI מפעילות (רכיבי ידע, ספי שליטה, העברה), את אובייקטי העיצוב שהם מוטבעים בהם (רצפי קורס מתוכננים, מורים, משטרי משוב) ואת הסטנדרטים שבהם הם נשפטים (עליות למידה, תקפות הערכה, שוויון). השאלה המארגנת שלו אינה האם כלי מתפקד היטב אלא האם לומד השתנה.

שאלות למחשבה

• לומד עובר כל פריט תרגול, ולכן סף השליטה מסיים את הסט — ואז מיישם לא-נכון את הכלל במקום שבו הפעולה צריכה להימנע. של מי הטעות: הלומד, המודל, או כלל העצירה?
• כריית רצפים יכולה לתאר 554 קורסים כתבניות מבלי לצפות בכיתה. מה התחום מרוויח, ומאבד, מלימוד כוונות מעוצבות במקום פעילות מבוצעת?
• רגישות דמוגרפית במשוב של LLM נראית כהסתגלות כשעוקבת היא אחר רמת החינוך המצוינת של הלומד, וכהטיה כשמזיזה סנטימנט. האם שדה שאינו מסוגל להפריד בין השניים צריך להמשיך להשתמש במודלים פתוחים להערכה?
• האם התיאבון של מדעי הלמידה לעיצוב סיבתי — הקצאה רנדומלית, ביקורות קונטרפקטואליות, מודלים ברי-הרצה של הלומד — מצמצם מה נחשב לעדות בבינה מלאכותית בחינוך?

מבוא

מדעי הלמידה חוקרים למידה ואת עיצוב סביבות הלמידה, והם מוגדרים על ידי השיטות שלהם כמו על ידי הנושאים שלהם: ניסויים, ניסויי כיתה, מידול כמותי של נתוני תלמידים, ניתוח איכותני של עיצובים והקשרים, ומחקר מבוסס-עיצוב שבונה התערבות ומתקן אותה בשימוש. הרוחב הזה מפריד עמוד זה מהשכנים שמספקים את המסגרות, את הנוהר ואת הכלים; הסעיף שלהלן קובע כל גבול ומה שהשדה ביסס בצד השני שלו.

עמוד זה מכסה את הידע המהותי שהשיטות האלה ייצרו — מה לומדים עושים עם מודל יוצר, אילו סידורים משנים תוצאות, והיכן הכלים של השדה עצמו נכשלים. AIEd ספציפי-תחום לוקח את הקט הנגדי, ומחזיק שחומר הנושא משנה מה התמיכה צריכה לעשות; מדעי הלמידה לוקחים את המבט החוצה, והמנגנונים שהם בודקים נאספים תחת קוגניטיביזם.

כיצד AI מופיע במדעי הלמידה

• מנגנון תחילה, ואז המודל. An, McLaren and Stamper (2026) הרצו אחד-עשר ניסויים (N = 192) עם מערכות חונכות חכמה לריישי מנג'ונג והראו שלומדים שהיוו ייצור מוכלל-יתר — הפעולה ללא אילוץ היישום שלה — יישמו אותה לא-נכון בפריט "אל-תפעל" הראשון ב-61.5%–100%, לעומת שגיאה צפויה של 12% תחת איתור-ידע בייסיאני. עם סף שליטה של 95% המערכת עצרה תרגול לפני שלומדים פגשו מקרה הדורש את הפעולה להימנע, ולכן הליקוי לא התגלה. תרגול "אל-תפעל" קצר עם משוב מכנה את האילוץ החסר חתך את היישום-הלא-נכון ל-0.0%–23.1% (Cohen's h 1.70–2.44), וניתוח משני של שלושה-עשר מערכי נתונים של Decimal Point בכיתה K-12 מצא את אותו מבנה בהטיית מספר שלם (84%–88% משגיאות ההשוואה).

• האופטימום תלוי בתוכן. Rachatasumrit, Koedinger and Carvalho (2025) מתייחסים ליחס דוגמאות–בעיות כאינטראקציה תוכן-טיפול: בניסוי 2×2 עם 95 משתתפים על חומר גיאומטריה-שטח, אימון תרגול-בלבד ייצר עליות למידה גדולות יותר לעובדות מילוליות בעוד שאימון משולב-דוגמאות ייצר עליות גדולות יותר למיומנויות בכללניות (β = 0.41, p = .038, d = 0.38). לומד מדומה (Apprentice Learner) שחזר את ההצטלבות רק כשקיבל מנגנון זיכרון-ושכחה בסגנון ACT-R. תרגול רב יותר אינו טוב יותר באופן אחיד: תוכן מוכוון-זיכרון מצדיק אחזור, ומיומנויות מוכוונות-אינדוקציה מצדיקות דוגמאות משולבות.

• עיצוב כאובייקט ניתן-ניתוח. Divjak, Svetec and Horvat (2026) הפנו את אנליטיקת הלמידה על עיצוב הלמידה עצמו, בקידוד 29,064 פעילויות ב-554 קורסים שתוכננו בכלי עיצוב-קורס חופשי. רכישה הייתה סוג הלמידה הנפוץ ביותר ונקודת הכניסה הנפוצה ביותר; המעבר המרקובי החזק ביותר היה הערכה → דיון (0.332) והכלל בעל הביטחון הגבוה ביותר היה רכישה → הערכה → תרגול → תרגול (0.743, lift 1.45). סוג הלמידה עקב אחר רמת התוצאה המיועדת, רכישה נופלת מכ-50% מהפעילויות ברמת Bloom 1 לכ-20% ברמה 6. המחברים מדגישים שאלה עיצובים קדם-יישום: דמיון לרצפים הפוכים, מבוססי-חקירה או מבוססי-פרויקטים אינו עדות לכווונה.

• ביקורת המודלים שמעריכים. Rooein, Benedetto and Hovy (2026) ביקרו שישה LLMs על פני ניקוד חיבורים, משוב יוצר, ושאלות ותשובות, תוך שהם מחזיקים את קלט המשימה קבוע ומשנים רק הקשר דמוגרפי (192,480 קריאות). הניקוד היה יציב תחת פרסונות מפורשות, אך Llama-70B הניף את הציונים שלו ב-1.57 נקודות תחת היסטוריית שיחה מרומזת (p < 0.001), והשכלה גבוהה משכה תגובות פחות-קריאות וחיוביות יותר — פער סנטימנט של כ-4 סטיות תקן. אפקטי הקריאות התכווצו בעוד שאפקטי האורך גדלו, וחלק מהמקדמים שינו סימן בין תנאים. המחברים מציעים זאת ככלי ביקורת, לא כפסק-דין פריסה, וקוראים את הסבוך של סיגנל דמוגרפי וטופי כאיום לתקפות ולשוויון.

• מדידת מיומנות, וגבולותיה. Verí (2026) מארגנים כלים לשימוש מיומן בבינה מלאכותית יוצרת לארבעה תחומים — ידע ושימוש, פיקוח אפיסטמולוגי, כיול הסתמכות, ושליטה על סוכנים משתמשים-כלים — ומסרבים לקבץ אותם לרצף מיומנות אחד. שלוש קורלציות מאותה-דגימה בין אוריינות AI מדורגת-עצמית למדגימה אוגדו ל-r = .055 (95% CI [-.047, .156], N מדווח = 2,765), שהמחבר קורא כמספיק לדחיית הטיפול בדירוגי-עצמי כניתנים-החלפה עם ציוני ביצועים, אם כי לא כמספיק לקביעת חתך. אין כלי מאומת שכיסה את הסט המלא של החלטות שסוכנים משתמשים-כלים יוצרים; הסוללה השכבתית המוצעת היא השערת עיצוב.

• דיווח-עצמי על ההעמסה של הלומד עצמו. Alam (2026) מתרגמים את ספרות ההעמסה הקוגניטיבית ל-PAUSE, בדיקה-עצמית בדפדפן-בלבד עם ארבעה תחומים, כל פריט עידן-LLM מעוגן למקור, ללא הרכבה, ללא אחסון וללא מודל בייצור; הפסים שלה מתארים ולא מנורמלים, וקריאה אינה רשאית להצדיק החלטות הערכה, קבלה או העסקה. המגבלות המפורשות שלהם חשובות: דיווח-עצמי של העמסה פגיע לפקולטה שהיא עוסקת בה, משיב שמשתמש ב-AI בכוונה כפיגום נקרא כמעלים על מספר פריטים, והאם העמסה הקשורה-AI נבדלת מתלות טכנולוגיה כללית נותר פתוח.

• היכן יושבת מומחיות אנושית. Wang et al. (2024) מדווחים על חלוקת העבודה הבהירה ביותר: בניסוי מבוקר רנדומלי בן חודשיים עם כ-900 מורי K-12 מתחילים וכ-1,800 תלמידים, הצעות בזמן אמת הנגזרות מהיגיון של מורים מנוסים העילו את שליטת הנושא ב-4 נקודות אחוז (62% ל-66%, p < 0.01), וב-9 נקודות עבור מורים מדורגים-נמוך, בכ-US$20 למורה לשנה, ובכך מזיזות חונכות לעבר שאלות מנחות. העליות היו פרוקסימליות — טסטי סוף-השנה לא זזו. Reichert et al. (2026) מוצאים מורים מגיעים לאותו מעמד על ידי עיצוב: שישה מורי תיכון שמבצעים אב-טיפוס של צ'אט-בוטים ציינו מומחה חסום, מחזיקים גבולות סמכות (אחריות על למידה ובטיחות אינה ניתנת-האצלה) וגבולות מומחיות (המודל חסר את הידע שלהם על תלמידים בודדים), ומאצילים הצגת תוכן, תרגול ומשוב מתקן תוך שהם שומרים הגדרת מטרות והערכה מסכמת.

• מיומנות ברמת השדה. Sutedjo, Chowdhury and Liu (2026) סקרו 127 חברי סגל עם כלי TPACK המותאם לבינה מלאכותית יוצרת: ידע תוכן וידע תוכן-פדגוגי חזקים (M = 4.70–5.15) לצד ידע טכנולוגי-משולב נמוך באופן בולט, כאשר TPACK הוליסטי היה הנמוך ביותר ב-2.55, ידע תוכן לא-מקורר עם אף תחום טכנולוגי-משולב, ושלושת התחומים המשולבים מקוררים גבוה כל כך (r = .81–.91) עד שהם עשויים לפעול כגורם אחד. Perrotta (2026) קורא את שכבת הממשל דרך אב-טיפוס מבוטל של שירות אזרחי בריטי שהקוד שלו היה הודעת-מערכת פלוס צינור אחזור על פני מודלים מסחריים, בטענה שהכלליות של מודלי היסוד גם מאפשרת הקצאה-מחדש מהירה לכלי מדיניות וגם הופכת פלט חריג לסיכון בלתי-ניתן-התקנה לצמיתות — פיקוח שמביט מעל הלולאה ולא יושב בתוכה.

• פער האינטגרציה, ממופה: Malik and Bashir (2026) סנתזו 32 מחקרים (PRISMA 2020, ניתוח-תמתי) לארבעה נושאים: פיזור אפיסטמולוגי בתוך השדה, סתירות תיאוריה-טכנולוגיה (מערכות חישוביות פועלות על חיזוי והתנהגות-מדידה בעוד תיאוריות חינוכיות מדגישות הקשר ואינטראקציה חברתית), דטאיפיקציה של הלמידה באמצעות אנליטיקה, ואינטליגנציה היברידית כפרדיגמה מתעוררת. מסגרת האינטליגנציה ההיברידית שלהם היא סינתזה מושגית, לא מודל מאומת — המחברים מציינים שהיא ממתינה לבדיקה אמפירית — אך מפת ארבעת-הנושאים היא עדשת-ביקורת שימושית לבעיית התרגום מתיאוריה לחישוב ששדה זה נתקל בה שוב ושוב.

כיצד מדעי הלמידה מתייחסים לשכניהם

מחקר מבוסס-עיצוב היא השיטה שהשדה פיתח ולא שאל בהשאלה: התערבות נבנית ומתוקנת בתוך כיתה עובדת, עם הנמוך התיאורטי שלה מתוקן לצדה, ולכן מחקר אחד מייצר גם ארטיפקט וגם עקרון עיצוב. זהו מה שמפריד אותו מניסוי מעבדה, שמושך גורם להתבודדות על ידי החזרת ההקשר דומם, וזו הסיבה שממצאי השדה מגיעים כידע עיצוב ולא כגדלי אפקט. שיטות מחקר AIEd לוקחות את הקט השני: עמוד זה סוקר את הרפרטואר השלם — ניסויים, סקרים, עבודה איכותנית, מכונים, סקירות, שיטות קונצנזוס — כבחירה בין כלים, ושקולים לתקפות הטענה שכל אחד יכול לתמוך. עמוד זה קורא את אותו קורפוס מהצד המהותי, ושואל מה שהרפרטואר ביסס על למידה ושופט שיטה לפי אם טענת העיצוב שלה שורדת מגע עם לומדים.

תיאוריות למידה אוספות את המסגרות המועמדות — ביהביוריזם, קוגניטיביזם, קונסטרוקטיביזם, חשבונות סוציו-תרבותיים, מוטיבציה וויסת-עצמי — כעדשות לקריאת AI. מדעי הלמידה חולקים את אוצר-המילים הזה אך לא את העמדה: כאן תיאוריה היא טענה על מנגנון שעיצוב חייב או לממש או להפריך, והמעמד של השדה נשען על עבודה אמפירית ועיצובית ולא על קוהרנציה של מסגרת. עמוד התיאוריה הוא זה לפתוח למה שמסגרת טוענת; עמוד זה הוא זה לעדות שמסגרת צברה.

השדה גם בונה תיאוריה ולא רק בודק מסגרות שאולות: פיתוח תיאוריה AIEd מכסה את העבודה הקונספטואלית המסבירה כיצד לומדים, מורים ומערכות AI מתקשרים, והוא היכן שהמבנים של השדה עצמו מנוסחים לפני שהם נמדדים. מה שהעיצובים שלו נשאלים בדרך כלל לייצר הוא העברה — ידע ומיומנות ששורדים מעבר למורה, נושא או משימה שנלמדו בהם — וזו הסיבה שעלייה נמדדת בתוך כלי נחשבת לטענה חלשה יותר מאחת שנמדדת בלעדיו. וכיוון שסביבה מעוצבת היא התערבות מורכבת, ייחוס תוצאה לרכיב אחד הוא בעיית המדידה הקבועה של השדה: מדידה חינוכית מספקת את המנגנון הפסיכומטרי שהופך את הייחוס לניתן-ויכוח כלל, וזו הסירה ששאלות מדידה מגיעות כאן מוקדם ולא לאחר מעשה.

קוגניטיביזם הוא התחום ברמת-המנגנון שהשדה שואב ממנו ביותר, ומספק זיכרון עבודה חסום, קידוד ואחזור, רכיבי ידע ניתנים-פירוק, ושפת האבחנה של מידול לומד. מדעי הלמידה משתמשים במנגנונים האלה בלי להיחלש אליהם: יחידת הניתוח שלהם היא סביבה מעוצבת נושאת משתנים חברתיים, מוטיבציוניים והקשreadiness שהחשבון המעבדתי של זיכרון אינו נושא, והבדיקות שלהם מופעלות על התערבות שלמה ולא על אפקטים קוגניטיביים מבודדים.

פדגוגיה ועיצוב הלמידה מכסים נוהר — איזו אסטרטגיית הוראה להשתמש, וכיצד לרצף מטרות, פעילויות והערכה לקורס. שניהם הם מה שמדעי הלמידה חוקרים מבחוץ, כאובייקטים של תיאור והערכה; השדה לא מספר למורה איזו טקטיקה לשלוף הלאה, הוא מדווח מה שהטקטיקות הוכחו לעשות. עיצוב הלמידה הוא הקרוב-משפחה, מכיוון ששניהם מייצרים משהו שניתן-יישום וניתן-בדיקה, אך הפלט של המעצב הוא קורס בר-הוראה והפלט של השדה הוא ידע על עיצובים בכלל.

הממצאים חשובים רק ברגע שהם מגיעים להוראה, והמסע הזה רץ דרך שלושה עמודים. פיתוח חינוכי הוא הנוהר המוסדי שנושא אותם — פיתוח סגל, סטנדרטים, מדיניות ועבודת זהות מחליטים אם עיצוב מאומת מגיע אי פעם לכיתה, וזו הסיבה שהעדות של השדה מובילה באופן שגרתי את מה שמוסדות יישמו. חינוך מורים הוא היכן שהידע חייב לנחות לפני שמורה נכנס לחדר, ותפקיד המורה הוא היכן שהוא נוהר לאחר מכן, בשיפוט רגע-אחר-רגע על מתי להתערב, איזה כלי להשתמש, ומתי להשאיר לומד לבדו. אף אחד מהשלושה אינו מייצר ממצאי מדעי-למידה; כולם מחליטים אם הממצאים האלה משנים נוהר.

מושגים קשורים

• תיאוריות למידה
• פסיכולוגיה קוגניטיבית
• פדגוגיות ואסטרטגיות הוראה
• עיצוב למידה
• שיטות מחקר ב-AIED
• פיתוח תיאוריה ב-AI בחינוך
• מחקר מבוסס עיצוב
• הכשרת מורים
• פיתוח חינוכי
• AIED בתחומי הדעת
• חונך אינטליגנטי
• אנליטיקת למידה
• תוקף ההערכה
• מדידה חינוכית
• פריקת עומס קוגניטיבי
• רווחי למידה
• העברת למידה
• הוראה
• שוויון
• מדיניות חינוכית לבינה מלאכותית

מאמרים קשורים

• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Review and exploratory meta-analysis of measures for competent generative-AI use (Verí 2026)
• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — Correctness masking an incomplete rule: mastery stopping rules in adaptive learning (An, McLaren & Stamper 2026)
• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Counterfactual audit of demographic signals in LLM student assessment (Rooein, Benedetto & Hovy 2026)
• Learning paths and patterns in learning design: Insights from 500+ courses — Markov chains and pattern mining over 29,064 activities in 554 courses (Divjak, Svetec & Horvat 2026)
• PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — A privacy-preserving, non-diagnostic self-check for AI-associated offloading (Alam 2026)
• Zero-shot governance — Zero-shot governance: general-purpose AI in policy, read through the Redbox codebase (Perrotta 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — Why the best example–problem ratio depends on content (Rachatasumrit, Koedinger & Carvalho 2025)
• Human-Centered Design of LLM-Powered Educational Chatbots: A Study with Secondary Teachers — Teachers design bounded-expert chatbots, with selective delegation of instruction (Reichert et al. 2026)
• Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — Faculty GenAI TPACK: strong content knowledge, weak technology-integrated knowledge (Sutedjo, Chowdhury & Liu 2026)
• Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise — Tutor CoPilot: a randomized trial of human–AI live tutoring at scale (Wang et al. 2024)