תיאוריות למידה

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

תיאוריות למידה — משפחת המסגרות המסבירות כיצד מתרחשת הלמידה, ומושג המטרייה לרעיונות הקשורים-לתיאוריה של מאגר הידע. בבינה מלאכותית בחינוך, תיאוריות למידה מעצבות גם את אופן עיצוב מערכות בינה מלאכותית (הפדגוגיה שהן מגלמות) וגם את האופן שבו התחום מפרש האם בינה מלאכותית "עובדת": אותו כלי יכול להיות פיגום תחת הנחות של קונסטרוקטיביזם, מנוע חיזוק תחת ביהביוריזם, או סכנת עומס קוגניטיבי תחת תיאוריית העומס הקוגניטיבי.

שאלות למחשבה

• חשבו על חונך בינה מלאכותית או מערכת אדפטיבית שהשתמשתם בהם או שראיתם. אילו הנחות הוא עשה על אופן הלמידה של אנשים — האם הוא גמל תשובות נכונות (ביהביוריזם), בנה הבנה (קונסטרוקטיביזם), או ניהל מאמץ מנטלי (עומס קוגניטיבי)? האם יוצריו הצהירו אי-פעם על הנחות האלה?
• העמוד מתאר פער חוזר: הדיסקורס מצהיר על קונסטרוקטיביזם בעוד יישומי בינה מלאכותית נוטרים כברירת מחדל למכניקות תרגול-ומשוב. איפה ראיתם כלי שטען לתמוך בלמידה עמוקה אבל למעשה רק חיזק תגובות שטחיות?
• אותו כלי בינה מלאכותית יכול להיראות כהצלחה תחת תיאוריה אחת וככשל תחת אחרת — ציורי שיעורי בית מנופחים נקראים לימוד תחת ביהביוריזם אבל ככשל לבנות הבנה עמידה תחת קונסטרוקטיביזם. איזה עדשה הוגנת יותר לשיפוט האם הסטודנטים באמת למדו?
• מכיוון שכל חונך בינה מלאכותית מגלם תיאוריה בין אם מעצביו אומרים זאת ובין אם לא, "האם זה עובד?" עשויה להיות השאלה הלא-נכונה. מהי השאלה הטובה יותר לשאול על בינה מלאכותית חינוכית, בהינתן התיאוריות שהיא עלולה לגלם?
• בינה מלאכותית יצירתית מעודדת מחנכים לשקול תיאוריות חדשות — כמו למידה כבנייה-משותפת איטרטיבית בין בני אדם לבינה מלאכותית, או בינה מלאכותית כשותפה קוגניטיבית לאורך החיים. האם עליית הבינה המלאכותית דורשת באמת תיאוריות למידה חדשות, או שהקיימות עדיין מספיקות?
• מדידת הישגי הלמידה היא עצמה "טעונה-תיאוריה": כלי שבנוי על תיאוריה אחת עשוי לא לתפוס את ההישגים שהאחרת חוזה. כיצד שני חוקרים עם מחויבויות תיאורטיות שונות עשויים להסתכל על אותם נתונים ולהגיע למסקנות מנוגדות על השאלה האם כלי בינה מלאכותית עבד?

מבוא

זהו מושג המטרייה לזרם תיאוריית-הלמידה של מאגר הידע. תיאוריות למידה יושבות בלב בינה מלאכותית בחינוך מכיוון שכל חונך בינה מלאכותית, מערכת אדפטיבית וכלי משוב מגלמים הנחות על אופן הלמידה של אנשים — בין אם המעצבים מצהירים עליהן ובין אם לא. מאגר הידע מתעד את התיאוריות האלה בנפרד ומתייהן אליהן כעדשת הקונספט שבה נבדקים העיצוב והאפקטים של בינה מלאכותית. שדה המחקר שבוחן את המסגרות האלה הוא עמוד נפרד: מדעי הלמידה חוקרים את הלמידה באופן אמפירי — ניסויים, ניסויים כיתתיים ומחקר מבוסס-עיצוב — ומתייחסים לתיאוריה כמשהו שיש לאשר או להפריך, בעוד שהעמוד הזה אוסף את המסגרות עצמן; שתי הביטויים נשמרים מובחנים במאגר הידע זה, כאשר ה"מדע הלמידה" היחידני קורא לזרם התיאוריה הזה.

נוף תיאוריית-הלמידה

מאגר הידע מתעד כמה משפחות של תיאוריית למידה, כל אחת עם המושגים שלה:

• תיאוריות למידה קלאסיות. ביהביוריזם (למידה כשינוי התנהגותי נצפי דרך חיזוק ותרגול) וקונסטרוקטיביזם (למידה כבנייה פעילה של ידע) הם שני הקטבים שחוזרים ביתר תדירות במחקר בינה מלאכותית. התחום מציג לרוב פער של "קונסטרוקטיביזם בשם, ביהביוריזם בפרקטיקה", שבו הדיסקורס מצהיר על בנייה בעוד שיישומי בינה מלאכותית נוטרים כברירת מחדל למכניקות תרגול-ומשוב.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) קוגניטיביזם הוא הקטב הקלאסי השלישי — למידה כשינוי בייצוגים מנטליים פנימיים — והתיאוריה האחראית ביותר לתרומות החתימה של AIED (עקיבה אחר ידע, אבחון קוגניטיבי, מידול הלומד והוראה אדפטיבית, חונך אינטליגנטי).
• תיאוריות סוציו-תרבותיות והתפתחותיות. למידה סוציו-תרבותית מחזיקה שלמידה והתפתחות מתהוות דרך השתתפות חברתית ומתווכות על ידי כלים תרבותיים ואחרים יודעים-יותר — משתרעת על האזור הפיתוח הקרוב, פיגום, חניכות, קהילות פרקטיקה, וקוגניציה מבוזרת. בעידן הבינה המלאכותית, בינה מלאכותית יצירתית ממוסגרת יותר ויותר כסוכן תיווך שמתווך פעילות וגם מייצר תרומות תלויות-אירוע לאינטראקציה.(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
• קוגניציה וארכיטקטורה קוגניטיבית. פסיכולוגיה קוגניטיבית / קוגניטיביזם היא המטרייה למשפחה הזו: תיאוריית העומס הקוגניטיבי (כיצד מגבלות זיכרון-העבודה מעצבות הוראה), תיאוריית התהליך הדואלי (עיבוד אינטואיטיבי-מהיר לעומת מתנקש-איטי), ומטאקוגניציה (ניטור ורגולציה של הלמידה העצמית) מסבירים את המנגנונים הפנימיים שכלי בינה מלאכותית עוררים או מעקפים.
• מוטיבציה והכוונה עצמית. תיאוריית ההכרעה העצמית (אוטונומיה, כשירות, קירבה), יעילות עצמית (ביטחון ביכולת העצמית), למידה עצמית מוסדרת (הצבת מטרות, ניטור והתאמה), ומוטיבציה מסבירים מדוע לומדים מתערבים עם בינה מלאכותית באופן שהם מתערבים.
• הקשר ופעילות למידה. למידה חווייתית, למידה פעילה, למידה מבוססת פרויקטים, למידה שיתופית, העברת למידה, קשיים רצויים, ולמידה מגולמת מתארים את סוגי הפעילות וההקשר המייצרים למידה עמידה.

תיאוריות למידה והישגי למידה

תיאוריות למידה מוערכות בסופו של דבר על ידי התוצאות שלהן, ומושג הרווחי למידה של מאגר הידע הוא המקום שבו תיאוריה פוגשת ראיות. כל תיאוריה עושה תחזית שונה על מה נספר כלמידה וכיצד למדוד אותה: ביהביוריזם חוזה רווחי ביצועים נצפים במשימות תרגול-ומשוב; קונסטרוקטיביזם חוזה הבנה עמוקה יותר שמתעברת לבעיות חדשות; תיאוריה סוציו-תרבותית חוזה רווחים בהשתתפות ובפתרון בעיות מתווך; ותיאוריית עומס קוגניטיבי חוזה רווחים רק כאשר ההוראה מכבדת מגבלות זיכרון-העבודה. זו הסיבה שמדידת הרווחי למידה טעונה-תיאוריה — כלי שבנוי על תיאוריה אחת עשוי לא לתפוס את ההישגים שהאחרת חוזה. בעידן הבינה המלאכותית, הסטייה החדה בין ביצועים בסיוע בינה מלאכותית לבין ההישגי למידה ללא סיוע (ראו Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build, The Generative AI Learning Penalty: Evidence from Chinese Secondary Education) ניתנת לקריאה דרך העדשה הזו: קריאה ביהביוריסטית רואה בציוני שיעורי בית מנופחים הצלחה, בעוד שקריאה קונסטרוקטיביסטית, המומקדת בהבנה עמידה, רואה באותה ראיה כשל ללמוד. חיבור תיאוריות להערכה ולתוצאות נמדדות הוא אם כן חיוני להחלטה איזה עדשה תיאורטית מערכת בינה מלאכותית נתונה באמת מספקת.

מדוע תיאוריות למידה חשובות לבינה מלאכותית בחינוך

תיאוריות למידה חשובות משלוש סיבות:

• הן חוזות את האפקטים של בינה מלאכותית. האם כלי בינה מלאכותית משפר או פוגע בלמידה תלוי באיזה מנגנון הוא מפעיל. חונך שמוסר תשובות פוגע תחת עדשת קונסטרוקטיביסטית (הוא עוקף בנייה), ניטרלי תחת ביהביוריזם (הוא מחזק), ומעלה חששות עומס קוגניטיבי (הוא מפריק עומס במקום לבנות). מושגי הפריקת עומס קוגניטיבי וההסתמכות-יתר של מאגר הידע לוכדים את צד הסיכון של זה.
• הן חושפות את פער התיאוריה-לפרקטיקה. עבודה אמפירית מוצאת שוב ושוב שיישומי בינה מלאכותית מגלמים תיאוריות שונות מהדיסקורס הטוען — ביתר בולטות שפה קונסטרוקטיביסטית בצמוד למכניקות תרגול-ביהביוריסטיות.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) הערכת בינה מלאכותית דורשת אם כך לשאול איזו תיאוריה מערכת באמת מגלמת, לא רק האם היא "עובדת".
• הן נחשפות מחדש באופן פעיל. בינה מלאכותית יצירתית מעודדת מחנכים לבקר מחדש האם התיאוריות הקלאסיות מספיקות. גנרטיביזם מציע שבלמידה בעידן הבינה המלאכותית מתרחשת יותר ויותר דרך בנייה-משותפת איטרטיבית בין לומדים אנושיים למערכות בינה מלאכותית, ומרחיבה במקום להחליף את הארבע הקלאסיות (ביהביוריזם, קוגניטיביזם, קונסטרוקטיביזם, קונקטיביזם).(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence)

כיוונים תיאורטיים חדשים מעבודות AIED אחרונות

עבודה תיאורטית אחרונה מרחיבה את זרם הקלאסי בכמה כיוונים, כל אחד מהם ממרכז מחדש את הקשר בן-אדם-לבינה מלאכותית במקום להתייחס לבינה מלאכותית ככלי ניטרלי:

• רגולציה-משותפת של אדם–רגולציה בינה מלאכותית. מסגרת התפתחותית ממקמת בינה מלאכותית לא ככלי חיצוני אלא כשותפה קוגניטיבית שמרגלציה במשותף חשיבה, למידה ובקרה-עצמית לאורך החיים.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) תוך שנשענת על תפקוד מנהל, מטאקוגניציה, קוגניציה מבוזרת, והתפתחות סוציו-תרבותית, היא מטילה על בינה מלאכותית ארבעה תפקידים — פיגום, תמיכה מטאקוגניטיבית, זיכרון חיצוני / מערכת פריקת עומס קוגניטיבי, ושותפת החלטה — כאשר המסגרת רלוונטית ביותר מגיל-הילדות-האמצעי והלאה.

• קוגניציית אנסמבל. מסגרת פילוסופית מרקנספטואליזציה את החשיבה כמתהווה מאינטראקציות דינמיות בין סוכנים אנושיים ומלאכותיים במקום שוכנת אך ורק בתודעות יחידניות.(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) היא מאתגרת את "פרדיגמת התודעה" (הנחות האוטונומיה, התודעה והיציבות) ומבטאת חמישה מאפיינים — סוכנות מבוזרת, מרכזיות דינמית, תזמור קוגניטיבי, אינטגרציה רב-ייצוגית, והחלפה רגישה-להקשר — תוך הבדלת הסוכנות הפונקציונלית של בינה מלאכותית מאחריות מוסרית.

• צמיחה מוכוונת-עצמית / A2PL. הרחבה של למידה מוכוונת-עצמית המשלבת בינה מלאכותית יצירתית עם אנליטיקת למידה לטיפוח צמיחה מוכוונת-עצמית, ממומשת באמצעות מודל Aspire to Potentials for Learners (A2PL).(Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework) היא מקנפגת מחדש שאיפות הלומד (הומניסטיות), חשיבה מורכבת (קונסטרוקטיביסטית), והערכה-עצמית (פרגמטית) לכשירות אחת, ממקמת GAI כפיגום שיתופי לא-מפרש ולא כספק תוכן.

• הכללה-יתר מרמה. An, McLaren, and Stamper (2026) מרחיבים את מסורת ACT-R / ידע-למידה-הוראה על ידי תיאור מתי נכונות נצפית מסתירה הבנה מותנית לא-שלמה: לומדים מהווים הפקה מוכללת-יתר שמשמיטה אילוץ יישום אך עדיין מבצעת נכונה — מצב כשל שמערכות שליטה אדפטיביות, ואפילו הוראה מסורתית, יכולות לפספס אלא אם כן הן בודקות מתי למנוע פעולה.

• תיאוריית KLI ביצועית. Rachatasumrit, Koedinger & Carvalho (2025) מעוגנים את מסגרת ידע-למידה-הוראה במודל חישובי ביצועי (מסגרת Apprentice Learner עם מנגנון זיכרון בסגנון ACT-R) שמשחזר אינטראקציית מעבר-חצייה בנתוני אנושיים: תרגול טהור מסייע לזיכרון עובדות מלומד (על ידי עיכוב שכחה) בעוד שתרגול המשולב-דוגמאות מסייע להינדוקציה של מיומנות מתכללת. מכיוון ש-KLI קושר ידע קבוע (עובדתי) לתהליכי זיכרון וידע משתנה (מיומנות) להינדוקציה, התוצאה היא אינטראקציית תוכן–טיפול חזויה ולא סתירה בין המלצות בדיקה ודוגמאות-עובדות — והצלחת המודל רק כאשר מנגנון זיכרון נוכח מדגימה שתרגול ודוגמאות ממלאים תפקידים נפרדים ומשלימים.

• הגלמה כאתגר אונטולוגי לפרדיגמת הבינה המלאכותית. Videla, Penny and Ross (2026) טוענים שחלוקה אונטולוגית מפרידה בין קוגניציה מגולמת ואנקטיבית לבין הביטוי הייצוגי שבינה מלאכותית מגלמת, ולכן יש למרכז מחדש את בינה מלאכותית מהמרכז האפיסטימי במקום להתייחס אליה ככלי ניטרלי.

כיצד מאגר הידע מארגן את הזרם הזה

במקום להתייחס לתיאוריות למידה כפילוסופיה מופשטת, מאגר הידע מעוגן כל אחת במחקר בינה מלאכותית-בחינוך שמשתמש בה. עמודי הקונסטרוקטיביזם והביהביוריזם מתעדים כיצד עיצובי בינה מלאכותית מגלמים (או בוגדים) כל תיאוריה; תיאוריית העומס הקוגניטיבי, למידה עצמית מוסדרת, מטאקוגניציה, והעברת למידה מחברים תיאוריה למנגנונים ולתוצאות ספציפיים של בינה מלאכותית. זה משקף את האופן שבו מאגר הידע מתייחס לתחומי-מטרייה אחרים כמו משוב והערכה — מערכת קוהרנטית של מושגים משתמעים ולא עמודים מבודדים.

תיאוריות למידה ו"חינוך אודות בינה מלאכותית"

תיאוריות למידה מופיעות גם כתוכן בתוכניות לימודים של אוריינות AI: לומדים לומדים ביהביוריזם, קוגניטיביזם, קונסטרוקטיביזם, וקונקטיביזם כדי להבין את ההנחות הפדגוגיות שמאחורי הכלים שבהם הם משתמשים.(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence) הוראת הזרם הזה נותנת לסטודנטים (ולמחנכים) את האוצר המילים לבקר מדוע מוצר בינה מלאכותית בנוי כפי שהוא בנוי — והאם המכניקה שלו משרתת את מטרת הלמידה בעניין.

• הסוכן המתווך. Warschauer, Tate, and Ritchie (2026) טוענים שבינה מלאכותית יצירתית שוברת את ההבחנה הסוציו-תרבותית בין אמצעי תיווך לאינטראקציה חברתית, ומציעים את הסוכן המתווך — מערכת שמתווכת פעולה וגם מייצרת תרומות תלויות-אירוע ולא-נשמעות, תופסת מרחב היברידי בין כלי לשותפה חברתית. זה מייצר חמש הרגלי השתתפות אנושית-ראשונים (עדיפות קוגניציה אנושית, מעורבות מכוונת של מעורבות, סוכנות פיקוחית, ערנות אפיסטמית, ורגולציה עצמית רפלקטיבית).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

תיאוריות שהוצעו עבור עידן הבינה המלאכותית

לצד המשפחות הקלאסיות, מאגר הידע מתעד תיאוריות שנכתבו ספציפית ללמידה עם מערכות בינה מלאכותית, ואלה נושאות את ההשלכות לעיצוב שהתיאוריות הוותיקות משאירות פתוחות. אגנטיביזם (Yan and Gašević 2026) הוא דוגמה לטווח-ביניים: הוא מגדיר למידה כצמיחה עמידה ביכולת אנושית ולא כהשלמת משימה מוצלחת, קורא לארבעה מנגנונים (סוכנות מואצלת, ניטור ואימות אפיסטימי, פנימיזציה רקונסטרוקטיבית, ותעברה תחת תמיכה מופחתת), ומצהיר שישה טענות ניתנות-לבדיקה, ביניהן שתמיכת בינה מלאכותית שמשמרת את אחריות הלומד למסגור בעיות, הצבת קריטריונים והצדקה מייצרת למידה חזקה יותר מתמיכה שמוסרת תשובות.

הסימביוזה הפדגוגית של Elsayed (2026) עושה טענה אונטולוגית חזקה יותר: הלומד הוא ישות פוסט-אנושית שקוגניצייתו היברידית ולא בסיוע-כלים, מאורגנת על ידי ארבעה עקרונות: פריקת עומס והגברה קוגניטיביים, בנייה-משותפת אפיסטמית, סימביוזה מטאקוגניטיבית, וצמירת זהות דינמית; ממומשת כמחוון נתינות של תיק סימביוטי ותפקיד מורה של "כוריאוגרף קוגניטיבי"; היא מפורשת כלא-נבדקת.

מושגים מחוברים

• ביהביוריזם
• פסיכולוגיה קוגניטיבית
• קונסטרוקטיביזם
• מטאקוגניציה
• קוגניציה מבוזרת
• למידה עצמית מוסדרת
• תיאוריית ההכרעה העצמית
• יעילות עצמית
• מוטיבציה
• למידה סוציו-תרבותית
• פיגום
• העברת למידה
• רווחי למידה
• קשיים רצויים
• למידה פעילה
• למידה חווייתית
• למידה שיתופית
• למידה מגולמת
• פריקת עומס קוגניטיבי
• עיצוב למידה
• מדעי הלמידה
• פילוסופיה של בינה מלאכותית בחינוך
• בינה מלאכותית בחינוך
• פדגוגיות ואסטרטגיות הוראה — מטרייה: פדגוגיות ואסטרטגיות הוראה בחינוך עם בינה מלאכותית

מאמרים מחוברים

• Agentivism: a learning theory for the age of artificial intelligence — תיאוריית למידה לטווח-ביניים לאינטראקציה אדם-בינה מלאכותית, עם ארבעה מנגנונים ושישה טענות ניתנות-לבדיקה (Yan and Gašević 2026)

• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — הכללה-יתר מרמה: שליטה אדפטיבית יכולה להפסיק תרגול לפני שלומדים יודעים מתי למנוע פעולה (An, McLaren & Stamper 2026)

• AI-Augmented Inquiry and Regulation in Hybrid Systems: A Control Allocation Architecture for Preserving Epistemic Agency — חקר ורגולציה מוגברים-בינה מלאכותית במערכות היברידיות (AIRIS)

• AI-Mediated Learning and the Restructuring of Interpretive Cognition: A Developmental-Critical Model for Social Sciences and Humanities Education

• Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — ממקם בינה מלאכותית כשותפה קוגניטיבית ברגולציה-משותפת של אדם-ובינה מלאכותית; מסגרת התפתחותית לאורך החיים

• Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments — קוגניציית אנסמבל: מסגרת פילוסופית שמרקנספטואליזציה את החשיבה כאינטראקציה של אדם-ובינה מלאכותית

• Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework — צמיחה מוכוונת-עצמית ומודל A2PL המרחיב למידה מוכוונת-עצמית עם GenAI

• Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence — מציע תיאוריית למידה חדשה לעידן הבינה המלאכותית היצירתית, חוזר על הארבע הקלאסיות

• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — תיעד את פער התיאוריה-לפרקטיקה של קונסטרוקטיביזם/ביהביוריזם בבינה מלאכותית לחינוך מקצועי

• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches

• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI

• "If You Can't Dance Your Program, You Can't Write It": Challenges and Implications for AI in Education

• Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — בינה מלאכותית יצירתית כסוכן מתווך

• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — תכנון מערכות בינה מלאכותית לתמיכה בלמידה מבוססת-כשלון-פרודוקטיבי

• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — כיוון פדגוגי של מודלים לשוניים גדולים לכשלון פרודוקטיבי

• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — רמז לפני תיקון: ChatGPT ללימוד שפות אוטונומי

• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content