מטאפורות ואנלוגיות

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

סינתזה: מטאפורות ואנלוגיות ממלאות שני תפקידים בחינוך ל-AI. הן אמצעים של עשיית משמעות שדרכם מחנכים וסטודנטים מחליטים מה AI הוא (כלי, עוזר, קופסה שחורה, אורקל), והן אמצעים הוראתיים שממפים תחום מקור מוכר על מושג מטרה לא מוכר. המחקר במאגר הידע הזה מראה ששני התפקידים קשורים: המטאפורות שאנשים מחזיקים מעצבות את מה שהם מצפים מ-AI, אילו תכונות הם מבחינים בהן, והאם הם בוטחים בו או חוששים ממנו. אותו היגיון של מיפוי מבני מסביר מדוע אנלוגיה יכולה להפוך רעיון טכני לזכיר תוך שהיא מעוותת אותו בשקט. אנלוגיה פגומה שנוצרה ב-GenAI יכולה להיות שימושית יותר מאנלוגיה מלוטשת כאשר הסטודנטים מכירים את תחום המקור מספיק כדי לבקר את המיפוי ולתקן אותו. הלקח המעשי הוא לבחור מטאפורות לפי התכונה הנלמדת, לבדוק התאמה מבנית ונגישות תרבותית, ולהתייחס להשוואה כאובייקט לביקורת ולא כהסבר מוגמר. הראיות הן לרוב איכותניות, מושגיות וקטנות בהיקפן; לתחום יש מעט ראיות סיבתיות לכך שהוראה מבוססת מטאפורות משפרת למידה.

שאלות למחשבה

• איזו מטאפורה אתם משתמשים בה לבינה מלאכותית יוצרת כשאתם לא זהירים, ומה המטאפורה הזו הופכת לקל לראות או לקל להתעלם ממנו?
• מתי אנלוגיה מוכרת עוזרת לסטודנט להבין מושג טכני, ומתי היא מחדירה תפיסה מוטעית שהוראה מאוחרת צריכה לבטל?
• אילו תחומי מקור נחשבים מוכרים? אם אנלוגיה נשענת על ספורט, גיימינג או מכשיר מטבח, מי נכלל ומי נשאר בחוץ?
• האם מתרגל AI צריך לייצר אנלוגיות לסטודנטים, או לתת להם אנלוגיות לבקר? מה משתנה כשהאנלוגיה מותאמת לתחומי העניין המוצהרים של סטודנט?
• אנלוגיה זכירה אינה בהכרח מדויקת. מה הייתם מבקשים מהסטודנטים לעשות כדי להראות שהם יודעים להבחין בין השניים?
• אילו ראיות היו משכנעות אתכם ששיעור מבוסס מטאפורה שיפר אוריינות AI ולא רק הפך את השיעור למעניין יותר?

מבוא

מטאפורה אומרת שדבר אחד הוא דבר אחר: AI הוא קופסה שחורה, עוזר, מראה, מפה. אנלוגיה הופכת בדרך כלל את ההשוואה למפורשת יותר: רשימה מקושרת עובדת כמו שרשרת, רקורסיה עובדת כמו קבוצה של קופסאות מקוננות, או שימוש ב-AI הוא כמו בישול עם תרמומיקס. השניים חופפים בפועל. שניהם מבקשים מהלומד להעביר יחסים מתחום מקור מוכר לתחום מטרה פחות מוכר, ושניהם הופכים למטעים כאשר המיפוי מורחב מעבר ליחסים שהוא באמת משמר.

זה הופך אותם ליותר מקישוט רטורי. מחקר המטאפורה המושגית מתייחס למטאפורה כמבנה של חשיבה, לא רק של שפה: ההשוואות העומדות לרשות אנשים מעצבות אילו היבטים של מערכת מרגישים בולטים ואילו הסברים מרגישים טבעיים. בחינוך ל-AI ההימור מעשי. סטודנט שממסגר LLM כמנוע חיפוש עשוי לצפות שיאחזר עובדות מאוחסנות ואולי לא יחפש עובדות מומצאות. חבר סגל שממסגר אותו כסטודנט מתקדם עשוי לצפות לשיפוט ולמומחיות תחומית שאין למודל. דיון מדיניות שממוסגר סביב "אסון טבע" או "מתחרה" תומך בתגובות שונות מזה שממוסגר סביב "מחשבון למילים".

העמוד הזה מכסה את שני צדדיו של התפקיד הכפול: מטאפורה כחלון לתוך האופן שבו מחנכים וסטודנטים מבינים AI, ואנלוגיה כטכניקת הוראה באוריינות AI ובהסברים שנוצרים ב-AI. הוא מחבר עבודה על תפיסות מושגיות של סגל וסטודנטים, סדנאות מטאפורה בכיתה, אנלוגיות שנוצרות ב-GenAI, עיצוב הוראה מבוסס אנלוגיה ואוריינות AI ביקורתית. הוא אינו מתייחס ל"מטאפורה" ול"אנלוגיה" כמילים נרדפות מדויקות, אך שומר אותן יחד משום שבעיות העיצוב משותפות: בחירת מקור, התאמה מבנית, נגישות תרבותית וביקורת.

מדוע מטאפורות ואנלוגיות חשובות

נקודת המוצא התיאורטית היא תיאוריית המטאפורה המושגית, המיוחסת ללייקוף ולג'ונסון. הטענה המרכזית שלה היא שאנשים מבינים תחומים מופשטים דרך מיפויים מתחומים קונקרטיים יותר, ושאותם מיפויים יכולים להפוך למוכרים כל כך עד שהם מפסיקים להיראות כמו השוואות. "מסע החיים" אינו רק דרך דיבור; הוא נושא הנחות על כיוון, התקדמות, מכשולים ויעדים. כך גם "עוזר ה-AI" או "הקופסה השחורה של AI".

עבור החינוך, התוצאה השימושית היא שמטאפורה יכולה לעשות עבודה מושגית לפני שמורה מציע הגדרה. היא נותנת ללומדים מקום לעמוד בו. היא יכולה גם לשאת תאוריה שלמה של סוכנות: "עוזר" מרמז על משתמש בשליטה, בעוד "סוכן" מרמז על יוזמה, ו"קופסה שחורה" מרמזת שההסבר בלתי אפשרי או מיותר. אלה אינם תיאורים ניטרליים. הם מחלקים אחריות וקובעים ציפיות לאמון.

אנלוגיות מוסיפות שכבה שנייה: התאמה מבנית. אנלוגיה הוראתית טובה משמרת את היחסים שחשובים למושג המטרה, לא רק דמיון שטחי. שרשרת יכולה להדגים רשימה מקושרת משום ששתיהן כוללות צמתים המחוברים ברצף. קבוצה מקוננת של קופסאות יכולה להדגים רקורסיה משום שכל רמה מכילה גרסה קטנה יותר של אותו מבנה. ההשוואה תמיד חלקית. השאלה הפדגוגית היא אם היחסים הנשמרים הם אלה שהלומד צריך, ואם הלומד יכול לראות היכן המיפוי נגמר.

השאלה הזו מפרידה בין העמוד הזה לAI מוסבר. AI מוסבר שואל כיצד ניתן להפוך החלטות של מערכת לקריאות לבעלי עניין. אנלוגיה פדגוגית שואלת כיצד לומד יכול לבנות מודל מנטלי שמיש של תהליך. הסבר מדוע מודל סימן סטודנט אינו זהה לאנלוגיה לאופן שבו מודל מייצר טקסט, ואף אחד מהם אינו מחליף את השני.

כיצד מחנכים וסטודנטים מתארים AI

במאגר הידע יש כעת כמה חלונות לתוך המטאפורות שאנשים באמת משתמשים בהן. הם אינם מתכנסים לדימוי אחד, וזה חלק מהנקודה.

ואליס, וילסון וקייסי (2025) הפעילו סדנאות ניתוח מטאפורות עם סטודנטים, אקדמאים ואנשי תמיכה חינוכית. המטאפורות של המשתתפים התקבצו לארבע קטגוריות רחבות: תפקודים (השוואות דמויות כלי, כמו אולר שווייצרי), תפקידים (יחסים דמויי אדם, כמו עוזר, חבר ללימודים או חבר-אויב), תכונות (השוואות לא אמינות או בלתי ניתנות לידיעה, כמו קופסה שחורה או מדרון חלקלק), וסוכנות (השוואות אוטונומיות או מאיימות, כמו מתחרה או רובוט מרושע). שני מתחים עברו בכל הקבוצה: סוכנות אנושית מול סוכנות מכונה, והידוע מול הבלתי ניתן לידיעה. הסדנה לא פתרה את המתחים. היא הפכה אותם לזמינים לדיון, וזה מה שהתערבות מבוססת מטאפורה יכולה לעשות באופן ריאלי.

גרהרדט ועמיתיו (2026) ראיינו 57 מדריכי הנדסה בתחומים ובאוניברסיטאות שונים וניתחו את האנלוגיות שהם הציעו מרצונם. המדריכים מיסגרו את הבינה המלאכותית היוצרת בעיקר כישות חברתית או סוכנות דמוית אדם (עוזר, סטודנט לדוקטורט) או כאובייקט טכני (מנוע חיפוש, כלי). מעטים מיסגרו אותה ככוח סביבתי או מערכתי. המחברים מארגנים את התגובות בחמישה ממדים: אונטולוגיה, אפיסטמולוגיה, פעולה, יחס ועוצמה או יכולת. הדאגה שלהם אינה שהמדריכים משתמשים במטאפורות, אלא שעמיתים באותה מחלקה יכולים להחזיק מטאפורות בלתי תואמות בזמן שהם מניחים שהם חולקים שפה. זה הופך את איסוף המטאפורות לאבחון של פיתוח סגל, לא רק לטכניקה כיתתית.

סטודנטים מראים טווח דומה. בומר ועמיתיו (2026) מצאו סטודנטים שמתפיסים את GenAI כשחקן חברתי, כטכניקה, כחומר למידה או כמבנה, כאשר מסגרות סוציו-רגשיות וטכניות שתיהן בולטות. קודינה (2026) מתאר את המסגרות הדומיננטיות של סטודנטים להנדסה כ-LLM "אורקל" ו"מתרגל", ששתיהן מייחסות סמכות והתאמה אישית מעבר למה שהכלי מספק באופן אמין. סטילמן ועמיתיו (2026) מתייחסים ל"מכונת ממכר של משוב" של סטודנט אחד כארטיפקט אוריינות שימושי יותר מאוצר המילים המלוטש של "מתרגל", משום שהוא הופך את העסקה לגלויה: הכנס עבודה, קבל פלט, בלי יחס ובלי סוכנות.

הממצא החוצה-חתכים הוא שמטאפורה היא אבחון של ציפייה. סטודנט שקורא ל-LLM אורקל אינו סתם משתמש במילה ציורית. התווית חוזה מה הסטודנט יעשה כשהמודל טועה, ומה הסטודנט יאמין בנוגע לאימות. חבר סגל שקורא לו מנוע חיפוש אינו סתם לא מדויק. התווית חוזה מה הוא יבקש מהסטודנטים לעשות איתו. לכן תוכניות פיתוח חינוכי יכולות להשתמש באיסוף מטאפורות לפני עיצוב מדיניות או הערכה מחדש, ולכן חינוך להנדסה וחינוך במדעי המחשב זקוקים לשיחות תחומיות ולא להגדרה אחת ברמת המוסד.

מגמה פילוסופית דוחפת את המטאפורה לכיוון אחר: שיה (2026) מציע את "ג'ן-רן" כאידיאל נגדי ללומד המנוהל בידי אלגוריתם, ומתייחס לדימוי כדרך להתווכח על מטרות חינוכיות ולא כדי להסביר תהליך טכני.

אנלוגיות כטכניקת הוראה

הראיות הכיתתיות החזקות ביותר במאגר מגיעות משימוש באנלוגיות בחינוך למחשוב. ברנשטיין וסיביה (2026) נתנו לסטודנטים לתואר ראשון אנלוגיות שנוצרו ב-GenAI לרשימות מקושרות ולרקורסיה, ואז ביקשו מהם להעיר הערות ולדון בפלטים. הסטודנטים לא שפטו את האנלוגיות כטובות או רעות באופן גלובלי. הם הפרידו בין דיוק מבני, בהירות, התאמה ואמון, ונקבו בכשלים ספציפיים: מסלול מעגלי מתאר רשימה מעגלית, לא רשימה מקושרת יחידה; ראלי בדמינטון אינו מבטיח קלט שהולך ומצטמק לרקורסיה; והפניה מבוססת-עניין יכולה להניח ידע שחסר לסטודנט.

התרומה של המאמר היא הרעיון של ביקורת אנלוגיות דו-צדדית. ידע על מושג המטרה אומר לסטודנט אילו יחסים האנלוגיה חייבת לשמר. ידע על תחום המקור אומר לו אם בתחום המקור באמת יש את היחסים האלה. המבקרים החדים ביותר לא היו תמיד הסטודנטים שתחומי העניין שלהם תאמו את האנלוגיה. הם היו הסטודנטים שהכירו את תחום המקור מספיק כדי לבדוק אותו. לכך יש השלכה לעיצוב: מקור מוכר יכול להפוך סטודנט ממקבל למבקר מומחה. המחברים ממליצים להקצות אנלוגיות פגומות כאובייקטים לבדיקה ולתיקון, במקום לסנן אותן החוצה. האנלוגיה הפגומה הופכת לקושי פרודוקטיבי.

הממצא הזה מסבך את ההנחה הרגילה שהסברים שנוצרים ב-AI צריכים להיות מלוטשים לפני שהסטודנטים רואים אותם. אנלוגיה נקייה יכולה עדיין לקודד מיפוי שגוי, ואנלוגיה פגומה יכולה להיות מלמדת יותר אם המשימה היא ביקורת. התנאי החשוב הוא שלסטודנטים יש מספיק ידע מטרה כדי לדעת מה האנלוגיה חייבת לשמר, ומספיק ידע מקור כדי לבדוק אם היא אכן עושה זאת. בלי אחד מהשניים, האנלוגיה עלולה להיות זכירה מהסיבה הלא נכונה.

ANVIL מראה את צד הייצור. הוא לוקח הגדרה של מושג, מייצר אנלוגיה טקסטואלית, מקמפל אותה לתסריט, מפיק קוד אנימציה ומתקן כשלים בלופ תחום. המערכת הוערכה עם מחנכים למדעי המחשב, שדירגו את רוב האנלוגיות כמספקות והעריכו את הכלי כשותף יצירתי לתכנון שיעורים מוקדם. המחברים גם מצאו ששליטת המדריך, יכולת העריכה וההתאמה הפדגוגית היו חשובות יותר מאיכות הייצור הגולמית. ANVIL הוא תזכורת לכך שאנלוגיה שנוצרה ב-AI היא ארטיפקט מועמד, לא הסבר מוגמר: המורה עדיין צריך להחליט אם המיפוי תקין מבחינה מבנית ומתאים לכיתה.

רומל, נכטיגל ופנדרו משתמשים באנלוגיה כטיעון עצמו. התרמומיקס, מכשיר בישול מודרך, מעורר התלהבות וביקורת דומות לאלה של בינה מלאכותית יוצרת בחינוך. על ידי מיפוי תרחישי בישול על תרחישי למידה, הם מעבירים את הדיון מ"האם AI טוב או רע" ל"כמה מהעבודה מואצלת, ומה זה עושה ללומד?" האנלוגיה אינה ראיה; היא אמצעי שהופך רצף עיצובי לגלוי. זהו שימוש לגיטימי באנלוגיה במאמר מושגי, אך אין לטעות בו כהתערבות שנבחנה.

קוד כעוגן מוסיף אזהרת עיצוב. סטודנטים השתמשו בייצוגים מרובים, כולל תצוגת מטאפורה, אך בילו את רוב זמן המבט בקוד ורק חלק קטן בתצוגת המטאפורה. חלקם ראו את הפיגומים המטאפוריים כילדותיים או כמתקני פערים. מטאפורה שמדריך מוצא כמאירה יכולה להיקרא על ידי סטודנט כסימן ליכולת נמוכה. לגיטימיות היא חלק מהתועלת הפדגוגית, לא עניין נפרד.

מטאפורה כאוריינות AI ביקורתית

המסגרת הישירה ביותר להוראה עם מטאפורות מגיעה מרו, פרקינס ופורז (2025). הם מגדירים אוריינות AI ביקורתית כהבנה של אופן פעולת מערכות AI תוך בחינה של השלכותיהן החברתיות, הסביבתיות והתרבותיות. מתוך רשימה של 13 מטאפורות AI נפוצות, הם בוחרים ארבע מהן לשימוש בכיתה ומעריכים כל אחת לפי ארבעה קריטריונים: נגישות, כוח הסברי, פוטנציאל לאוריינות AI ביקורתית ותועלת פדגוגית.

הארבע הן:

• AI כמראה בבית מראות, לעיוות ולהטיה בפלט המיוצר.
• AI כמפה, לייצוג, לבחירה ולשאלה איזה ידע נכלל.
• AI כתא הדהוד, ללופי משוב, לבועות סינון ולחיזוק דפוסים קיימים.
• AI כקופסה שחורה, לאטימות ולגבולות ההסבר.

כל אחת מזווגת לפעילות קצרה ולדיון בהנחיית מורה. שיעור המראה בבית המראות מבקש מהסטודנטים לבדוק פרומפטים להטיה; שיעור תא ההדהוד מבקש מהם לצפות כיצד פרומפטים חוזרים ונתונים מוגבלים מחזקים דפוסים; שיעור המפה שואל מה הייצוג של AI כולל ומה הוא משמיט; שיעור הקופסה השחורה משתמש בייצור הסתברותי כדי להפוך תהליכים נסתרים לגלויים. המחברים ממפים את הפעילויות למסגרת כישורי ה-AI של אונסק"ו לסטודנטים, מה שנותן למסגרת נקודת אחיזה בתוכנית הלימודים במקום להשאיר אותה כקריאה כללית לדון במטאפורות.

המהלך החשוב ביותר של המסגרת הוא להתייחס למטאפורות כאובייקטים לביקורת. מטאפורה שימושית משום שהיא חלקית, והיא הופכת למסוכנת כשהיא מוצגת כשלמה. המראה בבית המראות מראה עיוות אך לא את האלגוריתם שמפיק אותו. המפה מראה ייצוג אך יכולה לרמוז לכוונה קוהרנטית שאין למערכת. הקופסה השחורה מראה אטימות אך יכולה לעודד את המסקנה שלא ניתן לדעת דבר. השיעור צריך להסתיים בשאלה היכן ההשוואה נשברת.

זה גם מה שמחבר עבודת מטאפורה לאוריינות AI באופן רחב יותר. סדנת מטאפורה היא דרך פשוטה מבחינה טכנולוגית להעלות הנחות לפני שיעור טכני. ביקורת של אנלוגיה שנוצרה ב-AI היא דרך להעריך אם סטודנט מבין את מושג המטרה. המטאפורה של סטודנט עצמו, כמו מכונת הממכר, יכולה להיות חושפנית יותר מפריט סקר מתוקנן. כל אלה הם צורות של חשיבה ביקורתית על AI, לא רק תרגילים בכתיבה יצירתית.

עיצוב הוראה מבוססת מטאפורות

• התחילו מהתכונה, לא מהדימוי. החליטו מה הסטודנטים צריכים להבין, ואז שאלו איזה תחום מקור משמר את היחסים שחשובים. השוואה זכירה שמצביעה על התכונה הלא נכונה גרועה מהסבר פשוט.
• בדקו התאמה מבנית לפני התאמה אישית. התאמת תחומי עניין יכולה להגביר מעורבות, אך אינה מבטיחה שלתחום המקור יש את המבנה הנכון. אמתו את המיפוי קודם, ואז התאימו אישית.
• בדקו את תחום המקור לנגישות תרבותית. מראות בבית מראות, מפות, ספורט ומכשירי מטבח אינם מוכרים באותה מידה לכל הלומדים. שאלו מה ההשוואה מניחה והציעו חלופות.
• הפכו את הגבולות למפורשים. בקשו מהסטודנטים לנקוב במה המטאפורה משמרת, מה היא מעוותת ומה היא אינה יכולה להסביר. הביקורת היא הלמידה הנמדדת, לא דיון רשות.
• השתמשו במספר מטאפורות חלקיות. מראה בבית מראות, מפה ותא הדהוד יכולות לחיות יחד משום שכל אחת מאירה ממד אחר. מטאפורה כוללנית אחת נוטה יותר להפוך לתפיסה מוטעית.
• השאירו את התיאור הטכני בקרבת מקום. אנלוגיה יכולה לפתוח נושא, אך אינה צריכה להחליף הוראה על נתוני אימון, ייצור הסתברותי, או ההבדל בין פלט רהוט לידע מאומת.
• העריכו את הפעילות, לא רק את המעורבות. המאגר עדיין אינו מראה ששיעורים מבוססי מטאפורה משפרים אוריינות AI או תוצאות למידה. התייחסו לפעילויות כתכנונים לבדיקה, ומדדו מה הסטודנטים יכולים לעשות אחריהן.

תפיסות מוטעות נפוצות

• "מטאפורה זכירה היא מטאפורה טובה." זכירות אינה כוח הסברי. סטודנטים יכולים לזכור אנלוגיה חיה ועדיין להבין לא נכון את המושג שהיא נועדה להבהיר.
• "מטאפורות הן איורים ניטרליים." כל מטאפורה בוחרת תכונות מסוימות ומסתירה אחרות. הבחירה נושאת הנחות על סוכנות, אמון ואחריות.
• "אנלוגיות שנוצרו ב-AI מוכנות לשימוש." אנלוגיות מיוצרות יכולות להיות שגויות מבנית, צרות תרבותית או לא מתאימות פדגוגית. הן זקוקות לבדיקת מורה או למשימת ביקורת של סטודנט.
• "אם הסטודנטים נהנו מהאנלוגיה, הם למדו את המושג." מעורבות ולמידה הן תוצאות נפרדות. בסיס הראיות כאן הוא בעיקרו איכותני ואינו מבסס רווח למידה.

גבולות ופערי ראיות

הספרות במאגר הידע הזה אינה אחידה. מחקרי המטאפורות של סגל וסטודנטים איכותניים ולרוב קטנים. מחקר סגל ההנדסה מנתח תגובות לשאלת ראיון אחת. מחקר המקצועיות מתייחס לספירת מטאפורות כאל מחקר ראשוני. מחקר האנלוגיות הכיתתי כולל עשרה סטודנטים לתואר ראשון ועירוב בין התאמה אישית לפורמט ההסבר. המסגרת של רו ואח' היא מושגית והפעילויות שלה לא נבחנו עם סטודנטים. ANVIL הוא הערכת מערכת עם מחנכים, לא מחקר למידה.

זה לא הופך את העבודה לחסרת תועלת. זה הופך את הטענות לצנועות כראוי. איסוף מטאפורות יכול לחשוף הנחות שסקרים מחמיצים. ביקורת אנלוגיות יכולה להפוך הבנה מבנית לגלויה. מטאפורה נבחרת היטב יכולה לתת לכיתה אובייקט משותף להתווכח עליו. אבל התחום עדיין זקוק למחקרים שמשווים הוראה מבוססת מטאפורות להוראה רגילה, מודדים העברה ולא היזכרות במטאפורה, ובוחנים אם הגישה עוברת בין תרבויות ותחומים.

הסיכון להצהרת יתר ממשי בשני הכיוונים. מורה שמתייחס למטאפורה כהסבר שלם יכול להחדיר תפיסה מוטעית. חוקר שמתייחס למטאפורה כקישוט גרידא יכול להחמיץ מנגנון שדרכו סטודנטים בונים מודל מנטלי או נכשלים בבנייתו. העמדה הפרודוקטיבית היא להתייחס למטאפורה כייצוג מעוצב, חלקי ובר-ביקורת, ולחקור מה הלומדים עושים איתה.

מושגים מחוברים

• אוריינות AI — המטרייה לאוריינות AI ביקורתית ולהוראה מבוססת מטאפורות.
• חשיבה ביקורתית — ביקורת אנלוגיות כצורה של חשיבה מבנית.
• תפיסות מוטעות על בינה מלאכותית — אנלוגיות פגומות כמקור לתפיסות מוטעות עמידות.
• אינטראקציה בין תלמידים לבינה מלאכותית — כיצד סטודנטים מפרשים ומבקרים הסברים של AI.
• סוכן פדגוגי — מתרגלי AI שמייצרים הסברים או אנלוגיות.
• עיצוב למידה — בחירה ורצף של חומרים מבוססי אנלוגיה.
• פיתוח חינוכי — איסוף מטאפורות בפיתוח סגל.
• חינוך להנדסה — מטאפורות של סגל וסטודנטים בהנדסה.
• חינוך במדעי המחשב — שימוש באנלוגיות וביקורתן בחינוך למחשוב.
• פריקת עומס קוגניטיבי — מטאפורות של כלי ועוזר והסיכונים שלהן.
• כיול אמון — תפקידים אנתרופומורפיים ואמון מוטעה.
• שוויון — אילו תחומי מקור נחשבים מוכרים.
• הוראה — שיפוט המדריך על הסברים שנוצרו ב-AI.
• בינה מלאכותית מוסברת — הסבר מערכת מול אנלוגיה פדגוגית.
• מעורבות סטודנטים — השפעות מעורבות של אנלוגיות מותאמות אישית.
• השכלה גבוהה — המסגרת של רוב המחקרים באשכול הזה.

מאמרים מחוברים

• Reflecting Reality, Amplifying Bias? Using Metaphors to Teach Critical AI Literacy — ארבע מטאפורות וקריטריונים להוראת אוריינות AI ביקורתית
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — סטודנטים מבקרים אנלוגיות שנוצרו ב-GenAI ומתקנים מיפויים שבורים
• Fear and awe: Making sense of generative AI through metaphor — סדנאות ניתוח מטאפורות עם סטודנטים, אקדמאים וצוות
• It's Like "X": How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding in Engineering Education — מטאפורות של סגל הנדסה בונות ומגבילות את הבנת AI
• Conceptualizations of GenAI and students' professionalization: Within the multi-layered environment of learning for higher education — תפיסות מטאפוריות של סטודנטים את GenAI ולמידה מקצועית
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — אנלוגיית מכשיר מטבח להאצלה וללמידה עם AI
• ANVIL: Analogies and Videos for Lecturers — אנלוגיות ואנימציות הוראתיות שנוצרו ב-AI למחשוב
• Using AI in engineering education: a balancing act, driven by clear purpose — מטאפורות "אורקל" ו"מתרגל" של סטודנטים חורגות מיכולות LLM
• Code as Anchor, Memory and Metaphor as Support: Learner Experiences with Multi-View Visualizations — פיגומים מטאפוריים של ויזואליזציה ובעיית הלגיטימיות שלהם
• Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies — מטאפורת "מכונת ממכר של משוב" של סטודנט כראיית אוריינות
• Alternative AI Philosophy: Daoism as Method for AI in Education — "ג'ן-רן" כמטאפורה נגדית ל-AI בחינוך