מאגר הידע AIEdAIEd KB
בעמוד הזה

העמוד הזה מתורגם לעברית. עמודי המאמרים עדיין כתובים באנגלית. קראו את העמוד הזה באנגלית

מושגים

ניתוח רשתות

נוצר 2026-10-12

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

ניתוח רשתות — משפחת השיטות מחקר שמדגימות יישויות (אנשים, מושגים, פעולות או קודים) כצמתים המחוברים בקשתות המייצגות קשרים או מעברים, ולאחר מכן מנתחות את המבנה והדינמיקה של הרשת המתקבלת כדי לחשוף תבניות בלתי נראות לספירות שכיחות או להשוואות זוגיות. במחקר בינה מלאכותית בחינוך, ניתוח רשתות משמש למפות תבנות אינטראקציה בין לומדים לכלי בינה מלאכותית, לדגם כיצד אלמנטים של ידע או שיח מתלווים, ולעקוב אחר רצפים זמניים של התנהגות. הוא כולל וריאנטים נבדלים — ניתוח רשתות אפיסטמי (ENA), המדגם את התלות המשותפת של קודים/קונסטרוקטים, ניתוח רשתות חברתיות (SNA), המדגם קשרים בין אנשים, וניתוח רשתות מעבר (TNA), המדגם רצפים זמניים של מצבים — כל אחד מהם מפעיל את "הלמידה כקישור" בדרך שונה. (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing) (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing) (Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies)

שאלות למחשבה

  • כשאתם שומעים 'ניתוח רשתות' בחינוך, אילו תמונות עולות בכם — מפות ידידות של סטודנטים, קישורים בין רעיונות, או משהו אחר? במה אלו נבדלים מספירה פשוטה של תדירות התרחשותם של דברים?
  • נניח שרציתם לדעת האם סטודנטים מתעסקים באמת במשוב של כלי כתיבה מבוסס בינה מלאכותית או שמקבלים פשוט תשובות. מדוע מדד של 'כמה פעמים הם לחצו' עשוי לפספס את הסיפור שרצף פעולות (למשל, לולאת עריכה לעומת לולאת צ'אט) היה חושף?
  • העמוד מבדיל בין ניתוח רשתות אפיסטמי, חברתי ומעבר. בלי לדעת את הפרטים, האם תוכלו לנחש באיזה וריאנט הייתם משתמשים כדי לחקור (א) כיצד אנשים משתפי פעולה, (ב) אילו רעיונות מתלווים בהיסק הסטודנטים, ו(ג) כיצד לומדים נעים בין מצבים לאורך זמן?
  • חוקר מוצא שללומדים בעלי אוריינות גבוהה ונמוכה משתמשים באותו כלי בינה מלאכותית אך מפיקים מבני חשיבה רשתיים שונים מאוד. מה זה אומר לכם על הערכת כלי בינה מלאכותית עם ציון ממוצע בודד?
  • מדדי רשת כמו 'צפיפות' ו'מרכזיות' מתארים האם האינטראקציה היא אקראית או מאורגנת סביב צמתי משיכה. מתי רשת מאורגנת שמרכזית סביב לומד אחד היא סימן לשיתוף פעולה טוב — ומתי סימן לבעיה?

מבוא

שיטות ניתוח רשתות חולקות הנחה ליבה: שמבנה הקשרים — לא רק נוכחותם או שכיחותם — נושא משמעות. במקום לשאול "כמה מ-X התרחש", הן שואלות "כיצד אלמנטים מחוברים, ומה הקישוריות הזו חושפת על קוגניציה, שיתוף פעולה, או תהליכי למידה?" זה הופך אותן לבעלות ערך במיוחד בבינה מלאכותית בחינוך, שם חוקרים רוצים יותר ויותר להבין את התהליך של אינטראקציית לומד-בינה מלאכותית (כיצד לומדים מנווטים משוב, דיאלוג ועריכה) ולא רק את התוצר (ציונים סופיים, שיעורי שגיאה).

הוריאנטים המשמשים בקורפוס של מאגר הידע

אלה נבדלים מ**גרף ידע**, שהוא מבנה נתונים לייצוג והיסק על עובדות (מאגר משולשים/אונטולוגיה), ולא שיטה אנליטית לחקר תהליך או מבנה קשרים.

ניתוח רשתות במחקר בינה מלאכותית בחינוך

שיטות רשת משמשות לאורך בסיס הראיות של מאגר הידע כדי לענות על שאלות שמדדים מצטברים אינם יכולים:

שיקולים מתודולוגיים

  • קידוד הוא היסוד. כל וריאנטי הרשת תלויים בקידוד אמין של נתונים גלמיים (אמרות, אירועים, קשרים) לצמתים/קודים בדידים; קידוד אוטומטי מבוסס מודלים לשוניים גדולים נמצא בשימוש גובר אך דורש אימות אנושי (למשל, κ של פלייס של 0.70–0.71 במחקרי TNA). (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)
  • להתייחס להסכמת המקודדים כבדיקה רצה, לא כסטטיסטיקה חד-פעמית. Galiç et al. (2026) קידדו 304 אמירות תצפית ב-α של קריפנדורף של .803 וניהלו מעקב אחר ההסכמה לאורך המחקר, וקידדו מחדש אמירות מנוגדות בכל פעם ש-κ המשוכפל ירד מתחת לסף הכיול מחדש שלהם של .85 (במקרים 18 ו-27), והזדקקו לכיול נוסף עד המקרים 36–51. הרצף הוא הנקודה: אמינות שנמדדה רק בסוף הייתה משאירה את מודלי המעבר המוקדמים נשענים על סחיפת מקודדים, מכיוון שדפוסי המעבר השבועיים היו הממצא של המחקר.
  • מדדים ברמת הרשת מסכמים מבנה. צפיפות, הדדיות, מרכזיות, וחוזק פנימי/חיצוני מתארים האם האינטראקציה אקראית או מאורגנת סביב צמתי משיכה "גרביטציוניים", וכמה הדדי החליפין.
  • השוואה סטטיסטית נדרשת להבדלים בין קבוצות. מבחני חי-בריבוע או מבחני פרמוטציה משמשים לבסס שהבדלי הרשת הנצפים (למשל, לפי מיומנות) אינם נובעים מהמזל. Shao et al. (2026) מראים שהאפס צריך להיבנות כדי להתאים לטקסט. בדיון מקרה עם עשרים סטודנטים לתואר מתקדם ממולדים-תחום, שיתוף המונחים המשותפים בגדל 3 עלה מ-5.2% ל-8.0% בעוד אסימוני תוכן ירדו לכ-0.65× מרמתם לאחר הקריאה. מבחן פרמוטציה של כל-השק היה היה קורא לעלייה הזו כמשמעותית; מבחן הפרמוטציה של אסימון-מותנה-אורך שלהם לא (Q6 p = .62, Q7 p = .15).
  • אמתו את המכשיר לפני קריאת הרשת שלו. Alatoai & Alshahri (2026) בנו את ה-AI-STEM-MLCS בן 45 הפריטים במסלול פיתוח-הקנה מידה המלא — יחסי תוקף-תוכן של מומחים, ניתוח גורמים חקרני ואז מאשר (CFI = 0.983, RMSEA = 0.019), ω של מקדונלד של 0.888–0.905, ו-ICC של בדיקה-חוזרת לשבועיים של 0.751–0.900 — לפני דיגוג ארבעת הממדים עם ניתוח גרף חקרני. גזירת מבנה מרשת שצמודיה הם ציוני קנה מידה לא מאומתים היא מה שהסדר הזה שומר עליו, והמחברים מכנים את האימות הסעודי-הספציפי כגבול להעברת המבנה.
  • פרשו בזהירות. גרגוריות הצומת (למשל, צומת "צ'אט" גס) יכול להסתיר כוונה; סיווג אוטומטי נושא עמימות מסוימת; ומבנה רשת חתך-זמני אינו מבסס סיבתיות.
  • רשתות שחושפות מה שמצטבר מסתיר. Pan et al. (2026) מצאו שהכיתה המסנתזה ב-GenAI גברה והשתתפה יותר מבקרתה, ואז חילקו את הכיתה הניסויית לפי ביצוע חציוני והראו שהרווח לא חולק: קבוצות בעלות הישג גבוה יזמו 60.7 אחוז מבקשות המשוב בסימונים שלהן לעומת 34.0 אחוז לקבוצות בעלות הישג נמוך, שנשארו בלולאה self-referential (הפרדת קבוצות משמעותית על ציר ה-X של ENA, U = 25.00, p = 0.01). לקח העיצוב הוא שאפקט אחד ברמת הקבוצה יכול לסכם שני מבני אינטראקציה שונים — ושתי הקבוצות היו כיתות שלמות, ולכן ההשוואה מזהה את הדפוס בלי לייחס אותו סיבתית.

השלכות למחקר בינה מלאכותית בחינוך

  1. העדיפו שיטות תהליך על פני מדדי תוצר בלבד. כדי להעריך אם כלי בינה מלאכותית תומכים בלמידה, דגמו כיצד לומדים מתעסקים בפועל (ספיגה, דיאלוג, עריכה) עם שיטות רצף/רשת במקום להסתמך על ציונים סופיים בלבד.
  2. השתמשו ב-ENA להשוואת מבני חשיבה. כששואלים כיצד לומדים או מצבים שונים (אנושי לעומת AI) מגדירים את ההיסק שלהם, ENA מספק השוואה ישירה וחזותית של רשתות תלות משותפת — טכניקה המתאימה היטב למידול הלומד של האופן שבו לומדים מחברים רעיונות.
  3. אמתו קידוד אוטומטי. עם מערכי נתוני יומנים גדולים, סיווג מבוסס מודלים לשוניים גדולים הוא עוצמתי אך חייב להיבדק כנגד קידוד אנושי (דווחו על הסכמה בין-מדרגים) לפני פרשנות מבנה הרשת.
  4. עצבו לדיפרנציאציה. ניתוח רשתות חושף לרואו שאותו כלי בינה מלאכותית מפיק תבנות אינטראקציה שונות בין תת-קבוצות לומדים — ומספק אינפורמציה לעיצוב אדפטיבי במקום להערכה במידה-אחת-לכולם.

אימות ENA של דיאלוג שיתופי מדומה

  • ENA כאימות לדיאלוג מדומה. Fang (2026) מחיל ניתוח רשתות אפיסטמי כדי להעריך אם סוכני מודלים לשוניים גדולים מכוונים-עדין משחזרים את המבנה של דיאלוג פתרון בעיות שיתופי אמיתי. בהשוואת וקטורי סמיכות מדומים לרשת האמפירית, הוא מדווח על מרחק ENA של 0.17 — בתוך סף האחוזון ה-95 של ההתפלגות האפסית, עם ערך p של פרמוטציה של 0.65 — ומדגים את עוצמתו של ENA כבדיקה כמותית על נאמנותן של סימולציות יוצרות של שיח, לצד יישומים אחרים של ENA/SNA/TNA במחקר חינוכי.

מושגים מחוברים

מאמרים מחוברים

מטא-דאטה

טכנולוגות ושיטותגרף ידע, אנליטיקת למידה
שיטות מחקר והערכהניתוח רשתות, שיטות מחקר ב-AIED
SourceHistoryEditChat

הטמעת העמוד הזה

העתיקו את הקוד שלמטה כדי להטמיע את העמוד הזה במערכת ניהול למידה או באתר אחר. הגרסה המוטמעת מציגה רק את תוכן העמוד — היא מסתירה את כותרת האתר, את הניווט ואת כותרת התחתונה.