קוד פתוח

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

קוד פתוח — השימוש במודלים, קוד, נתונים ותוכן ברישיון פתוח בAI בחינוך. פתיחות היא כרעיל-המשקל המרכזי של מאגר הידע לניעולת ספק (vendor lock-in) ולחשיפת נתונים: מודלים בעלי משקולות פתוחות יכולים לפעול על חומרה בקמפוס כדי לספק חובות FERPA, GDPR ו-EU AI Act, קורפורות ברישיון פתוח יכולות להיות מאונקדות ומכוונות-עדין ללא אישור מוציא-לאור, ושחרור מבחני-תקן (benchmark) וקבוצות נתונים פתוחים הופכים את המחקר לשחזיר. הנטל ממשי באותה מידה: תשתית והבטחת בטיחות, תחזוקה החורגת מחיי המענק, ואיכות שהפתיחות אינה מבטיחה מעצמה.

שאלות למחשבה

• "קוד פתוח" נשמע לעיתים כ"חינמי וקל". אילו מארבע השכבות שלהלן — מודלים, קוד, נתונים או תוכן — הוא זה שדורש ממוסדכם את העלות הגבוהה ביותר לאימוץ, ומדוע?
• משקולות פתוחות הופכות פריסה מקומית לאפשרית, אך מישהו עדיין צריך לארח, לתקן ולהעריך את המערכת. מי צריך להיות בעל העבודה הזו לאחר סיום הפרויקט הראשוני, ומי משלם עבורה?
• מחקר אחד כאן מצא מודל פתוח בגדל 32B שמביס מערכת קניינית גדולה בהרבה בידע פדגוגי, ואילו מחקר אחר מצא שכל מודל פתוח שנבדק נמצא מתחת לקו הבסיס האנושי באוריינות ויזואליזציה מדעית. כיצד תחליטו אילו מבחני-תקן הם הנכונים עבור ההחלטה שלכם?
• קורפוס יחיד ברישיון פתוח הוא מה שמאפשר לבית ספר להריץ עוזר מקומי-מוצב (on-premise) מעל חומרי הקורס שלו. אילו חובות נובעות מכך — כלפי היוצרים המקוריים, כלפי תלמידים שהנתונים שלהם מאונקדים, וכלפי הרישיון עצמו?
• אם בינה מלאכותית גנרטיבית יכולה להפיק קורס בפחות מחצי שעה ובמחיר של כמה דולרים, מהי הנמקת הנותרת עבור משאבי חינוך פתוחים — עלות, חופש רישוי, הבטחת איכות, או משהו אחר?
• האם מוסדות אמורים להתייחס לאימוץ קוד פתוח כהחלטת רכש, החלטת תשתית, או החלטה פדגוגית? מה נשבר אם מתייחסים אליו כאחד מאלה בלבד?

מבוא

במונחי יום-יום, "פתוח" בחינוך AI פירושו שהם סוגים ארבעה של ארטיפקטים זמינים לבדיקה, שימוש חוזר ושינוי: משקולות מודל, קוד מקור, נתונים וכלי הערכה, ותוכן חינוכי. המאמרים של מאגר הידע מתקבצים באופן בלתי-שווה בין השכבות האלה, והתמונה הנובעת היא מועילה יותר מן הסלוגן: פתיחות קונה דברים ספציפיים — שליטה מקומית, ביקורתיות, שחזוריות ובהירות משפטית — והיא עולה דברים ספציפיים — תשתית, מומחיות, תחזוקה, ונטל הבטחת-איכות שעובר מן הספק למוסד.

מודלים פתוחים ומשקולות פתוחות

משקולות פתוחות חשובות ביותר במקומות שבהם נתוני תלמידים אינם יכולים לעזוב את הקמפוס. LaTA הוא מעריך-ציונים (autograder) מקומי תואם-FERPA, ready-to-drop, לקורסי STEM ברמה מתקדמת, הבנוי על רובריקות ופתרונות ייחוס שכתבו מרצים, בעלות שולית אפס לכל הגשה. SCRIPT, מערכת חונכות בפייתון באוניברסיטת ביילפלד, נמנעת ביודעין מממשקי API מסחריים של LLM ומארחת בעצמה מודל Llama-70B בעל משקולות פתוחות כדי לספק את GDPR ואת EU AI Act (המסווג שימושים מסוימים של AI בחינוך כסיכון גבוה), מפרידה יומני IP ממערכת החונכות, משתמשת בשמות משתמש פסאודוניימיים, ורושמת הקשות רק בהסכמה מפורשת — בחירה שהמחברים מייחסים לה גם השפעה סביבתית נמוכה יותר ושחזוריות טובה יותר.

איכות אינה עוד המחיר האוטומטי של פתיחות. EduQwen מחיל למידת חיזוק (DAPO) וכיוון-עדין מפוקח על משפחת מודלים פתוחה, כורה 440 שליליים קשים, מייצר 40,000 תשובות סינתטיות שצומצמו ל-1,050 דוגמאות מסודרות-קושי, ומגיע ל-96.52% במבחן-תקן הפדגוגיה — מעל ל-90.55% של Gemini-3 Pro — ב-32B פרמטרים dense. AiAWE מגיע למסקנות דומות עבור הערכת כתיבה אוטומטית: Gemma-3-27B-it מותאם-LoRA בעל משקולות פתוחות מביס את LLaMA-3.3-70B ואת קו-בסיס GPT-3.5 מכוון-עדין על 480 חיבורי TOEFL ופועל על שרת ברמת צרכן, עם הממצא השלישי המדהים שספירת הפרמטרים אינה חוזה אמין לביצוע בהמשך תחת התאמת LoRA. העדות הנגדית ראויה לתיעוד שווה באותה מידה: מבחן-תקן של שישה MLLMs (שלושה סגורים, שלושה פתוחים) מצא שכל מודל קוד-פתוח נמצא מתחת לקו הבסיס האנושי באוריינות ויזואליזציה מדעית ואילו Gemini עלה על ממוצע האנושי בתתי-קבוצות מספר. פתיחות מרימה את התקרה על השליטה, לא על היכולת.

OmniEdu משחרר את כל הצנרת (pipeline) ולא רק את המשקולות: פיקוח מאוזן-יכולת על תערובת של 69,999 דוגמאות הרים כל סולם של משפחה פתוחה K–12 בגדלי 4B/9B/27B — המודל מכוון בגדל 4B הרוויח 55 נקודות שיעור ניצחון פיגום ב-MathTutorBench על בסיסו — ואילו אבחון מצב-הידע נשאר היכולת החלשה ביותר שלו ב-54.04% (Liang et al., 2026).

כלים פתוחים, מורות ותשתית מחקר

המקרה הברור ביותר לקוד פתוח הוא שחזור. OATutor — מערכת החונכות האדפטיבית הפתוחה הראשונה במלואה הבנויה על עקרונות ITS — משלבת מאגר קוד ברישיון MIT עם ספריית תוכן Creative Commons (CC BY) מספרי אלגברה של OpenStax, בתוספת מעקב ידע, בדיקות A/B ותמיכת LTI; מטרת העיצוב המפורשת שלו היא שחוקר יכול להריץ ניסוי ולאחר מכן לפרסם את המסגרת, התוכן והפלטפורמה מקצה-לקצה כולה כקישור למאגר (repository). StanBKT מעלה את הטענה הזו בשכב שיטה, ומחליף אומדי-נקודה של expectation-maximization בהסקה בייסיאנית מלאה (HMC, הסקה וריאציונית, Pathfinder, אופטימיזציה) בחבילת פייתון פתוחה שחושפת את אי-הוודאות שהשוואות A/B של התערבויות אדפטיביות תלויות בה. DeepTutor: Towards Agentic Personalized Tutoring משחרר מסגרת חונכות אייג'נטית שלמה עם זיכרון לומד מסוג יער-עקבות (trace-forest) — Apache 2.0, ובסוף 2026 סביבת למידה מלאה ולא רק הצנרת שמבחני-התקן שלה מודדים — ומחולל הכיתות OpenMAIC של MAIC נשלח תחת MIT לצד המחקר שמעריך אותו, כך שקורס יכול להיות מיוצר, מאוחסן-עצמית ונבדק ולא רק נקרא אודותיו; VISMATIC מפרסם את ארגז החול (sandbox) המכולתי שלו לניטור מונחה-תהליך, כדי שמוסדות אחרים יוכלו לאמץ את מודל היושרה במקום גרסת הספק שלו. קוד פתוח נושא גם את נטל השקיפות: התסריטים לרמזים החונכות המודעים-השפעה של MathBuddy מפורסמים לבדיקה ולעבודת אימון פדגוגי נוספת. תשתית פתוחה קובעת את נקודת הייחוס למה שעושות סוכנים חינוכיים: הסקירת ההיקף של מאגר הידע על 474 מחקרי AI אייג'נטי משתמשת בפרויקט סוכן קוד-פתוח בצמיחה מהירה כמבחן-התקן "פרדיגמת סוכן החוסן" (frontier agent paradigm) ומוצאת שמערכות חינוכיות חסרות עדיין תזמורת כלים מנוהלת, זיכרון מתמשך, תכנון לאופק-ארוך ופעולה ביקורתית.

מבחני-תקן פתוחים, קבוצות נתונים ושקיפות שיטה

מספר תרומות כאן הן תשתית הערכה פתוחה ולא מערכות. מבחן-התקן הפדגוגי (CDPK + SEND, בנוי מפריטים אותנטיים מבחני מורים בצ'יליאנים) משתרע על 97 מודלים: DeepSeek R1 בעל משקולות פתוחות הגיע ל-86.65% נגד עשרת-המובילים שרובם מודלי הסקה סגורים, וחזית העלות-דיוק זזה מ-~50% ל-~82% ב-\$0.10 למיליון אסימוני קלט בין אפריל 2024 ליוני 2025 — כאשר Qwen-3 8B הפתוח ב-3.5 סנט כמעט מתאים את מודל הסגור הטוב באפריל 2024 בעלות נמוכה ביותר מ-400×. הביצועים צונחים בחדות מתחת לכ-8B פרמטרים, וזו מגבלת גודל פרקטית לפריסות בקמפוס. ASTRA משחרר קבוצת נתונים, סכמה ואב-טיפוס להערכה מבוססת-עקבות של חונכות מרובת-סוכנים בעלת אינטליגנציה חברתית (540 משתתפים, 360 מפגשים, 1,440 פרקי-משימה). IKS-Instruct מראה את המקרה התרבותי לנתונים פתוחים: 24,795 זוגות הוראה-תגובה בשבע שפות ו-41 טכניקות פדגוגיות הנלקחות ממקורות וודיים וקלאסיים, מיושרים עם תוכנית הלימודים CBSE המוצעת, שאיפשרו למודל קומפקטי בגדל 7B להתקרב למודל ייחוס כללי גדול בהרבה (ציון שופט חציוני 6.39 לעומת 6.54) בשבר מהעלות של פריסה. מבחני-תקן שנכתבו על ידי תלמידים הם נתיב נוסף לפתיחות: AcademiClaw אוצר 80 משימות אקדמיות לאופק-ארוך מתוך 230 מועמדים שהגישו סטודנטים (המשתרעים על 25+ תחומים מקצועיים, 16 דורשים GPUs מסוג CUDA, המופעלים בארגזי-חול Docker מבודדים) ומרחיב אקוסיסטם סוכן פתוח להערכה ברמה אקדמית. Eimler et al. (2026) טוענים שהפתיחות היא חובה סביבתית גם כן: בסקירת כל מאמרי AIED 2025, הם מצאו דפוס של "אימוץ LLM ללא גילוי" וענו עם מתודולוגיית מדידה בקוד פתוח — כלי תוכנה בתוספת נוסחה המעריכה הוצאה חישובית גם כאשר ספירות הפרמטרים אינן ידועות.

משאבי חינוך פתוחים ותוכן פתוח

Shen et al. (2026) הוא המאמר היחיד במאגר הידע שבו משאבי חינוך פתוחים הם האובייקט המרכזי ולא ייחוס עובר. הם בונים עוזר מאגר-ידע AI מקומי-מוצב עבור חינוך מדעי המחשב מתוך 82 מסמכי OER על חומרה ברמת צרכן (RTX 3060 עם 12 GB VRAM), ומשלבים חילוץ מובנה, יצירה מגוברת-שליפה, וכיוון-עדין מודע-כימות NF4 4-bit. הכיוון-עדין הוסיף ערך ממשי מעבר לשליפה (Qwen-7B 69.8%, +3.2 נקודות-אחוז, p = 0.031; DeepSeek-MoE 78.6%, +12.0 נקודות-אחוז, p < 0.001, כולל 82.3% בהסקה מרובת-קפיצות); כיוון מודע-כימות החזיק את פער הדיוק 4-bit ב-1.7 ו-1.2 נקודות-אחוז תוך קיצוץ VRAM ב-~38% והאנרגיה ל-1.8 mWh לשאילתה (43.8% מתחת לקו הבסיס); והזיה שנאפפה על ידי כימות שוחזרה חלקית על ידי כיוון-עדין (DeepSeek-MoE 10.4% → 8.1%), נמדדה על ידי תהליך NLI דו-שלבי נגד חלקי OER שנשלפו. הנקודה האנליטית ניתנת להכללה: קורפוס ברישיון פתוח יכול להיות מאונקד, מותאם ומוגש ללא אישורי מוציא-לאור, והעיגון של עוזר ב-OER שנשלף מספק שביל ייחוס (provenance) ניתן-לבדיקה — וזה בדיוק מה שקורפוס ספר לימודים קנייני אינו יכול להציע.

פתיחות של תוכן ופתיחות של מודלים הן משלימות גם במקומות אחרים. OATutor אוצר ספרי OpenStax ברישיון CC BY למערכת שקודה ברישיון MIT, כך שהתנאים של הרישיונות של קוד ותוכן צריכים להישמר תואמים על ידי עיצוב. ספריית מודולים פתוחה ובריצה למערכות כוח AI מפחיתה את מחסום הכניסה עם מחברות Jupyter שפועלות מקומית או ב-Colab, הנמסרות באמצעות קורס מקוון של IEEE. ותכנית לימודים מבוססת-פרויקט בהנדסה מכנית מפרסמת את הסילבוס, הנתונים והקוד שלה במאגרים פתוחים-גישה כך שמוסדות אחרים יוכלו לאמצה (Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering). סמוך ל-OER, מסירת קורס פתוחה היא המקום שבו הכלכלה משתנה במהירות ביותר: MAIC מדווח על התמוטטות של הפקת MOOC מכ-\$25,000 ו-60 שעות לקורס לפחות מ-\\$2 ול-30 דקות עם יצירה מרובת-סוכנים מונעת-LLM. אם הפקת התוכן נעשית כמעט חינם, הטענה של OER זזה מנקודת עלות הפקה ונעשה לכיוון חופש רישוי, ניתנות-לאימות והבטחת איכות — וזו הצעה שונה מזו שעליה תעמולת OER נבנתה.

יתרונות ונטל

• יתרונות. ריבונות נתונים ותאימות רגולטורית (פרטיות, רגולציה) באמצעות אירוח מקומי; בקרת עלות, כיוון שהסקה מקומית אינה כרוכה בעמלה לכל שאילתה ומודלים פתוחים מתקרבים לאיכות קניינית בשבר מהמחיר (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning); שחזוריות, כיוון שהמסגרת, הרמזים, התוכן והנתונים יכולים להישלח עם המאמר (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research, ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring); ביקורתיות ובקורת בטיחות תחת מינהל מוסדי; והיכולת לכוון-עדין עבור פדגוגיה מסוימת או מאגר ידע של קהילה מסוימת (IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems).
• נטל. אירוח מקומי דורש חומרה ומומחיות של רבים ממוסדות אין להם; איכות ובטיחות אינן מובטחות מחוץ לקופסה — מודלים פתוחים עשויים לפגוע בקווי-בסיס אנושיים באוריינות ספציפיות (Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy) והכימות מרים שיעורי הזיה אם לא מוקל (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources); מישהו צריך לתחזק את המערכת לאחר הפרסום (Programming Intelligent Tutoring Systems מתעד צוות קטן של סטודנטים לדוקטורט, חשיפת אבטחת עבודה-בתהליך, ונטל תאימות משמעותי); ורישיון פתוח הוא הרשאה ולא מוצר עובד — התחזוקה השומרת מערכת משוחררת שמישהו מפתחי טכנולוגיה חינוכית בנו אותה שמישהו, ומימונם ותמריצים שלהם קובעים האם מאגר ניתן-למזלג, מוצר מתוחזק, או אף אחד מהם, הוא מה שמוסד יורש עם סיום המענק.

הוצאת הפתיחות אל הפרקטיקה

• עבור מרצים ומוסדות: בדקו את הרישיון של התוכן כמו גם של הקוד לפני אימוץ מערכת — קוד MIT מעל ספרי CC BY הוא בר-שימוש חוזר, אך רישיון מתיר אינו מבטיח שמסלולי חונכות, מאגרי פריטים או תרגומים קיימים. העדיפו מודלים פתוחים כאשר נתוני תלמידים לא יכולים לעזוב את הקמפוס מבחינה חוקית (LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework, Programming Intelligent Tutoring Systems), אך בדקו את המודל במשימה שלכם ולא בסומכים על טבלאות מובילות כלליות (Benchmarking the Pedagogical Knowledge of Large Language Models). תקצבו מישהו להריץ ולהעריך את המערכת לאחר הפיילוט.
• עבור מפתחים וחוקרים: שלחו את כל הדבר — שחרור OATutor מקצה-לקצה (קוד, תוכן, מתקן ניסוי) הוא תקן השחזוריות שהספרות הזו ממשיכה לתגמל. שחררו רמזים וסכמות חילוץ לצד המשקולות (Programming Intelligent Tutoring Systems, MathBuddy: Affective Math Tutoring). דווחו חישוב ופחמן (The Environmental Cost of LLMs in AIED: Reporting and Practices). העגינו עוזרים בקורפורי ברישיון פתוח כדי שהייחוס יהיה ניתן-לבדיקה וההסתגלה חוקית (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources). השתמשו בכיוון-עדין מודע-כימות ולא בכיוון פשוט אם דיוק ואנרגיה שניהם חשובים, ושמרו על רישיונות קוד ותוכן תואמים.

מושגים מקושרים

• חונך אינטליגנטי
• אימון וכיוונון עדין של מודלים לשוניים גדולים
• למידה מסתגלת
• פלטפורמת EdTech
• פרטיות
• רגולציה של בינה מלאכותית בחינוך
• ממשל בינה מלאכותית
• בינה מלאכותית סוכנית
• הערכה אוטומטית
• בנצ'מרק
• עקיבה אחר ידע
• RAG (יצירה מוגברת-אחזור)
• בטיחות פדגוגית
• קיימות
• שיטות מחקר ב-AIED
• כתיבה
• יושרה אקדמית
• מפתחי טכנולוגיה חינוכית

מאמרים מקושרים

• Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources — On-premise OER AI knowledge-base assistant on consumer hardware (Shen et al. 2026)
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — MIT-licensed adaptive tutor with a CC BY OpenStax content library (Pardos et al. 2023)
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning — Open 32B pedagogical model outperforming far larger proprietary systems (Singh et al. 2026)
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — Drop-in FERPA-compliant local-LLM autograder
• Programming Intelligent Tutoring Systems — Self-hosted open-weight LLM for GDPR/EU AI Act compliance in a Python ITS
• AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — LoRA-adapted open-weight model for automated writing evaluation
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Open Python package for full Bayesian knowledge tracing
• DeepTutor: Towards Agentic Personalized Tutoring — Fully open-source agentic tutoring framework with learner memory
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — Open containerized sandbox for process-oriented assessment
• MathBuddy: Affective Math Tutoring — Affective math tutor with an open codebase
• Benchmarking the Pedagogical Knowledge of Large Language Models — Open pedagogy benchmark across 97 models and the cost–accuracy frontier
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Open dataset and prototype for trace-based multi-agent tutoring evaluation
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Open models below the human baseline on visualization literacy
• IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems — Open multilingual dataset for culturally grounded instruction
• The Environmental Cost of LLMs in AIED: Reporting and Practices — Open-source method for reporting LLM environmental cost
• Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework — Open executable module library for engineering AI
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — Publicly available curriculum, data, and code
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — LLM-driven course generation and the changing economics of course production
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw
• AcademiClaw: When Students Set Challenges for AI Agents
• OmniEdu: Open Foundation Models for Learning and Teaching — OmniEdu: Open Foundation Models for Learning and Teaching