סוכן פדגוגי

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

סינתזה: סוכנים פדגוגיים הם ממשקים שיחתיים מונעי-בינה מלאכותית המשולבים בסביבות למידה ושמשתמשים באסטרטגיות פדגוגיות (עידוד, הוראה, פיגום) לתמיכה במעורבות הלומד, ברפלקציה ובמטאקוגניציה. העיצובים משתנים מספקי מידע פשוטים ועד שותפי דיאלוג אינטראקטיביים שמסתגלים למצבי הלומד.

שאלות למחשבה

• חשבו על פעם שצ'טבוט או מורה פרטי נתן לכם תשובה מושלמת שלא הותירה אתכם חכמים יותר. מה גורם לבינה מלאכותית "ללמד" ולא רק "לפתור" — ומדוע ציון בסט מדדים עלול לא לתפוס את ההבדל הזה?
• העמוד מוצא שצויני "פתרון" וצויני "פדגוגיה" בהוראה פרטית מתואמים חלש בלבד בין מודלים. מה זה אמור לומר לכם על הערכת מורה פרטי מבוסס בינה מלאכותית ביכולת שלו לענות על שאלות?
• עיצובים מסוימים מעניקים לבינה מלאכותית תפקידים נבדלים — מורה, בן-כיתה, מנטור — ואפילו שומרים על מעורבות הורה מרכזית (כמו ב-ParaTutor). מניסיונכם, האם מתן תפקיד ברור לסוכן משנה את הדרך שבה לומדים מקיימים איתו אינטראקציה?
• תלמידים אמיתיים רבים "עוקפים" את המסגור הפדגוגי של צ'טבוט כאשר המטרות של הסוכן מתנגשות עם אלו של הלומד. מדוע לומד עלול להתעלם באופן רציונלי מפיגום טוב, ומה זה אומר על הנחת "אם נבנה, הם ישתתפו"?
• האם הייתם מעדיפים ללמוד מבינה מלאכותית שאומרת לכם דברים, מכזו ששואלת אתכם שאלות, או מזו שמתוווכת דיון קבוצתי? כיצד ההעדפה שלכם מעצבת את דעתכם על מה ש"סוכן פדגוגי" צריך להיות?
• מספק מידע פשוט ועד צי של סוכנים מתמחים המתזמרים קורס שלם — היכם אתם חושבים שהערך (והסיכון) של הוראה פרטית שיחתית מבוססת בינה מלאכותית באמת נמצא?

מבוא

סוכן פדגוגי הוא רכיב בינה מלאכותית אינטראקטיבי בתוך מערכת למידה שמעסיק לומדים באמצעות דיאלוג, שאלות או הנחיות כדי לתמוך בתהליכים קוגניטיביים ובמטאקוגניטיביים. שלא כמו לוחות מחוונים פסיביים או משוב סטטי, סוכנים פדגוגיים מעסיקים אסטרטגיות הוראה פרטית מבוססות-ראיה — כמו עידוד הערכות-עצמיות של הלומד לפני מתן משוב, או פיגום של פתרון בעיות באמצעות דיאלוג סוקרטי. המטרייה מכסה כיום הכל, ממורה פרטי חכם שיחתי בודד ועד ציים של סוכנים ממומחי-תפקיד שמטיפים, ממנטרים, מקלים שיתוף פעולה, ואפילו מתזמרים יצירת קורסים, כולם מעוגנים בעשורים של מחקר על מערכות הוראה פרטיות חכמות.

כיצד סוכנים פדגוגיים נחקרים במאגר הידע

עיצוב וארכיטקטורה של סוכנים שיחתיים. חוט חוזר הוא כיצד הסוכנים בנויים, לא רק באילו מודלים הם מונעים. מסגרת המורים הפרטיים השיחתיים טוענת שטכנולוגיות מערכות הוראה פרטיות חכמות מוכחות — עקיבת ידע, זיהוי אפקט, מודלנציית תלמיד — צריכות לעגן מורים פרטיים יוצרים, תוך שמירה על עמוד-השדרה המאבחני בעוד שבינה מלאכותית יוצרת מספקת דיאלוג גמיש. עיצובים מרובי-סוכנים דוחים זאת הלאה: MAIC מחליף את "סרטון אחד ל-N תלמידים" של הMOOC בכיתה מונעית-מודל שפה גדול של סוכני מורה, עוזר, בן-כיתה ומנתח כדי לספק למידה מותאמת-אישית בקנה מידה גדול, בעוד שLecturaAgents מוסיף ProfessorAgent ממומש שאלגוריתם TASA שלו מיישר פעולות הוראה נראות (כתב-יד, הדגשה) עם פרופילי לומד. אפילו הוראה פרטית בין הורה לילד הופכת לבעיה של שני סוכנים בParaTutor, שבו פיגום מופרד-תפקידים שומר על ההורה מעורב באופן מרכזי במקום לאפשר לצ'טבוט גנרי לדחוק אותו. אותה לוגיקה מבוססת-תפקידים מופיעה בInstructional Agents, שבה סוכני סגל הוראה, מתכנן, עוזר הוראה ויו"ר תוכנית משתפי פעולה לאורך ADDIE כדי לייצר חומרי קורס.

שימוש משלים בסוכנים מבוססי-תפקידים מכוון אל פרקטיקת המורה ולא אל למידת התלמידים: Mohne et al. (2026) משלבים פרסונות תלמידים פדגוגיות, זיכרון מעוגן בחומר הקורס בפועל, ואורקל דובר מסוג מודל-שפה-גדול-כשופט כדי שמורים מתחילים יתרגלו מפגש קבוצה קטנה — 254 מפגשים אופציונליים בממוצע של כ-16 דקות כל אחד, בעלות של כ-\$0.05–\\$0.10 למפגש.

התנהגות הוראה מול פתרון. ממצא אמפירי מרכזי הוא שייצור תשובה אינו תמיכה בלמידה. מדידת האם מורים פרטיים מבוססי מודל שפה גדול מלמדים או פותרים מראה שצווני פתרון ופדגוגיה בסטי מדדים של הוראה פרטית מתואמים חלש בלבד (r = 0.421 לאורך שמונה מודלים), וטוען שסטי המדדים צריכים לדווח קריטריונים מוכווני-פדגוגיה — שאלות מנחות, רמזים מכוילים, פיגום לא-חושף — בנפרד. זה מתיישר עם ראיית המורים הפרטיים הספציפיים לעומת הבינה המלאכותית הכללית: מורים פרטיים מעוצבים פדגוגית עם מגנים ממתנים את צניחת ציוני הבחינה ואת עיכוב החשיבה שצ'טבוטים כלליים ליעדים כלליים מניבים, תוך שימור קשיים רצויים ומאבק פרודוקטיבי במקום לקצר אותם. עם זאת, סטי מדדים יכולים להגזים כמה טוב עובדים אפילו מורים פרטיים מפוגמים בשטח. מחשבה מחודשת על פיגום במורים פרטיים מבוססי מודל שפה גדול מוצא שתלמידים אמיתיים עוקפים לעתים קרובות את המסגור הפדגוגי של צ'טבוט, תגובה רציונלית לחוסר התאמה בין מטרות הסוכן ואלו של הלומד — ולכן יש להעריך את האימוץ, לא להניח אותו.

תפקיד בהוראה פרטית ובשיתוף פעולה. סוכנים ממוקמים ביתר ויתר לא כנותני תשובות אלא כמקל שיתוף פעולה ומתווכים. מסגרת המתווך הפדגוגי של Niari מתייחסת מחדש לבינה מלאכותית בלמידה שיתופית כמתווך אינטראקציונלי, אפיסטמי ורגולטורי — פיגום של השתתפות ורגולציה משותפת מבלי לדחוק את סוכנות המורה או את סוכנות הלומד. באופן קונקרטי, הוראה פרטית שיתופית מבוססת בינה מלאכותית (ProPACT) מתייחסת לשיתוף פעולה עצמו כאובייקט ההוראה, וצופה קריסות דו-אדםיות עד 30 שניות מראש ומספקת פיגומים פולשים-מינימלית השומרים מטאקוגניציה. חקירה ממומשת עם בינה מלאכותית כמקל שיתוף פעולה מראה שבינה מלאכותית יכולה להשלים בניית מודלים מעשית על ידי הקלת יישום של מודל שנבנה, בעוד שמטא-אנליזה של למידת שפה בסיוע רובוט מוצאת שהתוצאות עוקבות אחר האופן שבו סוכן רובוטי ממוקם בהוראה (אינטראקציה מבוססת-קבוצה) יותר מאשר אחר המתקדמות הטכנית שלו. האם התפקיד שהסוכן ממלא מספיק, או האם הוא חייב גם להסתגל את התנהגותו, מוטל בספק על ידי Liao (2026): מחקר יסודי של "שיח על ספר" מצא שבן-לוויה קבוע מסוג "עמית תלמיד" קיים אינטראקציות ארוכות יותר אך דיכא את סוכנות התלמידים ופגע ב"תקרה אפקטיבית" (רפלקציה רגשית/עתידית חלשה), וטוען שתיוג-תפקידים חייב להיות מזווג עם לוגיקת אינטראקציה מסתגלת-תפקידים ולא עם עיצוב חדש-תפקיד מונוליטי.

Ethics Training Agents (Seo et al., 2026) מראה מה קורה כאשר מסוכן פדגוגי מתבקשים לתאם ולא ללמד: מקל שיתוף פעולה מבוסס מודל שפה גדול שמטפל בחילופי-תורות (ערימה עם חלונות הרמת-יד של 15 שניות), ניהול זמן (קידום אוטומטי של שלב לסיכום לאחר 9 דקות), וסיכום מצטבר באצווה מקטין את הנטייה הקוגניטיבית של המשתתפים ונותן להם תחושה שהדיון היה "על המסלול" — משתתף אחד שיבח אותו לטובה לעומת ChatGPT, ש"לעתים קרובות יכול להראות מבולגן או להקשות על ראיית ההתקדמות של הרעיונות." אותו מחקר חושף את התקרה של סוכנים מבוססי-פרסונות: שלושת סוכני האתיקה-הנטויים הנבדלים דורגו משמעותית מתחת לעמיתים אנושיים בתרומה, במגוון ובהשפעה (Kruskal-Wallis p < .001), והמשתתפים ביקשו פלט מוכוון-תהליך ("כיצד הסוכן חושב") ולא מוכוון-מסקנה.

היכן סוכנים שיחתיים נמצאים בשימוש (והיכן לא) — תמונת סקירת המטרייה. סקירת המטרייה של סוכנים שיחתיים מבוססי בינה מלאכותית (Ganguly et al. 2025, 34 סקירות) מכמתת ניצול CAI: תמיכה בהוראה ובלמידה (97.1% מהסקירות), תמיכה פסיכולוגית ומוטיבציונית (91.2%), ופיתוח אישי ומטאקוגניטיבי (88.2%) מובילים, בעוד שתמיכה מנהלית (50%), ניהול מחקר ומידע (52.9%), ותמיכה בתחום הבריאות/הרפואה (41.2%) נגררים אחריהם. היא מסמנת גם שמחקר הCAI חסר הדרכת עיצוב מקצה-לקצה, שיטות שימושיות ספציפיות ל-CAI, ואסטרטגיות תזמורת-כיתה קונקרטיות לתפקיד המורה — ומחזקת שעיצוב הסוכן הפדגוגי חייב להיות מעוגן-HCI, מבוסס-ראיה ותשומת-לב לאוריינות AI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

הנציית תפקידים היא משתנה עיצובי, לא בחירה סטיליסטית. השוואת סוכני הפיזיקה (Wang et al. 2026, 59 לומדים) מבודדת תפקיד מוגדר-הנחיה תוך שמירה על מודל, פלטפורמה וטמפרטורה קבועים: סוכן ממורכז-מורה המעוגן במקור ספר לימודים חסום ועונה מנקודת מבט המרצה, לעומת סוכן ממורכז-תלמיד המוגדר עם ידע על הבנת התלמידים ומתוכנן-תסריט לאבחן תפיסות מוטעות, לקרוא שם למושג, ולהעביר למקרה אנלוגי. התפקיד הממורכז-תלמיד ניצח בכל תוצאה שנמדדה — ביצוע בפוסט-מבחן, נטייה חיצונית נמוכה יותר ונטייה גרמנית גבוהה יותר, חווית זרימה, ואמפתיה נתפסת — אפילו שהסוכן הממורכז-מורה היה זה שמוטב לדיוק ולנאמנות לספר הלימודים. זה הופך את התפקיד ואת דפוס האינטראקציה לפרמטר עיצובי ממדרגה ראשונה לצד ההנחיה ובחירת המודל, ומראה שאמפתיה יכולה להיות מהנדסת ממבנה שיחתי ולא ממודל שאומן אחרת (מחשוב אפקטיבי).

כוונת כותב-התוכן אינה מבטיחה פדגוגיה שנאכפת. כאשר 27 מורי בית ספר תיכון הגדירו כלי צ'טבוט גלוי-למורה, הערכה של 108 דירוגי קריטריון ברמת-הבוט מצאה שהתשובות המיוצרות התיישרו טוב בהרבה עם רספונסיביות (88.9%) ופרסונה (81.5%) מאשר עם כללים (70.4%) או עם המטרה המוצהרת (59.3%), מה שהמחברים ממסגרים באמצעות צורות פדגוגיות של מפרץ הביצוע ומפרץ ההערכה של Norman — פקודות תצורה בלבד לא הפכו את כוונת ההוראה של המורה לגלויה בהתנהגות הבוט (Riahi et al. (2026)).

סוכנים בהגדרות סוחפות ובמציאות מורחבת. Ross and Kaspar (2026) מרחיבים את המושג למציאות מורחבת (AR, וירטואליות מוגברת ו-VR) עם ACLIME, מסגרת קונספטואלית ש — שלא כמו CAMIL, CATLM-VR ו-TICOL — שומרת על הסוכן בתוך המודל. היא מכנה שני מצבי אינטראקציה הנלקחים מהספרות: המורה, המציע הדרכה, עידוד, חשיבה רפלקטיבית והסברים, ושותף משחק-תפקידים, שתופס תפקיד מוגדר בתוך תרחיש כמו תושב מקומי בטיול שדה על שינוי אקלים או גוף משא ומתן בהכשרה ארגונית. גופו של הסוכן (מראש-בלבד ועד גוף מלא) והתנהגותו נחשבים למשטחי עיצוב: ריאליזם חזותי לעומת התנהגותי, בקרת בינה מלאכותית גמישה לעומת תסריט קבוע מבוסס-כללים, דיבור מסונתז לעומת מוקלט-מראש, וערוצים לא-מילוליים הכוללים מבט, מחוות ופרוקסמיקה. טענה היא שסוחפות ואינטראקטיביות מבוססת-גוף מכפילות את הרמזים החברתיים שמאחורי נוכחות חברתית — ריאליזם התנהגותי, לא חזותי, מוצע כחוזה המכריע — בעוד שגופו הווירטואלי של הלומד מוסיף ממד הממושה (בעלות גוף, סוכנות גוף-עצמי וירטואלית, מיקום-עצמי) ואת אפקט הפרוטאוס. הפשרה המפורשת של המסגרת היא קוגניטיבית: סוחפות והנוכחות העלמית של הסוכן יכולים להעלות נטיעה קוגניטיבית אפילו כשאינטראקציה חברתית עם הסוכן מנמיכה אותה באמצעות אפקט זיכרון-העבודה הקולקטיבי, ושכבה זמנית (התנסות, התבגרות יחסי אנוש-סוכן, דעיכת חידושיות, פיתוח מחלת-סייבר) נוספת למשתני העיצוב הרגילים. הסטטוס שלה הוא בכוונה זמני: כמעט אין עבודה אמפירית שבוחנת סוכנים פדגוגיים במדיה סוחפת, ותוצאות למידה ארוכות-טווח וכן מאפייני לומד נמצאים מחוץ למודל.

הערכה וסטי מדדים. מדידת סוכן פדגוגי דורשת בחינת פדגוגיה, לא תוכן. The Teaching Monster Challenge מעריך ידע פדגוגי-תכני (Pedagogical Content Knowledge) על ידי בקשה מסוכנים להתאים שיעור לפרסונת לומד שצוינה, ומוצא שמערכות חזקות בתוכן אך חלשות בהתאמתו — וחושף ששופטי-מודל-שפה-גדול מדרגים לא נכונה מערכות חזקות. EduAgentBench מעריך סוכנים לאורך שיפוט פדגוגי מקצועי, הוראה פרטית מרובת-תורות מומשת, והשלמת זרימת-עבודה בסגנון קנבס, ומראה שמודלים נופלים קצרה מתקני הוראה מקצועיים. ספרות אינטראקטיבית מיוצרת-בינה מלאכותית מוסיפה זווית הערכת-עיצוב: קוהרנטיות ושילוב חידון, לא יכולת ייצור, מגבילים את התועלת לחוויית התלמיד. בחנו עמידות פרסונה במבחן-מתח לאורך תורות מרובות. Shouqi et al. (2026) הרצו שישה מתקפים מדרגיים נגד סוכנים משחקי-תפקידים עם שופט אוטומטי: בדיקת רב-אסטרטגיה קיצרה את העמידות ב-0.17–0.20 לעומת בסיס חדש-אסטרטגיה, וכשלים קריטיים התקבצו לאחר תורות 5–6, ולכן הערכות קצרות או חדש-תורות מגזימות ביציבות הפרסונה ובדבקות האתית.

הדרכה מעשית

תכננו לטובת סוכנות הלומד, לא לנוחות המודל. העדיפו מגנים ספציפיים-להוראה פרטית — פיגום, רמזים, חשיבה סוקרטית, כיוון לתפיסות מוטעות — על פני ייצור תשובות גלמי, מכיוון שפתרון והוראה מסתייגים. חלקו תמיכה לפי תפקיד משתמש (הורה מול ילד, עמית מול עמית) ולא דרך ממשק גנרי בודד, והתייחסו לשיתוף פעולה כמטרה חוקית לפיגום. אל תניחו שתלמידים יאמצו פיגום; העריכו את האימוץ בהקשרים אמיתיים. בנו פיקוח אנושי לתוך הכותב-תוכן — כמו שPromptDecipher עושה על ידי הפיכת הבקרת-איכות של המורה על תשובות הבוט לפעילות ממדרגה ראשונה — ובחרו backend זולים יותר היכן שהאיכות נשמרת. דווחו צווני הוראה ופתרון בנפרד, ואמתו תוכן מיוצר עם משתמשים במקום להניח שייצור שווה לתועלת.

העדפת הלומד היא תחליף גרוע לאיכות הפיגום: סטודנטים במודלנציה מתמטית נתמכת-בינה מלאכותית ביצעו באופן הטוב ביותר עם תפקידי עמית ועוזר הוראה, אך דירגו את תפקידי המורה המורים יותר ואת הסטודנט המצטיין גבוהה יותר בתועלת וביעילות עצמית (Zhu, Yang and Yang (2026)).

סקירה של 46 מחקרים על סוכני בינה מלאכותית בלמידה שיתופית נתמכת-מחשב מבדילה בין פיגום קוגניטיבי, הקלת שיתוף חברתית ותזמורת הוראה, ומוצאת שתשואות קוגניטיביות עקביות בעוד שתוצאות התנהגותיות, חברתיות ורגשיות תלויות-הקשר — ולכן יש לבחור את התנהגות הסוכן לפי התוצאה שהיא נועדה לייצר (Ba et al. (2026)).

קשרים למושגים קשורים

סוכנים פדגוגיים יושבים בצומת של הוראה פרטית חכמה (עמוד-השדרה המאבחני שלהם של עקיבת ידע ומודלנציית תלמיד) ובינה מלאכותית יוצרת/מודל שפה גדול (מנוע המסירה שלהם). הם מפעילים פיגום ומשוב, מכוונים למטאקוגניציה וללמידה עצמאית, ומכוונים ביתר ויתר ללמידה שיתופית. דאגות בטיחות חוזרות לאורך בטיחות פדגוגית, איכות כותב-התוכן, והסיכון שסוכנים יורידו למידה במקום לתמוך בה. כל זה מוערך באמצעות הערכת AIEd וסטי מדדים שחייבים למדוד הוראה, לא רק פתרון.

מהותית, סוכנים פדגוגיים נשפטים לפי תשואות הלמידה שלהם, לא לפי עדינות התגובה שלהם. הראיה של מאגר הידע היא שסוכנים מייצרים תשואות עמידות כאשר הם מעוצבים כמאמנים ספציפיים-להוראה פרטית עם מגנים — בינה מלאכותית ספציפית-להוראה פרטית עולה באופן עקבי על צ'טבוטים כלליים — ויכולים לפגוע בלמידה כאשר הם מחליפים את המאמץ של הלומד (ניסוי המגנים האקראי המבוקר, הסתמכות על מודל שפה גדול וציונים). מדידת תשואות הלמידה של סוכן דורשת לכן מידות תוצאה לא-מסוייעות וניתנות-העברה, לא ביצוע בתוך הכלי.

משוב טוב יותר אינו זהה ללמידה טובה יותר: התאמת סוכן עם מאגרי ידע וזרימת-עבודה הגבירה את דיוק המשוב ואת הספציפיות שלו אך השאירה התנהגויות ורגולטוריות, חוויות למידה ותוצאות ללא שינוי, ויתרון התשואה שלה הופיע רק תחת משוב מורה (Han et al. (2026)).

מושגים מקושרים

• רווחי למידה
• בטיחות פדגוגית
• בינה מלאכותית סוכנית
• בינה מלאכותית בחינוך
• חונך אינטליגנטי
• פיגום
• מטאקוגניציה
• משוב
• למידה שיתופית
• מודלי שפה גדולים (LLM)
• בינה מלאכותית יוצרת
• חוויית הסטודנט
• עקיבה אחר ידע
• למידה עצמית מוסדרת
• בינה מלאכותית עם אדם בלולאה
• פריקת עומס קוגניטיבי
• בנצ'מרק
• הערכת מערכות בינה מלאכותית בחינוך
• השיטה הסוקרטית
• הוראה

מאמרים מקושרים

• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — תפקיד סוכן ממורכז-תלמיד עולה על תפקיד ממורכז-מורה לאורך ביצוע, נטיעה, זרימה ואמפתיה (Wang et al. 2026)

• Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME) — ACLIME: מסגרת קונספטואלית לסוכנים פדגוגיים ב-AR/VR — מורה לעומת שותף משחק-תפקידים, ריאליזם, נוכחות, נטיעה קוגניטיבית (Ross & Kaspar 2026)

• Face value: How avatar identity shapes epistemic trust in AI-mediated learning

• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review

• AI-Generated Interactive Fiction for Educational Use: A Pilot Study of Perceived Comprehensibility, Coherence, and Engagement

• Embodied Inquiry with AI as Facilitator: An Exploratory Case Study

• Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning

• Adversarial Stress Testing of Role-Playing Language Agents using Multi-Agent Evaluation

• Findings of the First Teaching Monster Challenge: A Benchmark of Pedagogical Content Knowledge in AI Agents

• Advancing diagram-based reasoning in AI tutoring systems: a structural approach for STEM education

• TeachArena: Are Language Agents Ready for Realistic Teaching Work?

• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents

• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments

• LecturaAgents: A Multi-Agent Framework for Adaptive Personalized AI-Assisted Learning and Embodied Teaching

• Multimodality and Social Interactions in AI-Enhanced Embodied Robot-Assisted Language Learning: A Meta-Analysis

• Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact

• ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming

• The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents

• Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design

• The Evidence Base on AI in K-12: A 2026 Review

• ParaTutor: Coordinating Parent-Child Math Tutoring through Role-Separated LLM Scaffolding

• Agents That Teach: Towards Designing Incidental Learning Back into AI-Assisted Software Development

• PromptDecipher: Supporting AI Tutor Authoring Through Editable Simulated Interactions

• EducaSim: Interactive Simulacra for CS1 Instructional Practice — EducaSim: סוכני תלמידים יוצרים לפרקטיקת הוראה

• Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions — סקירת מטרייה של סוכנים שיחתיים מבוססי בינה מלאכותית בחינוך

• Exploring Conversational Agents for Novice Programmers: A Scoping Review — סקירת מיפוי של סוכנים שיחתיים למתכנתים מתחילים

• Artificial Intelligence Agents in Computer-Supported Collaborative Learning: A Systematic Literature Review — סקירה של סוכני בינה מלאכותית בלמידה שיתופית נתמכת-מחשב

• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Designing AI Systems to Support Productive-Failure-Based Learning

• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — פיגום מועדף במודלנציה מתמטית נתמכת-בינה מלאכותית

• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors — הסברים מסתגלים מבוססי מודל שפה גדול על שגיאות תכנות

• Beyond a single role: Justifying a role-adaptive framework for AI companions through a comparative study in elementary book talk — בן-לוויה מסתגל-תפקידים לשיח על ספרים ביסודי; תקרה אפקטיבית של סוכנים חדשי-תפקיד (Liao 2026)

• Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration — Ethics Training Agents: Facilitating Group-Based Ethics Education with Role-Playing and Discussion for Ethical Reflection and Exploration

• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Will It Teach as Intended? How Teachers Configure Educational AI Chatbots

• The Effects of Agent Type and Feedback Style on Self-Directed Learning: A Mixed-Methods Study — סוכן מותאם הגביר איכות משוב אך לא ורגולציה-עצמית או תוצאות; יתרון תשואה רק תחת משוב מורה