מאגר הידע AIEdAIEd KB
בעמוד הזה

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

מושגים

הערכה עמיתים

נוצר 2026-10-12

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

הערכה עמיתים — הפרקטיקה שבה תלמידים מעריכים, מדרגים או נותנים משוב על עבודתו של האחד, באמצעות סקירת עמיתים בכתב, דירוג עמיתים, סקירת קוד עמיתים, או הערכה קבוצתית וצוותית. בכתיבה הפדגוגיה מדובר בפרקטיקה מומלצת בעלת היסטוריה ארוכה: התלמידים לומדים הן מקבלת משוב מבוסס-קריטריונים והן ממתן המשוב, ודיבור עמיתים על עבודה משותפת מתאם ללמידה עמוקה יותר, למודעות קהל ולפיתוח חברתי. בעידן הבינה המלאכותית היא נבחנת מחדש כעיצוב הערכה ולא כפעילות בודדת — משלים אנושי למשוב שנוצר על ידי בינה מלאכותית, מגרש אימון לאוריינות משוב, ומקום שבו יושרה אקדמית וסוכנות התלמיד נמצאת במשא ומתן מחודש.

שאלות למחשבה

  • חשבו על פעם שבה עבודתכם הוערכה על ידי עמית — או שבה הערכתם את שלהם. ממה למדתם יותר: ממתן המשוב או מקבלתו, ומדוע?
  • מדוע משוב של תלמיד עשוי להיות מודע-הקשר ותומך-רגשית יותר ממשוב של בינה מלאכותית, בעוד בו-זמנית משוב הבינה המלאכותית עקבי יותר ומונחה-מחוון יותר? כיצד השניים יכולים להשלים זה את זה?
  • עמיתים נוטים להוריד ציונים מעבודה חזקה ובינה מלאכותית נוטה לנפח עבודה חלשה. אם אף אחד מהם אינו מדויק באופן מהימן לאורך כל טווח האיכות, לאיזה שימוש יש להקצות ציון מכל מקור?
  • הערכה עמיתים תלויה במידה רבה בפיגום ובקריטריונים ברורים, והטיית חברות וחברתי חרדה יכולים להפוך סקירת עמיתים לא מאומנת לגרועה ממצב של אי-סקירה. כיצד נראה אימון הולם בהקשר שלכם?
  • אם בינה מלאכותית מסוגלת לנסח טיוטות של הערות על ארגון ומבנה, האם זה הופך את הערכת העמיתית למיותרת — או שזה משחרר את העמיתים לתת את המשוב הספציפי והמודע-קהל שרק הם יכולים לתת?
  • משוב עמיתים בתמיכת GenAI העפיק על משוב עמיתים פשוט במחקר אחד, אך רק עם פיגום הנחיה שנוסף. מה בפיגום שם — הבינה המלאכותית, התלמיד, או ההערכה?
  • הערכה ביקורתית של משוב שנוצר על ידי בינה מלאכותית מתוארת כמבנה אוריינות AI וסוכנות כותבים. מה פירוש סוכנות על העבודה שלכם כאשר מכונות מגיבות עליה יותר ויותר?

מבוא

הערכת עמיתים היא בחירת עיצוב הערכה שבה תלמידים לוקחים על עצמם חלק מהעבודה המהלכת ששמורה בדרך כלל למרצים. הצורות שלה נבדלות במה שהתלמידים מפיקים ובמה שעל הכף: משוב עמיתים (הערות על טיוטה, לרוב מעצבות ובשיקול דעת נמוך), דירוג עמיתים (ציון התורם לציון), סקירת קוד עמיתים, והערכה קבוצתית או צוותית (שבה עמיתים מעריכים את המוצר הקיבוצי או את התרומות של האחד). הצורה קובעת על מה התלמידים מתאמנים — מתן הערה מבוססת-קריטריונים בונה שיפוט מהלך באופן שונה מהקצאת מספר, והגנה בעל-פה על הקוד של עצמך בונה דבר שונה שוב. הערכה עצמית, הפרקטיקה האחות, מפנה את בדיקת הקריטריונים המבוססת הזו לעבודתו של הלומד עצמו, בעוד הערכת עמיתים מפנה אותה להגשתו של עמית ולמודעות הקהל שבאה אתה.

בסיס המחקרים מסכים שהערכת עמיתים מפיקה למידה ואינו מסכים על כמה מכך תלוי בעיצוב. היא נותנת לתלמידים קהל אותנטי, מפתחת שיפוט מהלך באמצעות תגובות מבוססות-קריטריונים, ובונה את ההקשר החברתי שתומך במעורבות ובמוטיבציה. איכותה תלויה במידה רבה בפיגום — עד כמה היא מובנית, והאם התלמידים מקבלים קריטריונים ברורים ואימון. התלות הזו היא המקום שבו בינה מלאכותית נכנסת, כמשלים עקבי ומונחה-מחוון למשוב הספציפי והמודע-הקשר שהעמיתים נותנים, ובעיקר כפיגום הנבנה לתוך תהליך הערכת העמיתים עצמו.

מה תלמידים לומדים מהערכת עמיתים

הטיעון החזק ביותר להערכת עמיתים הוא שהמהלכת לומדת. Fowles et al. (2026) הפכו כל הגשה ב-CS1 לנושא של ראיון סקירת קוד בעל-פה בן 15 דקות עם עוזר הוראה מאומן, במשקל של 70% מציון המשימה. יחס הדבק-לתווים הכולל עלה מ-61.0% ל-68.1% (p < 0.0001), אך ציוני המבחנים לא ירדו וזמן-על-משימה נשמר; 90% מהתלמידים אמרו שהסקירות הניעו אותם להבין את הקוד שלהם טוב יותר ו-65% שהן עזרו להימנע מהעמסת יתר על בינה מלאכותית. הדרישה שהתלמידים יסבירו את עבודתם לעמית מאומן המרה פוטנציאל של פריקת מטלות לזדמנות פרקטיקה מוסדרת-עצמית.

המנגנון חוזר לאורך הספרות. בסקירה שיטתית של PRISMA 2020 של 22 מאמרים מתוך 203 שנבדקו, Martínez-Peláez et al. (2025) מצאו שמודלים לשוניים גדולים תומכים בשיתוף פעולה בחלקם באמצעות סיוע במשוב עמיתים ובסימולציה של הערכות מבוססות-מחוון, ושהתלמידים המאמתים ומתקנים פלט של מודל מפתחים חשיבה ביקורתית. לימוד דרך הוראה עולה גם בין מכונות: דיבור דמוי-למידת-עמיתים בין למעלה מ-2.4 מיליון סוכני AI היה ברובו הטענה ולא חקירה (יחס הצהרה-לשאלה 11.4:1, הרהור מטאקוגניטיבי רק 7% מטקסונומיה מקודדת על פני 28,683 פוסטים), אשר Chen et al. (2026) מתייחסים אליו כאזהרה שדיבור שטח לא מביא להוכחה שמשהו נלמד.

אימון, כיול ואוריינות משוב

הערכת עמיתים נכשלת באופן צפוי כאשר התלמידים אינם מאומנים. Gu, Chen, and Yan (2026) הרצו קוואזי-ניסוי של שיטות מעורבות עם 118 סטודנטים לתואר ראשון בשנה הראשונה בסין, תוך כדי השוואה של ChatGPT-4o תחת מחוונים מאומנים מראש לעומת גיליונות סקירת עמיתים מובנים עם דוגמה איכותית. אוריינות המשוב עלתה מעט יותר בקבוצת GenAI (ANCOVA p = 0.049, η²p = 0.03), אך ממצאי האיכות חשובים יותר: תלמידי קבוצת-עמיתים בחרו מקורות משוב לפי נוחות חברתית — עמיתים בקרבת מקום, עמיתים מאותו תחום, שותפים לחדר — נשארו לעתים נדירות עם יעדי משוב ספציפיים, ונתקלו בחרדה חברתית מהצגת בקשת משוב. הערכת עמיתים הייתה נגועה לעתים קרובות יותר בהטיית חברות ובמיומנות עמיתים הנתפסת, והרהור העמיתים התעכב לעתים קרובות עד בחינות מאוחרות יותר. החותמים ממליצים על תכנונים מרובי-שלבים עם משוב עמיתים אנונימי, מכיוון שסקירת עמיתים עדיין בונה באופן ייחודי מודעות קהל ושיפוט מהלך באמצעות מתן משוב.

מסגרות עיצוב מכוונות לצווארי הבקבוק האלה. Irwin and Muller (2026) מציעים שני תפקידים של GenAI במשוב עמיתים על דיבור ב-EFL/ESL, מקרה שהם טוענים שקשה יותר מכתיבה בגלל לחץ זמן, ביצוע בעל-פה חולף ואפקט מוגבר: מאמן התומך בנותני המשוב באמצעות כיול מבוסס-דוגמה ומשוב-על-משוב, ומסנתז האגרגט הערות עמיתים לדו"ח מושא-קריטריונים שמנרמל פורמטים, שומר על עמדות מיעוט, ומסמן סתירות. העקרונות שלהם הם תזמון ומיון זהירים, יחידות מאמן קצרות וחוזרות, שימור הקול של הנותנים, ומעקות בטיחות ששומרים על המורה בהלולאה ללא דירוג אוטומטי. המאמר קונספטואלי, ללא נתונים אמפיריים חדשים.

תקף, הוגנות ודיוק דירוג: עמיתים לעומת בינה מלאכותית לעומת מרצה

היכן שהערכת עמיתים מפיקה ציון, השאלה היא האם הציון ניתן להגנה. Usher and Faraon (2026) מצאו שהיישור בין עמיתים למרצה היה החזק ביותר בעבודה באיכות נמוכה (r = 0.51 בשכבה באיכות נמוכה) והחלש בפרויקטים באיכות גבוהה, אשר העמיתים נטו להוריד להם ציון — כנראה בלשקף היסוס מבקורת של עבודה חזקה. ChatGPT הציגה את הדפוס המנוגד: יישור טוב יותר בעבודה באיכות גבוהה, אך ציונים מנופחים להגשות חלשות. התלמידים תפסו ציוני העמיתים כעקביים יותר עם המשוב הכתוב של העמיתים עצמם, והעריכו את שיפוט העמיתים המודע-יחסים לצד העקביות הנייטרלית של ChatGPT. דיוק העמיתים תלוי-איכות ורגיש-יחסים, ואף מקור בודד אינו מהימן לאורך כל הטווח.

הדבר מגביל את השימוש שיש להקצות לציון עמיתים. ציון המכויל באמצע ההתפלגות אינו בהכרח מכויל בפסגה או בתחתית, ולכן ציוני עמיתים ניתנים יותר להגנה כקלט להחלטה מתונכת או כראיה לשיפוטו של המהלכת מאשר כציון סופי על עבודה חזקה. Suen and Hung (2026) מדגישים מדוע מוסדות ממשיכים לחפש חלופות מדידות: משוב עמיתים ואימון מומחה צורכים זמן, עולים כסף, וקשה להרחיבם באופן עקבי. המערכת במעגל סגור שלהם דרגה 204 לומדי מבוגרים בכישורי מצגת עם עמוד שדרה XGBoost המתקרב לאמינות מדרג מומחה (ρ = 0.69–0.78) ורווחי קדם-אחרי של Cohen's d = 0.39–0.90 — מחקר שדה קדם-אחרי אחד, לא השוואה להערכת עמיתים, שמחליף שיפוט מכונה במקוח להרחיב שיפוט עמיתים.

הערכת עמיתים מוגברת-בינה מלאכותית: PAIRR וחלוקת המאמן/המסנתז

דפוס העיצוב הדומיננטי שומר על העמית כמרכזי ומוסיף בינה מלאכותית סביבו. מודל Peer and AI Review + Reflection הוא המופע המתועד ביותר. Sperber et al. (2025) יישמו PAIRR ב-10 קורסי כתיבה ושלושה קורסי STEM עתירי-כתיבה, עם 654 סטודנטים (37% דור ראשון, 13% בינלאומיים, 68% רב-לשוניים). התלמידים טייטו, החליפו סקירת עמיתים, הנחו ChatGPT למשוב מונחה-מחוון על אותה טיוטה, העריכו באופן ביקורי את שניהם, תכננו שיפוצים, והרהרו. 58% העדיפו משוב משולב, 36% משוב עמיתים בלבד, ורק 6% משוב בינה מלאכותית בלבד. שני המקורות היו לעתים קרובות דומים (75% דיווחו על דמיון, שתואר כמאשר ומחזק זה את זה) ו, כאשר נבדלו, משלימים: משוב הבינה המלאכותית נקרא לעתים קרובות ככללי מדי (31%) אך נתן אסטרטגיות שיפוץ בר-ביצוע על ארגון ומבנה, בעוד משוב העמיתים היה ספציפי ומפורט יותר (28%) ונשען בידע הקשרי-למשימה. הערכה ביקורתית של פלט AI בנתה אוריינות AI, ורק 5.3% מהתלמידים הראו ביטחון-יתר בו.

הדפוס מתכלל לכתיבה מקצועית. MacArthur et al. (2025) יישמו PAIRR בקורס כתיבה עסקית ברמה מתקדמת שבו חמש משימות מרכזיות דרשו כל אחת טיוטה, ניתוח קהל, סקירת עמיתים על ידי 2–3 עמיתים, ושיפוץ (34 מתוך 46 סטודנטים רשומים השתתפו; 69% רב-לשוניים). התלמידים העריכו משוב AI אך מצאו אותו לעתים כללי מדי, והעריכו את הידע ההקשרי של העמיתים — "העמיתים שלי הסתכלו על זה מנקודת המבט של המעסיק... ChatGPT לא עשה זאת במידה כזו." רבע מהרהורים המקודדים במחקר PAIRR הגדול יותר הביעו סקפטיציזם כלפי משוב AI או ציינו אי-דיוקים, אשר החותמים קוראים כפיתוח אוריינות AI. המחקר תיאורי וספציפי-קורס.

GenAI כפיגום בתוך משוב עמיתים והערכה קבוצתית

המבחן הנוקשה ביותר לשאלה כמה העיצוב משנה הוא ניסוי אקראי-אשכולות מרובי-אתרים. Ateş (2026) חילקו 48 קבוצות לאורך 4 אוניברסיטאות — 1,176 סטודנטים לתואר ראשון בשנה הראשונה בביולוגיה, כימיה, ופיזיקה — לארבע תנאים לטיעון מדעי: משוב עמיתים בלבד, משוב GenAI ישיר, משוב GenAI מהרהר (הערכה עצמית ולאחריה ביקורת AI), והיברידי של הערכה עצמית → משוב עמיתים → ביקורת GenAI. GenAI ישיר ניצח את משוב העמיתים באיכות הטיעון המיידית אך הראה העברה חלשה יותר; התכנונים המהרהרים וההיברידיים הפיקו ספיגת משוב ולמידה מוסדרת-עצמית חזקים יותר; ההיברידי הראה את היתרון הברור ביותר בלמידה קונספטואלית; שניהם העפילו על GenAI ישיר בהעברה מודרכת-החופשית. הערך של GenAI, מסיקים החותמים, תלוי פחות בגישה ויותר בשאלה האם הסביבה משמרת סוכנות ובעלות תלמיד במהלך השיפוץ.

מיון משוב AI לפני דיון עמיתים, במקום אחריו, גם כן העלה תוצאות: לעומת משוב עמיתים בלבד, 122 סטודנטים סיניים ל-EFL שקיבלו משוב משולב AI-plus-עמיתים דיווחו על מעורבות אפקטיבית, התנהגותית וקוגניטיבית גבוהה יותר (partial η² = 0.29, 0.28, 0.32) והעפילו בכל ארבעת ממדי הכתיבה ב-IELTS, הגדול ביותר בהישג המשימה (d = 1.41) (Liu (2026)).

הדפוס הזה — יתרון מוקדם שאינו מתקיים — חוזר כאשר ההשוואה היא משוב מורה מול משוב עמיתים בסיוע AI במקום GenAI בלבד. Tang, Li, and Luo (2026) הרצו קוואזי-ניסוי בן שמונה שבועות עם 61 כותבי L2 סיניים (244 טקסטים מדורגים) שעבדו מרשימת בדיקה בעלת חמישה ממדים, כאשר כיתה אחת קיבלה משוב כתוב של מורה והשנייה משוב עמיתים בסיוע AI. משוב המורה הפיק יותר הערות בהרבה — 316 פריטים לעומת 185 במשימה הראשונה, מרוכזים באוצר מילים ובפרטים טכניים — ורווח המיידי הגדול מעט, אך שיפורו ירד בחדות עד המשימה השנייה בעוד כיתת משוב העמיתים בסיוע AI נשארה יציבה וסיימה עם ציון השיפוץ הגבוה יותר. ההערות של כיתת משוב העמיתים בסיוע AI היו פחות אך נשארו מעוגנות בתוכן ובמבנה, ויתרון המגוון הלקסיקלי המוקדם שלהן לא התמיד; אף מצב לא הזיז מורכבות תחבירית. החותמים קוראים את השניים כפיגומים משלימים ומציעים היברידי של AI–עמיתים–מורה, שבו AI מסמן שגיאות פני שטח במהלך הטיוטה, עמיתים מנהלים משא ומתן על תוכן בשיפוץ, והמורה מכוון למה שאף אחד מהם לא הגיע אליו.

הוספת GenAI יכולה גם להעלות את איכותו של משוב העמיתים עצמו, אך כנראה רק עם תמיכת הנחיה. Chang et al. (2026) השווו שלושה תנאים בין 45 סטודנטים-מורים ב-12 קבוצות לאורך ארבעה סבבים של טיעון שיתופי: משוב עמיתים פשוט, משוב עמיתים עם GenAI, ומשוב עמיתים עם GenAI תחת פיגום הנחיה. הקבוצות בתמיכת GenAI העפילו על משוב עמיתים פשוט בביצוע הטיעון, והקבוצה בפיגום ההנחיה הצליחה ביותר באלמנטים מתקדמים כמו "נתוני סתירה ועיגון" ו"התייחסות לעמדה המנוגדת". הקבוצות בתמיכת GenAI הפיקו יותר הסברים, הצעות, ומשוב נייטרלי או שלילי, והקבוצה בפיגום שידרה רגשות שליליים לצד תוכן משוב מסדר גבוה יותר — הערכה ביקורתית ולא קבלה פסיבית. מדובר בניסוי בודד קטן, אך הוא מבודד את פיגום ההנחיה כמרכיב הפעיל.

הערכה קבוצתית משנה את הבעיה, מכיוון שהתלמידים חייבים לנהל משא ומתן על שימוש AI המותר. Chen and Zou (2026) ריאיינו 15 קבוצות מיקוד של 52 מורים עתידיים בקורס שבו מצגת קבוצתית בשווי 30% מהציון הסופי דרשה שילוב והתלכדות. שלושה דפוסים הופיעו: סוכנות מונחית-שיתוף פעולה בחמש קבוצות, שהחריפו שימוש GenAI להחזיק את העבודה יחד ולשמור על ציון משותף; סוכנות נורמטיבית בשבע קבוצות, שצימצמו את השימוש כדי לשמור על אותנטיות והוגנות — תלמיד אחד הניח שהפקת חלק ב-AI תהיה "לא הוגנת לעמיתים הקבוצתיים האחרים"; וסוכנות לא-ממומשת בשלוש קבוצות שהפרקטיקה שלהן לא שונתה מעבודה אינדיבידואלית. החותמים טוענים שיכולת אינדיבידואלית אינה הופכת לסוכנות קיבוצית מעצמה ושהמשא ומתן על שימוש AI המותר צריך להפוך עצמו לתוצאה הניתנת להערכה, עם משימות סקירת עמיתים המזינות את המוצר הסופי.

ארכיטקטורת משוב, גילוי, והתנאים החברתיים של הערכת עמיתים

הערכת עמיתים תלויה גם במה שהתלמידים יכולים לראות זה מזה ובמה שהם יודו. Hao and Cukurova (2026) בדקו עיצוב למידה של סיכום שנוצר על ידי AI לאורך שלוש איטרציות עם 128 סטודנטים לאורך שמונה שבועות. תלמידים באיטרציות בתמיכת AI הראו מרכזיות out-degree סטנדרטית גבוהה יותר באופן מובהק מהקו הבסיסי (β = 0.547 ו-β = 0.438, שניהם p < 0.001): הם צפו או קיימו אינטראקציה עם יותר עמיתים. הראיות תיארו את הסיכומים כמפה ניווט שהפחיתה את המאמץ של מציאת תרומות קבורות בשרשורים בשם גרוע, והתלמידים התייחסו לתורמים פעילים שנבחרו בשל דעות מנוגדות ולא בשל חברות. העיצוב לא מנע ירידה בפעילות הצפייה תחת עומס עולה, ולכן יתרונות טכנולוגיים לבדם אינם מקיימים מעורבות.

נורמות עמיתים מעצבות גם יושרה, מה שחשוב בכל מקום שבו עמיתים מעריכים עבודה מושפעת-AI. Qu and Wang (2026) סקרו 409 סטודנטים לתואר ראשון מסינגפור על הסיבות להסתרת שימוש GenAI על אף דרישות גילוי, ומצאו שמשתנים יחסיים שלטו: גילוי עמיתים נתפס ונוחות עם מרצים היו החוזים החזקים ביותר של הגילוי, בעוד ניתוק מוסרי היה חלש יותר. אי-גילוי היה הסתגלות אסטרטגית לנורמות עמיתים נתפסות ולאמון פרשני נמוך, לא הזנחה מוסרית. נורמות עמיתים יכולות אם כן לתמוך ביושרה, כמו כאשר תלמידי הערכה קבוצתית צימצמו שימוש AI מחובת-זולת, או לדכא אותה, כמו כאשר אימוץ קיבוצי הוריד את הסיכון הנתפש של שימוש לרעה. שקיפות, טוענים החותמים, תלויה פחות בציות ויותר באמון ובאקלים נורמטיבי חיובי — תנאי יחסי שעיצובי הערכת עמיתים יוצרים או הורסים.

השלכות עיצוב ושאלות פתוחות

מספר מהלכי עיצוב נובעים. תנו למהלכות אימון, דוגמות, וקריטריונים לפני שהם מעריכים, מכיוון שהערכת עמיתים לא מאומנת פגיעה להטיית חברות, לבחירת מקורות מבוססת-נוחות, ולחרדה חברתית. סדרו את העבודה כך שהערכה עצמית מקדימה משוב עמיתים וביקורת AI, מכיוון שהתנאי ההיברידי הפיק את הלמידה הקונספטואלית החזקה ביותר ואת ההעברה המודרכת-החופשית הטובה ביותר. היכן ש-GenAI נכנס, ספקו פיגום לאופן שבו התלמידים מנחים אותו. שמרו על המורה בהלולאה לכל דבר שהופך לציון, התייחסו לציוני עמיתים כראיה תלויית-איכות ולא כציונים אחידים, והפכו את שימוש ה-AI עצמו לדבר שקבוצות מנהלות עליו משא ומתן ומתעדות.

סקירה בתיווך GenAI יורשת גם את הנורמות הלשוניות של הכלי: תורמים לשיח World Englishes טוענים שסוקרים המשתמשים ב-GenAI חשופים לאותה הטיה כלפי זרמי אנגלית דומיננטיים כמו המודלים, וממליצים על עריכה או שכתוב של טקסט שנוצר כדי לשקף את הזהות הלשונית של הכותב (Ugwuanyi et al. (2026)).

השאלות הפתוחות עוסקות בחוזק הראיות, לא רק בעיצוב. רב ראיות העמיתים-ובינה המלאכותית קטנות וקשורות-הקשר: 45 סטודנטים-מורים בקורס אחד, 34 סטודנטים בקורס כתיבה עסקית אחד, 52 מורים עתידיים ב-15 קבוצות מיקוד. סקר ה-PAIRR הוא מאגר הנתונים הגדול ביותר כאן והוא מודד תפיסות תלמידים, לא את איכות פלטי ה-AI שהתלמידים שפטו. רק 1,176 הסטודנטים לתואר ראשון בניסוי מרובי-אתרים מתקרבים לקנה מידה משווה-סיבתי, והוא בודק עיצוב משוב לטיעון מדעי ולא הערכת עמיתים ככזו. בינתיים O'Neill (2026) ביקרו 14 מטא-אנליזות שפורסמו שטענו ש-AI משפר חינוך ומצא שאף אחת לא סיפקה בסיס תקף לטענותיה — כל אלה פרט לשתיים הגדירו את הטיפול ככלי ולא כהתערבות פדגוגית, הטרוגניות הייתה גבוהה בכל מטא-אנליזה שדיווחה I² (77.2% עד 94.4%), וביקורת של 59 מחקרים ראשוניים מצאה ש-61% מהם היו עם חששות תקף, לרוב אי-התאמה בין התוצאה שנמדדה לטענה שנערכה. טענות על מה ש-AI עושה בהערכת עמיתים יש להתייחס אליהן כטענות על פעילות מעוצבת, שנבדקה במונחים של פעילות זו.

מושגים מקושרים

מאמרים מקושרים

שאלות נפוצות קשורות

מטא-דאטה

תחום דעתWriting Education
קהל יעדLearners, Instructors
למידה והוראהלמידה שיתופית, מטאקוגניציה, למידה עצמית מוסדרת
הערכה ומדידהאיכות המשוב של בינה מלאכותית, הערכה עיצובית, עבודה בקבוצות
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.