מושגים
ידע קודם
תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.
ידע קודם — הידע, הכישורים, האמונות והמודלים המנטליים שהלומד מביא עמו למשימת למידה חדשה. הוא החוזה החזק ביותר ללימוד עתידי: מידע חדש נפרש דרך — ומשולב עם — מה שהלומד כבר יודע, ולכן הוראה שמפעילה ידע קודם ובונה עליו מניבה למידה חזקה ועמידה יותר מהוראה שמתייחסת לכל לומד כאל מי שמתחיל מאפס. בחינוך באמצעות בינה מלאכותית, ידע קודם הוא מרכזי למידול הלומד והוראה אדפטיבית (התאמת הוראה למצבו הנוכחי של הלומד), לעקרון הקונסטרוקטיביזם ששידע נבנה באופן פעיל על גבי מודלים מנטליים קיימים, ולסיכון שכלי בינה מלאכותית המשיכים מראש תכנים ומציגים אותם עוקפים את תרגול ההעלאה מהזיכרון שמפעיל ידע קודם.
שאלות לשימת לב
- מהו הדבר שלמדת לעומק והדבר שנאבקת כדי ללמוד? כמה מההבדל נבע ממה שכבר ידעת כשהתחלת?
- אין די בכך שיש ללומד ידע קודם — יש להפעיל אותו באופן פעיל ולחבר אותו. מתי זכירת מה שכבר ידעת (או הכשל בזכירתו) שינתה את איכות הלמידה של משהו חדש?
- העמוד קובע שידע קודם יכול להפריע כאשר הוא שגוי (זו טעות תפיסה). האם תזכרו אמונה שנטלתם עמכם והקשה עליכם ללמוד מידע חדש ונכון?
- בינה מלאכותית גנרטיבית המשיכה מראש תשובות עוקפת את תרגול ההעלאה מהזיכרון שמפעיל ידע קודם. כיצד עלול כלי שנועד לעזור לכם ללמוד למעשה למנוע מכם לחשוב על מה שאתם יודעים?
- אם על בינה מלאכותית להעריך את מצב הידע הקודם שלכם כדי להתאים את הלמידה, מה קורה כשההערכה שגויה? כמה אתם בטוחים שמערכת מסוגלת לדעת במדויק מה אתם כבר יודעים?
- במה שונה "הפעלת ידע קודם" מפשוט לשאול תלמידים שאלה לפני הוראה? מה יהפוך הפעלה כזו להעמיקת אמיתית של הלמידה שבאה אחריה?
מבוא
הפעלת ידע קודם היא אחת הממצאים החזקים ביותר במדעי הלמידה: לומדים אינם סופגים חומר חדש בריק אלא ממפים אותו על סכמות קיימות, ואיכות המיפוי קובעת את ההישארות וההעברה (transfer). המושג הוא הבסיס ל"אורגנייזרים מוקדמים" של אוסובל (Ausubel), להפעלת ידע קודם לפני הוראה חדשה, לתרגול העלאה מהזיכרון כאמצעי להפעלה וחיזוק של מה שידוע, ולהערכה אבחונית של מה שהלומדים כבר יודעים. בעידן הבינה המלאכותית, נושא ידע קודם הפך לדחוף במיוחד, כיוון שבינה מלאכותית גנרטיבית (generative AI) יכולה לתמוך בהפעלה (נסחו ללומדים לזכור ולחבר את מה שהם יודעים) או לעקוף אותה לחלוטין (מתן תשובה מיידית או תכן משוך מראש שהלומד מעולם לא נאלץ לחלץ או לשלב).
התפקיד של ידע קודם
- הוא החוזה החזק ביותר ללמידה. עשורים של מחקר מראים שמה שהלומד כבר יודע מתאם עם תוצאות הלמידה ביתר עוז מכמעט כל גורם אחר, מכיוון שמידע חדש מקודד ביחס למודלים מנטליים קיימים. לכן, מערכות בינה מלאכותית המתאימות את עצמן למצב הידע הקודם של כל לומד מבטיחות יעודיות מיוחדת ליעילות ולהעברה (transfer).
- ההפעלה חשובה, לא רק החזקה. אין די בכך שיש ללומד ידע קודם — יש להפעיל אותו באופן פעיל ולחבר אותו לחומר החדש. זוהי הסיבה ש"הפעלת ידע קודם" היא מהלך הוראה סטנדרטי, וזוהי הסבה שתרגול העלאה מהזיכרון (זכירת מה שידוע לכם לפני שתוסיפים עליו) משפר למידה יותר מחשיפה חוזרת פשוטה.
- הוא אינו תמיד חוזה למי עושה את העבודה שמובילה למידה. במחקר חמישה-יומי על למידה באמצעות הוראה עם 23 חונכים מתיכון, ציוני מבחן קודמים לא נבאו את חלק תגובות בניית הידע שהחונך ייצר, וחונכים עם ידע קודם נמוך שבנו ידע סיימו באותו ממונה סטטיסטי כמו עמיתים בעלי ידע קודם גבוה (Ameen et al., 2026).
- הוא מעצב את הפרשנות. לומדים מפרשים מידע חדש דרך מה שהם כבר מאמינים לו. כשאמונות אלו שגויות (תפיסות מוטעות על בינה מלאכותית), ידע קודם יכול להפריע ללמידה, וזוהי הסיבה שההוראה חייבת לחשוף ולטפל בטעויות תפיסה במקום להניח נקודת מוצא נייטרלית.
- הוא מניע מידול הלומד. כדי להתאים אישית, על מערכת בינה מלאכותית להעריך את מצב הידע הקודם של הלומד — זהו הבסיס של עקיבה אחר ידע, מידול לומדים ופיגום מתאים. איכות ההערכות קובעת אם ההתאמה מועילה באמת או מטעה.
- תוכן הידע קובע איזה תרגול תהליכי מתגייס. האם הלמידה תלויה בזיכרון או באינדוקציה נקבע על ידי מבנה הידע הקודם של מטרת הלמידה: Rachatasumrit, Koedinger & Carvalho (2025) פועלים לפי מסגרת הKLI ומבחינים בין רכיבי ידע בתנאים ובתגובות קבועים (עובדות, הנרכשות דרך זיכרון ותרגול העלאה) לרכיבים בתנאים ובתגובות משתנים (כישורים, הנרכשים דרך אינדוקציה והכללה לקלטים חדשים) — וזוהי הסיבה שהתמהיל האופטימלי בין דוגמאות מעובדות לתרגול שונה בין תכן עובדתי לתכן כישורי.
ידע קודם בעידן הבינה המלאכותית
בינה מלאכותית גנרטיבית הפכה ידע קודם לשיקול מרכזי בתכנון ולא עוד למשתנה רקע:
- סיכון העקיפה. בינה מלאכותית יוזמת-פעולה (agentic) המשיכה מראש ומציגה תכנים עלולה לעקוף את תרגול ההעלאה מהזיכרון שמפעיל ידע קודם — הלומד מעולם לא נאלץ לזכור או לשלב את מה שיודע לפני שתשובה מגיעה אליו. זהו אחד משישה הסיכונים הפדגוגיים שזוהו במסגרת שיטות השיטה הטובות ביותר לחינוך מבוסס סוכנים, והוא קשור ישירות להסתמכות מופרזת ולעקרון הקושי הרצוי שעיבוד מתוך מאמץ תומך בלמידה עמידה.
- ידע קודם מעצב את דפוס ההעמסה החוץ-קוגניטיבית, לא רק את התוצאות. במחקר על כתיבת סינתזה, האשכול עם הידע הגבוה וההעמסה המינימלית חיבר 80% מהמאמר לעומת 2% אצל האשכול הכבד ביותר בהעמסה (ממוצע 25.1 הנחיות), ולכן נפח ההנחיות עקב אחר ידע קודם ולא אחר מאמץ (Poquet et al. (2026)).
- פער התועלת מתרחב. כיוון ששימוש פרודוקטיבי בבינה מלאכותית תלוי במה שהלומד כבר יודע, תלמידים עם ידע קודם חזק מנצלים אותו טוב יותר, בעוד שמתחילים הם הסבירים ביותר להתייחס אליו כתחליף — סיכון התפלגותי העלול להרחיב פערי הישגים גם כשהגישה שווה (Lodge & Loble (2026)).
- האצה והפעלה כעיצוב. גישות הכלי-נשק מנטליים של בינה מלאכותית גנרטיבית מעודדות באופן יזום "האצת משימת הלמידה" על ידי הפעלת ידע קודם וסקרנות דרך שאלות הנחיה, חזות וואנלוגיות הנוצרים על ידי בינה מלאכותית (לדוגמה, "מה אתם כבר יודעים על מערכות אקולוגיות?") לפני הצגת תכן חדש — ומדגימות את נתיב החילוץ-והשילוב במקום נתיב מתן התשובות.
- מידול לומדים וזיכרון. מערכות בינה מלאכותית ממידלות ביתר תוקף את מצב הידע הקודם של הלומדים ואת הזיכרון הארוך-טווח (לדוגמה, שילוב מצב ידע קודם ועקומות שכחה בזיכרון של מערכת החונכות), ומאפשרות חזור מרווח וסקירה מתאימה שנבנים על מה שכל לומד כבר יודע.(PersonaVLM: Long-Term Personalized Multimodal LLMs)
- מנוף התאמה אישית. כיוון שהלומדים נבדלים מאוד בידקם הקודם, את ההתאמה יש לכוונן ליחיד — טענה מרכזית בעד למידה מותאמת אישית ופיגום מתאים הפוגשים את הלומד במצבו בפועל ולא על סמך הנחת ממוצע כיתתי.
השלכות לתכנון בינה מלאכותית בחינוך
- הפעילו לפני שאתם מספקים. תכננו אינטראקציות עם בינה מלאכותית שיידו את הלומדים לחלץ ולנסח את מה שהם כבר יודעים לפני מתן תכן או תשובות חדשים — ובכך ישמר תרגול ההעלאה מהזיכרון במקום להיעלם.
- מדלו את מצב הידע הקודם של הלומד. בנו מידול לומדים והתאמה על בסיס ידע קודם מוערך (ועל טעותי התפיסה שבו), לא על בסיס אחידות מונחת, כדי שההתאמה האישית תהיה מסוגנת באמת.
- חשוף וטפל בטעותי תפיסה. כאשר הידע הקודם שגוי, הוא יפריע; ההוראה צריכה לעורר ולתקן טעויות תפיסה ולא להוסיף תכן חדש על בסיס פגום.
- שקלו את תשתיות החיכוך. הפעלת ידע קודם מוסיפה קושי רצוי (חילוץ, שילוב) שברירות המחדל של בינה מלאכותית — המוחקת חיכוך — נוטות למחוק; זוהי מתח שיש לנהל במודע ולא להניח לאוטומציה לפתור אותו כברירת מחדל.
מושגים קשורים
- לומדים — הלומדים: היריעה המרכיבה עבור מושגים בצד הלומד
- קונסטרוקטיביזם
- למידה מותאמת אישית
- מידול הלומד והוראה אדפטיבית
- תפיסות מוטעות על בינה מלאכותית
- מסגרת ICAP
- עקיבה אחר ידע
- פיגום
- למידה עצמית מוסדרת
- העברת למידה
- מטאקוגניציה
- פריקת עומס קוגניטיבי
- קשיים רצויים
- תיאוריות למידה
- כישלון פרודוקטיבי — כישלון פרודוקטיבי
- אחזור, ריווח ושילוב — כיצד מה שהלומד כבר יודע קובע מה תרגול ההעלאה יכול לעשות
מאמרים קשורים
- Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — המתח שבין אוטומציה ללמידה (סיכון הפעלת ידע קודם)
- Generative AI (GenAI) as a mindtool that supports generative learning (GL) — בינה מלאכותית גנרטיבית ככלי-נשק מנטלי: האצה והפעלת ידע קודם
- PersonaVLM: Long-Term Personalized Multimodal LLMs — מידול לומדים וזיכרון בעזרת LLM
- Artificial intelligence, cognitive offloading and implications for education — Lodge & Lobby על העמסה חוץ-קוגניטיבית
- Profiling cognitive offloading in LLM-mediated synthesis writing: Volume vs. content — העמסה חוץ-קוגניטיבית בכתיבת סינתזה באמצעות LLM
- WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators — מסגרת תכנון הוראה למתמטיקה
- Beyond prior knowledge: the predictive role of knowledge-building in tutor learning — בניית ידע, ולא ידע קודם, חוזה למידה של חונכים, וחונכים עם ידע קודם נמוך שבונים ידע מתאזרים
- Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content