הנדסת הנחיות

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

הנדסת הנחיות — הפרקטיקה של תכן ושיפור הקלטים למודלי שפה גדולים כדי להשיג פלטים רצויים. בחינוך, הנדסת הנחיות ממלאה תפקידים כפולים: ככישור לומד (תלמידים חייבים ללמוד לנסח הנחיות ביעילות) וכמנוף תכן מערכת (מפתחים יוצרים הנחיות שמעצבות את התנהגות החונכות של בינה מלאכותית).

שאלות לשימת לב

• קרוב לוודאי שהקלדתם הנחיה לכלי בינה מלאכותית לאחרונה. כעת שקלו זאת: הדרך שבה ניסחתם אותה אינה נייטרלית — היא עשויה לחשוף כיצד תכננתם, חשבתם וחילקתם את המאמץ שלכם. מה עשויות הרגלי ההנחיה שלכם לומר על האופן שבו אתם ניגשים לבעיות?
• מחקר מצא שמשתמשים המנסחים בקשות במיומנות מקבלים באופן שיטתי פלט טוב יותר מאלה המביעים את אותה כוונה בפחות מיומנות. אם אתם מקבלים את הטענה ש"זכות ההנחיה" אמיתית, האם גישה הוגנת לבינה מלאכותיות נמתטת טוב יותר באמצעות הוראת כולם לנסח טוב יותר, או באמצעות תכן מחדש של המערכת כך שלא תדרוש את הכישור הזה — ומהם הפשרות של כל גישה?
• האם הנדסת הנחיות היא "תרגיל" שיש לשנן, או כישור אינטלקטואלי אמיתי? קו אחד של מחקר מתייחס אליו כשיפוט מקצועי בתוך תחום דעת (עיתונות, משפטים, רפואה); קו אחר מתייחס אליו כליבה של אוריינות בינה מלאכותית. איזו תפיסה תואמת את החוויה שלכם לגבי מה שבאמת מפריד בין הנחיות טובות לרעות?
• הנחיות מתוכננות היטב יכולות לספק פיגום לחשיבת התלמיד, בעוד שהנחיות המשמשות poorly עשויות לעודד העמסה חוץ-קוגניטיבית. האם תזכרו רגע שבו תשובה של בינה מלאכותית חשבה במקומכם? מה בהנחיה — או בכוונתכם — גרם לכך, והאם היה ניתן לתכן אותה לעשות את ההיפך?
• הנדסת הנחיות היא גם כישור לומד וגם מנוע תכן-מערכת: חלק מהחונכים מנתבים ובוחרים הנחיות באופן אוטומטי עבור המשתמש. כאשר הנדסת הנחיות עוברת מהמשתמש למערכת, מה התלמידים מאבדים — ומה הם מרוויחים?
• קבעו מטרה קטנה לפני שאתם קוראים: לאחר למידה על הנדסת הנחיות, החליטו על דרך קונקרטית אחת שבה תשנו את אופן כתיבת ההנחיות בעבודה שלכם, ועל איזו תוצאה תבדקו כדי לדעת שהדבר עבד.

מבוא

הנדסת הנחיות היא מרכזית לשימוש יעיל בבינה מלאכותית גנרטיבית בחינוך. שלא כמו ממשקי תכנות מסורתיים, מודלי שפה גדולים מגיבים לשפה טבעית — אך איכות, דיוק והערך הפדגוגי של התגובות תלויים מאוד בתכן ההנחיה. מחקר במאגר הידע חושף שהנחיה אינה פעולה נייטרלית: היא משקפת כיצד תלמידים חושבים, מתכננים ומחלקים מאמץ קוגניטיבי. Miles, Haber-Curran ו-Arar (2026) מחדדים את מונח הכיסוי של המושג על ידי הבחנה בין הנדסת הנחיות, האופטימיזציה הטכנית של קלטים לביצועים, לבין אוריינות הנחיה, העבודה הרטורית, האתית והמהרהרת של הבהרת מטרה, קריאת פלט באופן ביקורתי ותיקון עם סיבות מוצהרות. מחזור אוריינות ההנחיה שלהם (הבהרת מטרה, יצירת ההנחיה, התערבות בפלט, שיפור ההנחיה, הגות) ורובריק תהליך לדגימה הופכים את ההבחנה לנלמדת, והם טוענים שהוראה שמטיבה פלטים בלבד משאירה את הממדים האתיים והאפיסטמולוגיים של שימוש במודלי שפה גדולה ללא נגיעה.

כיצד הנדסת הנחיות מופיעה במחקר

• הנחיה כעֵדות קוגניטיבית: Misiejuk et al. מראים שדפוסי הנחיה חושפים העמסה חוץ-קוגניטיבית — עבודה איכותית משתמשת בהנחיות עשירות-הקשר, מנומסות והוראה; עבודה באיכות נמוכה מראה התנגדות תגובתית ללא עגינת תחום
• העומק משפר את המוצר, לא את ההישארות. בקרב 22 בוגרי תואר שני, חלק ההנחיות החותרות-הסבר ("למה/איך/הסביר") נבא איכות משימה שנבדקה באופן עצמאי (β = 6.27) מעבר לידע בסיס ולנפח הנחיות, אך הראה קורלציה אפסית עם זכירה מיידית (Tsiligkiris (2026)).
• קוגניציית ההנחיה עוקבת אחר התחום, לא אחר התלמיד. Chang ו-Li (2026) סיווגו 60,087 הנחיות מ-116 קורסים ומצאו שפרופילי רמת-בלום נבדלו לפי תחום דעת — STEM Apply-prevalent (20.8%), מדע חברתי Create-prevalent (33.8%) — כאשר השונות ברמת הקורס עלתה על זו ברמת התלמיד.
• הנחיה כאוריינות: מחקר Tracing GenAI literacy וK-12 prompting literacy ממסגרים הנחיה כרכיב אוריינות בינה מלאכותית ליבה
• מתחילים נכשלים ל-טעיה-ושגיאה, ומאשימים את המודל. בסמינר לבלשנות טקסט, עשרה מתחילים בבינה מלאכותית גנרטיבית שכללו הנחיות באמצעות טעיה-ושגיאה, פענחו לעיתים רחוקות אל דוגמאות-בהקשר, וייחסו ברובם המוחלט פלטים גרועים ל-LLM ולא לתסריט ההנחיה שלהם (Brocca & Garassino (2026)).
• כאשר המרצה מדגים את ההנחיה, תלמידים משתמשים בה מחדש כפי שהיא. בקרב 310 הנחיות מוקלטות משתים-עשרה קבוצות STEAM של בית ספר ביניים, העתקה מדויקת של הוראת המרצה הייתה העמדה התכופה ביותר של התלמיד ב-47.1%, לפני חקירה ספונטנית ב-28.7% (Zhao & Li (2026)).
• מחזור רגולטורי מנצח נוסחת הנחיה. בפילוט קווזי-אקספירימנטלי עם 42 סטודנטים, תלמידים שלמדו מחזור IDEA (Intent, Deconstruction, Expression, Adaptation) ייצרו הנחיות ופלטים באיכות גבוהה יותר מעמיתים שלמדו הנחיית Role–Task–Context–Format בכל חמש קטגוריות המשימות (שיפורי הנחיה מותאמים של +11.77 עד +29.19 נקודות) (Wang et al., 2026).
• הנחיה כתכן מערכת: CoTAL משתמש בהנדסת הנחיות של אדם-בזרימה לציון הערכה יוצרת; הנחיה מבוססת-עוגן משפרת ציון מסה אוטומטי
• ההנחיה היא כישור הכניסה, לא התחום. Gorsky (2026) ממסגרת את אוריינות בינה מלאכותית עבור אנשי מקצוע בתחום התוכנה כיכולת לנהל סוכנים במקום להנחות אותם, ומכנה מסגור, מפרט, הנדסת הקשר, אימות, תזמורת רב-סוכנים וביקורתיות ככישורים שתוכנית לימודים חייבת להעריך (Gorsky (2026)).
• ניתוב הנחיה מסתגל: Learning to Prompt מתייחס לבחירת ההנחיה כחלק ממערכת החונכות עצמה — ניתוב הנחיות מודע-נושא מעל 14 מאפיינים פדגוגיים, כאשר נתב סטוכסטי בוחר את ההנחיה הטובה ביותר לכל שיחה. זה מעביר הנחיה מכישור לומד אל מנוע תכן-מערכת מסתגל, ומשפר מעורבות ויעילות (28.1% לעומת 19.6% המרת תרגיל במבחן A/B בעולם אמיתי).
• מדיאליות הנחיה: מחקר קלט קולי לעומת טקסט בוחן האם מדיאליות ההנחיה משפיעה על תוצאות למידה
• הנחיה מעבר לטקסט — איור מדעי. הנחיה יכולה לייצר איורים מולקולריים וכימיה-פיזית במהירות, אך רינדור משכנע מקומית עשוי להיות שגוי או לשאת הטיה ייצוגית, ולכן תלמידים חייבים לחקור חיזויים ויזואליים הנוצרים על ידי בינה מלאכותית מול עקרונות כימיים במקום לסמוך עליהם (Li et al. (2026)).
• הנחיה בפיגום: פיגום LLM מודרך ופיגום מעורבות ביקורתית מלמדים הנחיה מובנית כהתערבות למידה
• הנחיית מאמן עם תמיכה פוחתת: ב-ARPG+, מאמן בזמן אמת אבחן איכות הנחיה על פני שישה ממדים והחשיר תמיכה ככל שהכישור גדל, והרים את איכות ההנחיה הסופית ל-7.82 לעומת 5.95 עבור תבניות סטטיות ו-4.52 ללא סיוע (Ye et al. (2026)).
• לפירוק משימות יש אופטימום: יצירת שיעורי אימון חונכים בשלושה מקטעים ייצרה את השיעורים המדורגים ביותר (ממוצע 14.67) בעוד שמעבר יחיד קיבל את הדירוג הנמוך ביותר (10.67) וחמישה מקטעים נסוגו מתחת לשלושה — פירוק מתון מנצח את שני הקיצונים (Lin et al. (2025)).
• זכות הנחיה ושוויון: Jin et al. מראים שמומחיות הנחיה מחולקת באופן לא-שווה — משתמשים המנסחים בקשות במיומנות מקבלים באופן שיטתי פלט טוב יותר מאלה המביעים את אותה כוונה בפחות מיומנות. ה-Prompt Equity Transformer שלהם מעביר אופטימיזציית הנחיה מהמשתמש למערכת בינה מלאכותית, וטוען שפלט שוויוני צריך להיות מהונדס לתוך המודל במקום להידרש ממתחילים.
• שיפור ההנחיה מתייצב; מכוון-עדין לוקח פיקוד משם. תכן הנחיה איטרטיבי הניב שיפורי איכות-פריט פוחתים בהערכה שמיעה בשפה שנייה, אך מכוון-עדין של GPT-4.1 על ההנחיה המשופרת — כאשר ההנחיה נשמרה קבועה — ייצר פריטים עגינים הקשרית ומאוזנים יותר, ומבודד הסתגלות מודל במקום אמנות הנחיה כמנוף הבא (Aryadoust & Wong, 2026).
• הנחיה כשיפוט מקצועי מוצב. מעבר לאוריינות ולתכן מערכת, הנחיה ניתנת למסגור כפרקטיקה תחומית. טקסונומיית הDierickx et al. לעיתונות מתייחסת להגדרת משימה ולהנחיה כצורת שיפוט מקצועי המופעלת בתוך נורמות אפיסטמיות ואתיות של תחום דעת — תרגום עבודה עיתונאית למשימות מפורשות (איסוף חדשות ← הבנת משמעות ← עריכה ← פרסום/הפצה) הופך הנחות, סדרי עדיפויות ושיקולים אתיים לגלויים, והופך הנחיה לכלי פדגוגי לאוריינות בינה מלאכותית ביקורתית. ההיגיון שלה עובר למקצועות ידע-צפופים אחרים (משפטים, רפואה, מדיניות ציבורית).
• תכן הנחיה כמפרט הוראה. Neto et al. (2026) מוצאים בסקירה השיטתית שלהם על בינה מלאכותית גנרטיבית בהשכלה בריאותיות שהנחיה מתפקדת כצורת מפרט הוראה, המקודדת את מטרות הקוגניציה ואת קריטריוני האיכות המוכללים בכתיבת מומחה — ורק 34.8% מהמחקרים יישרו תכן נוצר עם מסגרות הוראה ורק 34.8% דיווחו על הנחיה בפרטים מספיקים לשחזור. Looi, Liu ו-Sun (2026) מראים נוספים כיצד ארכיטקטורת הנחיה עשויה להטמיע כללים פדגוגיים (שערי נכונות, גבולות אנטי-ספוילר, שערי פרידה) כדי להגביל התנהגות חונכות של מודלי שפה גדולים (LLM) בתחומים פרוצדורליים.
• הנחיה מודרכת-רובריק ומודעת-תפקיד. Yaşar et al. (2026) הראו שהנחיה מודרכת-רובריק — התייחסות לרובריק כממשק סמנטי בין כוונה פדגוגית אנושית לבין היסק מכונה — הנעה את ההסכמה בין LLM ואדם על עבודת תכן של תלמידים מ-54.75% ל-81.25% (אלפא של Cronbach 0.393 ← 0.798). רובריקים מהונדסים עבור LLMs חייבים לאזן דיוק וגמישות: מעורפל מדי מזמין פרשנות חופשית, נוקשה מדי מפחית את המודל להתאמת-דפוסים. הנחיה מודעת-תפקיד — הערכת אותו ארטיפקט תחת הנחיות מרצה, חוקר-עמיתים וחוקר-מענקים — ייצרה משוב מובהן, שונה-אפיסטומית, ומראה שהנחיה מעצבת לא רק דיוק אלא את העמדה ההערכתית של הפלט.
• פיגום הנחיה עשוי להרחיק מודל מהמורה. Almousa et al. (2026) הובילו שבעה מודלים לייצר משוב על כתיבה ברמת פסקה תחת שלוש אסטרטגיות הנחיה ומצאו שהוספת שמות קטגוריה או דוגמאות מעובדות הגדילה את הסטייה מהתפלגות המורה עבור רובם, ושיפרה רק את Mistral-7B (0.2695 ← 0.2398). בסיס ה-zero-shot נשאר הקרוב ביותר, ולכן הוראות סוג-מיקוד הן משהו שיש לבדוק במקום להניח.
• הנחיה מודעת-הקשר להערכה. הנחיה מודעת-הקשר של מודלי שפה מאומנים מראש מאוטמטית את הקידוד של כישורי פתרון בעיות שיתופי מנתוני תהליך, תוך מידול תלויות בין קודי התנהגות ושילוב יכולות קוגניטיביות וחברתיות. זה מאפשר ניתוח CPS מובנה בקנה מידה ובזמן אמת, ומתגבר על עוצמת העבודה של תסריטי קידוד ידניים.
• תבניות מבוססות-תפקיד ורובריקים איכותיים לתכן מורים. Luo ו-Tahir (2025) מפתחים באופן אמפירי מסגרת הנחיה לתכן שיעורים STEAM אמנותיים עבור ילדים המשלבת תבנית Role (R) – Instructions (I) – End Goal (E) (מותאמת מ-RISEN) עם רובריק אופטימיזציה של "ארבע נקודות וקו אחד" — סטנדרטי, מעשי, מרתק ומלא, בתוסף ממד הרחבה. יישום הרובריק לביקורת ושיפור הנחיות שמר על תכניות נוצרות מקובלות על מורי אמנות עורכים (דירוג ממוצע מעל 4/5) תוך חשיפת פערים חוזרים (התאמה אישית, אילוצי בטיחות ילדים, הטיה תרבותית) שהנחיה חד-פעמית פשוטה לא התייחסה אליהם — ומראה שתבניות הנחיה בתוסף קריטריוני הערכה מפורשים מתפקדות כפיגום בקרת-איכות לייצור בכיתה.
• תכן תפקיד ואילוצים כמשתנה הבלתי-תלוי. Wang et al. (2026) משווים שני סוכנים הבנויים על אותו מודל ופלטפורמה בטמפרטורה 0.3 שההבדל היחיד ביניהם הוא כיצד ההנחיה מפרטת תפקיד, כישורים ואילוצים: סוכן מורה-מומחה העונה ממקור ידע מוגבל של ספר לימודים לעומת סוכן אמפתי-ממוקד-תלמיד שמסופר לאבחן תפיסות מוטעות על בינה מלאכותית ולבדוק הבנה. הבדל התפקיד בלבד שינה ביצועי למידה, עומס קוגניטיבי, חוויית זרימה ואמפתיה נתפסת, ומראה שמפרט התפקיד הוא החלטת תכן-הוראה עם אפקטים נמדדים ולא צורת-דיבור סגנונית (סוכן פדגוגי).
• הנחיה כעיצוב-הערכה. Xiong et al. (2026) ממופים את מודלי-התלמיד, הראיה והמשימה של עיצוב-ממוקד-ראיה על חלקי ההנחיה לצורך-ניקוד, וגוזרים חמישה עקרונות — כוונותיות, עקביות-מעקב, אחריות, איטרציה ושוויון; ההנחיות שבנו ב-ECD ניקדו חיבורים נרטיביים ביתר דיוק מבסיסי zero-shot, few-shot ושרשרת-מחשבה.

קשרים למושגים רחבים יותר

הנדסת הנחיות מתחברת לפיגום — הנחיות מתוכננות היטב יכולות לספק פיגום לחשיבת התלמיד במקום לעקוף אותה. היא מצטלבת עם מטאקוגניציה ועם אוריינות בינה מלאכותית, מכיוון שהנחיה יעילה דורשת הבנה הן של יכולות הבינה המלאכותית והן של מטרות הלמידה של האדם עצמו. מחקר ההעמסה חוץ-קוגניטיבית מקשר ישירות איכות הנחיה לכך האם שימוש בבינה מלאכותית תומך בלמידה או פוגע בה.

• כישור כתיבה מניע הנחיה, ושניהם חוזים להצלחת vיב-קוד. במחקר CHI 2026 רשום-מראש (N=100), Thorgeirsson, Weidmann & Su מצאו שיכולת תקשורת בכתב נבאה ביצועי vibe-coding ממוקדי-GUI (r = .29), כאשר איכות הנחיה המדורגת-אנושית מתוויכת את הקישור — ראיית תהליך-תגובה שהפרוזה הברורה והמובנית מתורגמת להנחיות תכנות בשפה טבעית טובות יותר. גם כישור כתיבה וגם הישג CS היו חוזים בלתי-תלויים, והישג CS (r = .39) נשא כפליים את השונות הייחודית, ולכן שיפור ההנחיה לבדו לא סביר כשיחה מלאה לעקרונות יסוד של תכנות בפיתוח LLM-native.
• אסטרטגיית הנחיה חוזה לביצועים. מחקר אמפירי של 128 סטודנטים להנדסה מצא שיעילות שאילתה בבינה מלאכותית (הנחיות ברורות ומובנות היטב) ופתרון בעיות מונע-בינה מלאכותית (שילוב אסטרטגי של פלט בינה מלאכותית בהגיה) היו החוזים החזקים ביותר להצלחה אקדמית — גם לאחר בקרה על GPA — ומצביעים שהנחיה היא כישור נלמד שמעצב את היעילות של הלמידה של תלמידים עם בינה מלאכותית.
• סגנון הנחיה, לא רק איכות ההנחיה, עוקב אחר תוצאות. תכונות שנגזרו מ-1,540 סשני חונכות קשרו שאלה קונספטואלית לביצועי בחינה בעוד שהתנהגויות הקצאת-משימה התאמתו באופן שלילי — אך אותן תכונות נכשלו לחזור בסמסטר הבא, ולכן הן דפוסים התנהגותיים ולא כישורים יציבים (McNichols, Du ו-Lan (2026)).
• טקסונומיה שמישה, ואילו קטגוריות הנחיה באמת משלמות. Jacobsen et al. (2026) מתרגמים אסטרטגיות טכניות למודל 3K (Kontext, Kernauftrag, Klarheit — הקשר, משימת ליבה, בהירות): אחת-עשרה קטגוריות מוכוונות-פרקטיקה, כל אחת עם רובריק טוב/ממוצע/תת-אופטימלי, וכל אחת נבדקה כווריאציה ניסויית על משוב הנוצר למטרות למידה של מורים לפני-שירות. שפה טכנית ייחודית-תחום הייתה הקטגוריה הקובעת — החלפת מונחי מקצוע בפרפרזות יומיומיות הפחיתה באופן מובהק את איכות המשוב בכל שלושת המודלים (β = −0.412) — בעוד שהוספת דוגמאות קונקרטיות והסרת הוראת שרשרת-המחשבה לא ייצרו הבדל מובהק מבסיס במחקר הראשון; דוגמאות כן עזרו כאשר הניתוח שוחזר עם שילובי מודל-הנחיה הטובים ביותר (β = 0.52). איכות הנחיה ובחירת מודל יחד הסבירו 42.8% מהשונות באיכות המשוב המדורגת, וזוהי הטענה של המאמר שהנדסת הנחיות היא מיומנות נמדדת ונלמדת ולא העדפה סגנונית — ושהקטגוריות שלה אינן ניתנות להחלפה בגודל האפקט.

מושגים קשורים

• דפוסים פדגוגיים — שכבת הפיגום בתוך סדרות שימוש מובנות
• קידוד אווירה
• מעקות בטיחות
• פיגום
• אוריינות AI
• בינה מלאכותית סוכנית
• מטאקוגניציה
• עיצוב תוכנית לימודים
• פריקת עומס קוגניטיבי
• כתיבה
• חינוך גן ותיכון (K-12)
• בינה מלאכותית יוצרת
• עיצוב למידה
• חינוך במדעי המחשב
• השכלה גבוהה
• טכנולוגיות — מטריה: טכנולוגיות וטכניקות בינה מלאכותית (מודלים, אימון LLM, רובוטיקה, RAG, סוכנים)

מאמרים קשורים

• 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 — הנחיות תפקיד ואילוצי סוכן כמשתנה התכן בלמידת פיזיקה (Wang et al. 2026)

• How to Train Your Dragon: Evaluating Prompting and Fine-Tuning for GPT-Based Item Generation in L2 Listening Assessment — הנחיה לעומת מכוון-עדין לייצור פריטי שמיעה בשפה שנייה מבוסס GPT (Aryadoust & Wong 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — מה שתלמידים שואלים חשוב: עומק אינטראקציית LLM, איכות משימה וזכירה מיידית (Tsiligkiris 2026)

• ARPG+: a simulation-based study of real-time coaching for educational LLM prompting — ARPG+: אימון בזמן אמת להנחיית LLM חינוכית

• A Taxonomy of LLM-Supported Tasks for Critical AI Literacy in Journalism — טקסונומיה מבוססת-משימה של משימות LLM לאוריינות בינה מלאכותית ביקורתית בעיתונות

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Prompt Privilege: measuring & mitigating accessibility disparities in LLM access

• Principal Trait Analysis: Towards Deriving 'Skills' in Human-AI Collaboration — Principal Trait Analysis: data-driven traits of human-AI collaboration

• LLMs in text linguistics teaching: An exploratory study with genAI novices in higher education — LLMs in text linguistics teaching

• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — מסגרת IDEA לשימוש מוסדר-מטאקוגניטיבי בבינה מלאכותית גנרטיבית

• Automatic Large Language Models Creation of Interactive Learning Lessons — ייצור LLM של שיעורי אימון חונכים אינטראקטיביים (Lin et al. 2025)

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module

• ASE-26: A Curriculum for Agentic Software Engineering as a Discipline

• Anchor Is the Key: Toward Accessible Automated Essay Scoring with Large Language Models Through Prompting

• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics

• Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring

• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies

• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing

• Translating UNESCO Artificial Intelligence Guidelines to Chemical Education and Its Intersection with Sustainable Development Goals — הנחיות UNESCO לבינה מלאכותית בתרגום לחינוך כימי; סטייה אפיסטמית

• An Empirical Study of ChatGPT Use in Engineering Education: Prompting and Performance — התנהגויות הנחיה חוזות לביצועי סטודנטים להנדסה

• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — מעורבות קוגניטיבית ברמת בלום הקשורה-תחום בשיחות תלמיד-בינה מלאכותית (Chang & Li 2026)

• From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLMs כסוכנים של תכן פדגוגי איטרטיבי

• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — הנדסת הנחיות לעומת אוריינות הנחיה: מסגרת מעורבות GenAI מונחית-אדם בת חמש שלבים עם מחזור אוריינות הנחיה בת חמישה שלבים (Miles, Haber-Curran & Arar 2026)

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — הנדסת הנחיות ובחירת מודל כחוזי איכות משוב בינה מלאכותית (Jacobsen et al. 2026)

• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing

• Exploring Middle School Students' Interactions and Perceptions of Using Generative AI in STEAM Learning Environments — קבוצות STEAM של בית ספר ביניים העתיקו את הוראת המרצה כפי שהיא ב-47.1% מההנחיות

• Using Evidence-Centered Design to Guide Prompt Engineering in Measurement: An Illustration with Automated Essay Scoring — שימוש בעיצוב-ממוקד-ראיה להנחיית הנדסת-ההנחיות במדידה: המחשה עם ניקוד-חיבורים אוטומטי