אחזור, ריווח ושילוב

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

אחזור, ריווח ושילוב — שלוש טכניקות הלימוד הקונקרטיות שהופכות את התרגול למאמץ ובעקבות זאת הופכות את הנלמד לעמיד. תרגול אחזור מבקש מהלומד להפיק תשובה מזיכרון ולא לזהות אחת; ריווח מחלק את התרגול הזה על פני זמן במקום לצבור אותו במושב אחד; שילוב מערבב סוגי בעיות במקום לחסום אותם. מה שמאחד אותם הוא חתימה משותפת: כל אחד מהם מנמיך את הביצועים בזמן התרגול תוך שהוא מעלה את השימור לאחריו — הפער ביצועים-למידה בצורה פעילה. הם סוסי-העבודה של הקוגניטיביזם, ובלמידה נתמכת-AI הם ההתנהגויות הספציפיות שבינה מלאכותית יוצרת מוחקת בקלות ביותר, כי LLM שעונה על-פי דרישה מסיר את האחזור, מיישר את הלוח הזמנים, ומחליק את הערבוב. עמוד זה הוא עמוד הטכניקות. העיקרון שמאחוריהם — המסחר מאמץ-למידה של Bjork, מדוע תרגול קשה יותר מייצר למידה עמידה יותר — מטופל בקשיים רצויים; עמוד זה מכסה מה כל טכניקה, מה מחקרי הקורפוס מדדו, וכיצד AI מיישם או מעמיד אותן בספק.

שאלות למחשבה

• האם אי פעם קראתם פרק מחדש עד שהוא הרגיש מוכר, ואז לא הצלחתם להסביר אותו שבוע לאחר מכן? מה הקריאה החוזרת נתנה לכם בפועל?
• תרגול אחזור פירושו לענות מזיכרון לפני בדיקה. כשעוזר AI נמצא במרחק הקשה אחת, מה היה צריך להיות נכון בשגרת הלימוד שלכם כדי שהאחזור הזה עדיין יתרחש?
• מערכות חזרה מרווחות מתזמנות סקירה במרווחים שהלומד לא היה בוחר. האם לוח-זמנים שמרגיש לא נכון הוא תכונה או תקלה?
• שילוב מערבב סוגי בעיות ומרגיש מבולגן יותר מחסימה. אם הקורפוס מציע כמעט אין עדות AI ישירה על שילוב, כמה אמון אתם צריכים לתת לאימוצו — ועל איזה בסיס הייתם מחליטים?
• Akgun and Toker (2026) מצאו שתלמידים ששוחחו בחופשיות עם AI צברו את הציונים הגרועים ביותר, גם לאחר הבדיקה הטובה ביותר. מה חסר בתנאי השיחה החופשית שהיה במבנה?
• Tsiligkiris (2026) מצא ששאלת LLM עמוקה יותר שיפרה את איכות המשימה אך לא את האחזור. מה הדבר מספר לכם על שימוש בשטנות כראיה ללמידה?

מבוא

תרגול אחזור, ריווח ושילוב נלמדים וצוטטים בדרך כלל יחד כי הם התגלו בנפרד אך מתנהגים דומה: כל אחד מהם מקריב כמה טוב התרגול נראה בתמורה לכמה שורד. במאגר הידע הם מופיעים כמופעים של עקרון הקשיים הרצויים, אך הם גם ברי-יישום באופן עצמאי — מבקר יכול לתזמן מרווחים, מורה יכול להצניע את התשובה, תכנית לימודים יכולה לערבב סוגי פריטים, בלי להזמין את התיאוריה שמתחת. אופיים הפעילי הוא מדוע הם הגשר הטבעי בין קוגניטיביזם ועיצוב AI,ומדוע המחקרים שלהלן נוטים לדווח על שתי מדדי תוצאה ולא על אחד: ביצועים בזמן תרגול, ושימור לאחר עיכוב.

אפקט הבדיקה: תרגול אחזור מנצח קריאה חוזרת

תרגול אחזור — ניסיון לזכור חומר במקום לקרוא אותו מחדש — מחזק את הזיכרון יותר מלימוד נוסף, והקורפוס מתייחס לממצא כמספיק מיושב כדי לבנות עליו ולא לעמתו מחדש. סקירת היקף מטא-אנליזה של הלמידה-ללמוד ממציבה את תרגול האחזור בשכבה של כלים של מסגרתה התלת-שכבתית (ממדי מיומנות קוגניטיבית ומטאקוגניטיבית, תהליכים של ויסות עצמי, כלים כמו תרגול אחזור), וממקמת אותו כרכיב קונקרטי, בר-הוראה של הלמידה-ללמוד שנועד לאזן את התלות-יתר של GenAI ולהגן על הסוכנות של הלומד.

הבדיקה האינפורמטיבית ביותר בקורפוס היא דיסוציאציה. Tsiligkiris (2026) רשם את האינטראקציות של 22 סטודנטים לתארים מתקדמים עם LLM שורה-אחר-שורה בזמן משיבת מקרה בניורואקונומיקה, והפריד את העומק (השיעור של הנחיות "למה/כיצד/הסבר" חיפוש-הסבר) מהנפח וקצב הקציבה. העומק ניבא באופן עצמאי את איכות המשימה המדורגת (β = 6.27, p = .006) אך היה בעל שיוך אפס עם אחזור פוסט-טסט מיידי (β = −0.014, p = .728), כאשר עליות האחזור הונעו מידע בסיס במקום זאת. הקריאה שהמחבר נותן היא שהעשרה מניעה הבנה בעוד שאחזור מניע גיבוב — ושבמחקר נתמך-LLM ללא דרישות אחזור מפורשות, לומדים יכולים לחוות שטנות גבוהה עם דרישה מועטה לאחזור כל דבר ללא סיוע. זהו ממצא תרגול-אחזור שצוין כהיעדר: המנגנון לא הופעל, ולכן תוצאת השימור לא זזה.

תרגול אחזור אינו מנוף אוניברסלי, והקורפוס אומר זאת. Rachatasumrit, Koedinger and Carvalho (2025) הרצו ניסוי 2×2 עם 95 משתתפים הצולבים תוכן ידע (עובדות מילוליות לעומת מיומנויות בכללניות, חומרי גיאומטריה-שטח) עם לוח אימון. הם מצאו אינטראקציה תוכן-טיפול (β = 0.41, p = .038, d = 0.38): בדיקת תרגול טהורה ייצרה עליות למידה גבוהות יותר לעובדות, בעוד שתרגול משולב-דוגמאות ייצר עליות גבוהות יותר למיומנויות. המחברים גם מציינים שעליות תרגול-אחזור נכשלות לעתים קרובות בהתרחבות לבעיות לא-מוכרות. לכן תרגול אחזור הוא החזק ביותר כשהמטרה היא זיכרון לתוכן ספציפי, והוא צריך להיות מצומד עם דוגמאות-עבודה כשהמטרה היא מיומנות בכללנית — וזו גם הסיבה שהשלעת העיצוב שלהם ל-AI היא שחונכות חכמה צריכה להתאים את יחס דוגמאות-לתרגול לרכיב הידע הנלמד.

אותה היגיון עובר דרך מחקר ה"דף-רמזים": Chen, Sakhnini and Istead מתייחסים לבניית דף רמזים כאסטרטגיית לימוד אקטיבית ויוצרת (בחירה, קיבוץ, ארגון) ולא כלוגיסטיקה, וממסגרים את הסיכון בעידן ה-AI כהאצלת בניית הארטיפקט ואובדן החזרה המטאקוגניטיבית שבנייתו סיפקה.

ריווח ותרגול מבוזר

אפקט הריווח — שאותו תרגול כולל מייצר למידה עמידה יותר כשמבוזר על פני מושבים מאשר מצטבר לאחד — הוא הטכניקה המנוצלת ביותר אלגוריתמית מבין השלוש, והמערכות הישומות של הקורפוס בנויות סביבו.

Memdora היא הדוגמה הבהירה ביותר לריווח כבעיית הנדסה. היא מעגנת תזמון בעקומת השכחה של Ebbinghaus, מצטטת את המספר שכשער 70% מהחומר שנלמד זה נשכח בתוך 24 שעות ללא סקירה, ומשלבת את FSRS-6, המתואר כאלגוריתם החזרה-המרווחת המתקדם ביותר כיום. הטענה שלה היא שתזמון בלבד אינו מספיק: כלים קיימים מפחיתים את אינטראקציית הכרטיסיה לתנועה בינארית אחת, "הפוך ודרג-עצמך", שהמחברים מכנים מודל מעוניין שנכשל בניצול עדות מדע-הקוגניציה על תרגול אחזור. התרומה של Memdora היא אפוא טקסונומיה של 17 סוגי אינטראקציה מעוגני-קוגניציה על פני הקטגוריות שפה, בעל-פה ומבחן, כל אחד ממופה לעדות מבוקרת המוצגת על הכרטיסיה, פלוס מערכת תגמול מבוססת-מאמץ שמפצאת על מעורבות קוגניטיבית אמיתית ולא על נוכחות באפליקציה, צינור ייצור מאוחד שמייצר כרטיסיות ברגע הקריאה, ושכבת כיתה שדווחת על תוצאות למידה ברמת הכרטיסיה הבודדת.

Akgun and Toker (2026) מספקים את העדות הניסויית החזקה ביותר בקורפוס על כיצד ריווח ממובנה. במחקר רנדומלי תלת-זרועי של 89 סטודנטים לתואר ראשון בקורס סטטיסטיקה יישומית, כל שלוש הקבוצות תרגלו במושבים מרווחים עם מספר וזמנים זהים לאורך שבעה שבועות; רק מבנה האינטראקציה שונה. אחזור מרווח אדפטיבי (G1) הגיע לציון הפוסט-טסט הגבוה ביותר (M = 78.19) ולמאמץ התרגול הנצפה הגבוה ביותר (M = 0.85); אחזור מרווח קבוע (G2) בעקבותיו (M = 74.55, מאמץ 0.74); לימוד AI מונחה-לומד ללא אחזור נאכף בא אחרון בשניהם (M = 67.28, מאמץ 0.49). האפקט הרב-משתני היה מובהק (Wilks' Λ = .664, partial η² = .185), כאשר G1 לפני G3 בשימור ב-d = 0.92 (p = .003). הפרט שחשוב פדגוגית הוא שסוכן G1 הוגדר כדי להצניע: בדיקות תלויות-תגובה לתפישות מוטעות, בקשות לעשרה לאחר תשובות שטחיות, התקדמות רק על מעורבות קונספטואלית מספקת, ופתרונות ישירים נאסרו במפורש מהפלטים המורשים שלו. הקריאה של המחברים עצמם היא שבדיקה-מקדמית היא זרז מוטען-מראש ולא התערבות עצמאית שהתועלת שלה שורדת גישת AI פתוחה.

ניסוי שדה רנדומלי מדווח על חלוקה על פני זמן מצטבר כתרופה הפעילה: שליטה שבועית עקבו שבועות חונכות שהושלמו ולא דקות מעורבות, כל שבוע שהושלם נוסף הוסיף 2.00 נקודות מתוך 55 (p = .018) (Yang, Van Alstyne and Dellarocas (2026)).

שני ממצאי קורפוס נוספים מחדדים מה ריווח עושה ומה הוא עדיין לא מבסס נכון. Schuetze, Yan and Carvalho (2025) התאימו מודלי איתור-ידע למערך נתונים של למידה-חוזרת שישה-מושבים ומצאו ש-BKT, BKT-with-Forgetting ו-Additive Factors Model משחזרים מגמות למידה כשמותאמים רטרוספקטיבית (AUC 0.74–0.79) אך, תחת אימות-צולב מבוסס-זמן מסוג שמורה פרוס היה זקוק לו, מעריכים יתר על ביצועים עתידיים בכ-58%, 51% ו-47% בהתאמה ונכשלים ללכוד את אפקט הריווח — ולפעמים מנבאים את הסדר הנקודתי הנגדי על פני תנאי ריווח. במילים אחרות, החלטות התזמון שנעשות על ידי מערכות אדפטיביות עשויות להתבסס על מודלים שאינם מייצגים את האפקט עצמו שריווח תלוי בו. ומידול סטודנטים של LLM וזיכרון ארוך-טווח מגדיר את פער העיצוב ישירות: רוב מערכות החונכות חסרות זיכרון אורכי, וכיצד זיכרון כזה צריך לתקשר עם חזרה מרווחת ועקומות שכחה נותר שאלה פתוחה.

מה שהקורפוס אינו מראה עדיין

אף אחת משתי המערכות הישומות לא ייצרה עדות שימור משלה: מאמר Memdora מדווח על שימור משופר ביחס לכלי חזרה-מרווחת מסורתיים, אך מתאר אין מחקר תוצאת-מרווח-מעוכב מאחורי הטענה הזו, וחבר-ההרצאה הדו-לשוני — שמייצר כרטיסיות אוטומטית כדי להסיר את עלות הייעוץ החוסמת תרגול אחזור וריווח מבוססי-עדות, תוך שהיא מפשטת תזמון לדירוג בינארי "יודע / עדיין לומד" במקום אלגוריתמי SM-2 ו-FSRS מדורגים — מצהיר בפשטות שאין מחקר תוצאת-למידה הורץ, רק פרוטוקול רשום-מראש. מכונת התזמון מבוססת-עדות יותר מהלמידה שהיא אמורה לייצר.

שילוב

שילוב — עירבוב סוגי בעיות או פריטים בתוך מושב תרגול במקום לחסום אותם לפי סוג — הוא החלש-מבוסס ביותר מבין השלושה בקורפוס הזה, וכך יש לציין ולא למלא. שילוב מופיע בקשיים רצויים רק כמופע אחד ברשימה של תנאי מאמץ, ואין מחקר במאגר הידע שבודק מניפולציית שילוב מול בקרה חסומה.

מה שהקורפוס כן מכיל הוא סמוך ושווה להבחנה זהירה. סימולציית בחירת-משימות לומד ממודל שילוב וחסימה כשניים מתוך שמונה אסטרטגיות לומד מועמדות בלמידת שליטה סימולציה, לצד מיקוד חוזק, מיקוד חולשה וכללים מודעי-תוצאה. הממצא שם הוא על ארכיטקטורת בחירה ולא על זיכרון: אסטרטגיות לומד מסוימות מעכבות באופן שיטתי התקדמות דרך תרגול-יתר, ואילוצי בחירת-משימות תיקנו את האסטרטגיות הלא-מסתגלות תוך שהשאירו שילוב, חסימה, מיקוד חוזק ומיקוד חולשה ברמות תרגול-יתר יציבות. זו עדות ששילוב הוא התנהגות ניתנת-בחירה שמערכת יכולה לארח או להגביל — לא עדות ששילוב משפר שימור. האזכורים הנותרים בקורפוס הם מובנים לא-קשורים של המילה (שלבי סוכן משולבים בKnowLoop); מסלולי פתרון חזותיים-טקסטואליים משולבים במכון גיאומטריה), ואין לראותם כעדות שילוב.

הכללתו של שילוב כאן נשעת אפוא על אותה משפחה תיאורטית כמו שתי הטכניקות האחרות ועל מעמדו בספרות הקוגניטיביזם, לא על מחקר במאגר הידע הזה. התייחסו אליו כלמרווח הפתוח.

כיצד AI מיישם ומעמיד בחשד את הטכניקות האלה

יישום. התרומה ההגיונית ביותר של AI היא תזמון וייצור, החלקים של הטכניקות האלה שהם משעממים ולא מעניינים פדגוגית. תזמון אדפטיבי מיושם ב-Memdora דרך FSRS-6 ובארכיטקטורות איתור-ידע שמעריכות שליטה לאורך זמן; בדיקה-מקדמית אדפטיבית מיושמת על ידי סוכן תלוי-תגובה של Akgun and Toker, שקורא סיגנלי ביצועים ממושב-קודם כדי להעיל עומק קונספטואלי באזורים חלשים תוך שהוא שומר אתגר בחזקים; ייצור כרטיסיות ובדיקה-מקדמית אוטומטי מיושם בחבר-ההרצאה הדו-לשוני, שבו ייעוץ כרטיסיות הוא העלות החוסמת תרגול מרווח מלכתחילה. זיכרון סטודנטים אורכי הוא הארכיטקטורה שהיתה מאפשרת לכל זה להתמיד על פני סמסטרים, וWoollaston ועמיתים (2026) מספקים את אוצר-המילים העיצובי לעשות זאת בכוונה: חיכוך מכוון, פיגום דינמי, פיקוח אנוש-בלולאה, וניצול נשקל ולא מקסימלי של AI.

העמדה בספק. מצב הכשל הוא ספציפי ומתועד פעמים רבות. Woollaston et al. (2026) מגדירים את הראשון מששת הסיכונים הפדגוגיים שלהם כהפעלת ידע-קודם: סוכנים שמאחזרים ומשטחים תוכן מראש עוקפים את תרגול האחזור שמפעיל ידע קודם, ולכן הלומד לא מחזיר או ממזג מה שהוא יודע לפני קבלת תשובה. ידע קודם מציין את אותו סיכון עקיפה כמאפיין כללי של בינה מלאכותית יוצרת, ומוסיף את נגד-המידה העיצובי — הפעל לפני שאתה מספק. אשליית השטנות היא המנגנון בצד הלומד: LLM מספק הסברים שלמים וקוהרנטיים על-פי דרישה, ולכן הלומד מקצה מאמץ מועט יותר לאחזור פנימי ולשחזור בעוד שהמושב מרגיש פרודוקטיבי, וזוהי בדיוק הדיסוציאציה שTsiligkiris (2026) מדד. מחקר הבדיקה-המקדמית התלת-זרועי עושה את אותו הנקודה ניסויית: הזרוע עם גישת AI חופשית וללא אחזור נאכף הציגה את התוצאות הגרועות ביותר בשימור סוף-הסמסטר, ונפח האינטראקציה לא שונה באופן מובהק בין זרועות, ולכן הפער נוצר על ידי מבנה ולא על ידי כמה תלמידים מעורבים.

שימור דרישת אחזור. הקורפוס מתכנס על סט קטן של תכונות עיצוב. המדיניות של סוכן הבדיקה-המקדמית היא הקונקרטית ביותר: הצנעת פתרונות ישירים על ידי קונפיגורציה, בדיקת תפישות מוטעות, בקשת עשרה לאחר ניסיונות שטחיים, והתקדמות רק על מעורבות קונספטואלית מספקת. Tsiligkiris ממליץ להטמיע דרישות אחזור לאחר שימוש ב-LLM דרך פלטי כלי-סגור — שאלות קצרות-תשובה, מפות קונספט מצויירות מזיכרון, הסברי הוראה-בחזרה ללא המודל — ולהפריד פיגום מבדיקה, כך שהמודל זמין להבהרה ולמשוב אך נקודות-בדיקה נפרדות דורשות אחזור עצמאי. KnowLoop מראה את צורת ההוראה-בחזרה במערכת פרוסה: סוכן Peer מפיגם הוראה-בחזרה רפלקסיבית שחישפה פערים שהלומדים לא יכלו לבטא, והמשתתפים ביקשו לעבור בחופשיות בין הבהרה וגיבוב במקום להתייחס אליהם כשלבים קפדניים. Chen, Sakhnini and Istead מוסיפים את הגרסה בצד ההערכה — הערכו את תהליך הבנייה ולא את הארטיפקט — בעוד שSchorr ועמיתים (2026) ממקמים את הכלים האלה כמיומנויות ניתנות-למידה שמפחיתות תלות-יתר ותומכות בסוכנות הלומד. מתחת לכולם היא הדבר הבלתי-מתפשר האחד: משהו חייב לדרוש מהלומד להפיק תשובה שהמודל לא נתן כבר.

מגבלות העדות

• דגימות קטנות והקשרים בודדים. הדגימה האנליטית של מחקר הבדיקה-המקדמית היא 89 סטודנטים לתואר ראשון בקורס סטטיסטיקה יישומית אחד, עם 27–34 סטודנטים לזרוע; מחקר האינטראקציה של LLM הוא n = 22 עם עיצוב קבוצה-אחת שאינו תומך בטענה סיבתית; מחקר ההוראה-בחזרה הוא 22 משתתפים. מחברי הבדיקה-המקדמית מציינים ששכפול על פני תחומי דעת וסוגי משימות נדרש להכללה.
• מרווחי שימור קצרים או נעדרים. מחקר עומק-האינטראקציה בדק אחזור מיידי בלבד, ללא מדד מעוכב, ולכן האפס שלו הוא אפס לשימור קצר-טווח ספציפית. יתרון השימור של Memdora והדיסוציאציית עומק-LLM כאחד לא נעקבו על פני השבועות שספרות הריווח הייתה דורשת; החלון בן שבעת השבועות של מחקר הבדיקה-המקדמית הוא הארוך ביותר בקורפוס.
• מדדי דיווח-עצמי ותחליפיים. מאמץ התרגול במחקר הבדיקה-המקדמית הוא אינדיקטור התנהגותי שנמדד על ידי שני ממדדים לפי מברין מיומני-שיחה, והמחברים מציינים במפורש שהוא אינו מדד של מצב מוטיבציוני פנימי; מדד עומק-LLM הוא תחליף מבוסס-מילות-מפתח שלוכד את הצורה השטחית של חיפוש-הסבר ולא את איכותו.
• מגבלות כלים ומידול. מודלי איתור-ידע בקורפוס נכשלים בדיוק היכן שהחלטות ריווח צריכות אותם, והמחברים מייחסים הצלחות עבר להתאמת מערך-נתונים שלם רטרואקטיבית ולא לאימות ריאלי-לפריסה. איכות הכרטיסיות של החבר הדו-לשוני לא מאומתת נגד אמת-קרקע, ללא שכבת בדיקת-עובדות אוטומטית, והוא לא הרץ מחקר תוצאות כלל.
• לשילוב כמעט אין עדות ישירה כאן. כפי שצוין לעיל, הקורפוס מכיל אין השוואה חסומה-לעומת-משולבת, רק סימולציה שבה שילוב הוא אסטרטגיה ניתנת-בחירה אחת מבין מספר.
• אוכלוסיות נושא ותוכן. בסיס העדות מתמקד בהשכלה גבוהה, בחומר STEM וסטטיסטיקה, ובהבחנות עובדה-לעומת-מיומנות מגיאומטריה ומתוכן רגרסיה-מרובה; הכללה להגדרות K-12, למדעי-הרוח וכתיבה, ולכיתות לא-מערביות אינה מבוססת על ידי המחקרים האלה.

מושגים קשורים

• דפוסים פדגוגיים — Spaced retrieval sequences, and the retention cost of assisting during encoding
• קשיים רצויים — the principle these three techniques operationalize
• פסיכולוגיה קוגניטיבית — memory, encoding and retrieval as the theoretical home of all three
• ידע קודם — retrieval practice as activation of what the learner already holds
• מטאקוגניציה — judging whether fluency reflects learning
• למידה עצמית מוסדרת — studying consistently what an AI can schedule or answer for you
• למידת-מיומנות — retention after the mastery threshold, and the spacing that sustains it
• עקיבה אחר ידע — the models that make or miss scheduling decisions
• פריקת עומס קוגניטיבי — the failure mode when retrieval is delegated to a tool
• העברת למידה — the performance–learning gap the techniques address
• הערכה עיצובית — closed-tool checkpoints as retrieval events
• כישלון פרודוקטיבי — attempting before receiving help
• לומדים — the stakes of durable rather than fluent learning

מאמרים קשורים

• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Akgun & Toker: adaptive spaced retrieval vs fixed retrieval vs learner-directed AI over seven weeks
• Memdora: Designing Cognitively-Grounded Flashcard Interactions for AI-Powered Spaced Repetition — Memdora: FSRS-6 scheduling and a taxonomy of grounded flashcard interactions
• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — Tsiligkiris: explanation depth predicts task quality but not immediate recall
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — Retrieval practice for facts, worked examples for skills; the content–treatment interaction
• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models — Knowledge-tracing models fail to capture the spacing effect under time-based validation
• A Bilingual, LLM-Mediated Lecture Companion for Self-Regulated Learning: Architecture, Theoretical Framework, Comparative and Usability Evaluation, and a Pre-Registered Outcomes Protocol — Automatic flashcard generation removing the authoring cost of spaced practice
• Make or Take: How Students Navigate Self-Created and Instructor-Provided Cheat Sheets — Constructing a cheat sheet as generative study; offloading the construction with AI
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review — Teach-back consolidation surfacing gaps clarification did not
• Simulating Learners' Task-Selection Strategies and System Constraints in Mastery Learning — Interleaving and Blocking as modeled learner strategies under task-selection constraints
• PersonaVLM: Long-Term Personalized Multimodal LLMs — Longitudinal student memory and its open relation to spaced repetition and forgetting curves
• Learning-to-learn in the age of generative AI: A scoping review and conceptual framework — Retrieval practice in the Tools layer of a learning-to-learn framework
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Pre-fetching agents bypass retrieval practice; the case for intentional friction
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — When AI Tutors Speak: Evidence from a Randomized Field Experiment