אנליטיקת חיישנים ומבט

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

אנליטיקת חיישנים ומבט — השימוש במעקב עיניים, באלקטרואנצפלוגרפיה, בפעילות חשמלית של העור, בשונות קצב הלב ובתנוחת גוף שנגזרת ממצלמה כדי להסיק מצבי לומד כמו קשב, מעורבות, עומס קוגניטיבי ואפקט. בבינה מלאכותית בחינוך האותות האלה מבטיחים מבט רציף ובלתי-מילולי על הלמידה ששאלונים ודיווחי-עצמי אינם יכולים לספק. הם גם נמצאים במרכז בעיית ההסקה הקשה ביותר של התחום: חיישן מתעד גוף, לא מוח, וכל טענה על מה שלומד חושב או מרגיש היא פרשנות שנבנית מעל אותו תיעוד (Kim and Han, 2026).

שאלות למחשבה

• מצלמת רשת יכולה להראות שהעיניים שלכם נשארו בתוך נגן וידאו לאורך הרצאה שלמה. האם זה אומר שהייתם קשובים?
• אם חונך היה יכול להעריך את העומס הקוגניטיבי שלכם בזמן אמת, האם עליו לפעול לפי ההערכה הזו בלי לשאול אתכם קודם?
• המבט של סטודנט עשוי לנדוד מהמסך בגלל טיק, לקות ראייה או נורמה תרבותית. מה משמעות הדגל "קשב נמוך" עבור אותו סטודנט?
• האם אוניברסיטה צריכה להיות רשאית לאסוף נתוני מוח ולב לצורך שיפור קורס, ומה היה דורש הסכמה אמיתית?
• נתון של "75% דיוק במעורבות" נשמע מדויק. לאיזו שכבה של מעורבות החיישן הגיע בפועל, ואיזו הוא פספס?
• הפיקוח כבר קורא תנוחה ותנועת ראש. היכן עובר הגבול בין זיהוי עבירה לבין שפיטה של גוף?

מבוא

אנליטיקת חיישנים ומבט מתארת משפחה של שיטות שהופכות מדידות פיזיות של לומד להסקות חינוכיות. המדידות כוללות היכן העיניים נחות וכמה זמן, את הפעילות החשמלית של הקרקפת, תגובות של בלוטות הזיעה, שונות בין פעימה לפעימה בקצב הלב, ואת המיקום והתנועה של הראש ופלג הגוף העליון. ההסקות כוללות קשב, מעורבות, עומס קוגניטיבי, בלבול, לחץ, ובהקשרי הערכה — חשד.

המשיכה ברורה. דיווחי-עצמי הם רטרוספקטיביים וגסים, ושאלונים דוגמים למידה בכמה רגעים. חיישנים פועלים ברציפות וגובים מהלומד מאמץ מודע מועט. השילוב הזה הפך את החישה למרכזית באנליטיקת למידה ובמידול לומדים, והוא הפיק ספרות ענפה שבה החישה מרשימה טכנית והפרשנות דקה.

סקירה שיטתית של 23 מחקרים שמצמידים בינה מלאכותית ללמידה מגופנת ממחישה את חוסר-האיזון. ניתוח והערכה היוו 40.0% מתפקידי הבינה המלאכותית שקודדו, וזיהוי וזיהוי-תבניות 22.5%, בעוד שמשוב ואימון תפסו 15.0%. תפקידי חישה היוו 62.5% מתגי התפקיד לעומת 35.0% לתפקידים משתתפים (Kim and Han, 2026). התחום טוב יותר בלצפות בלומדים מאשר בלשנות את מה שקורה הלאה.

מה מודד כל אות בפועל

מבט וקיבעון. גלאי עיניים מדווחים היכן העין מצביעה, כמה זמן היא שוהה, מתי היא מבצעת סקאדה, וכמה רחב הפיזור שלה. מערכות מבוססות-מסך כמו WebGazer מעריכות מבט ממצלמת רשת, בעוד שמשקפיים עוקבים אחרי העין ישירות. TutorLoop ממיר מבט לשני גדלים: קשב כאחוז נקודות המבט בתוך אזור התוכן, ועומס כאי-סדר (אנטרופיה) של המבט, על הנימוק שמבט מפוזר עוקב אחרי עומס קוגניטיבי (TutorLoop, 2026). Ollie, עוזר מונחה-מבט לילדים, מגדיר לעומת זאת אזורי עניין בתמונה ומפעיל קריינות כאשר הילד מביט באחד מהם (Wu et al., 2026).

אלקטרואנצפלוגרפיה. EEG מתעד תנודות מתח על פני הקרקפת ברזולוציה זמן גבוהה. זה האות היחיד במשפחה הזו שמגיע לפעילות קורטיקלית ישירות, וזו הסיבה שהוא מושך מחקר הערכה. מערכות חינוך מעשיות משתמשות באלקטרודות יבשות ובמעט ערוצים: E3Sense לקח ארבעה ערוצי EEG יבשים ב-125 Hz וניתח שניים חזיתיים (Anupkrishnan et al., 2026). מערכי מחקר עושים את ההיפך: Kosmyna et al. (2025) השתמשו ב-EEG בעל 32 ערוצים כדי להשוות סטודנטים שכתבו עם LLM, עם מנוע חיפוש, או בלי כלי, ומצאו את הקישוריות העצבית החלשה ביותר בקבוצת ה-LLM (Kosmyna et al., 2025). אותו מחקר הוא גם האזהרה הבהירה ביותר מפני ראיות של ערוץ בודד, שכן טענתו המרכזית נשענת על סשן מעבר אופציונלי שרק 18 מתוך 54 משתתפים הגיעו אליו.

פעילות חשמלית של העור. EDA מודד מוליכות של בלוטות הזיעה, מדד של עוררות סימפתטית. הוא מגיב ללחץ, למאמץ ולעוצמה רגשית, ואינו יכול להבחין ביניהם. אותו מבנה מופיע בצמידים ובאלקטרודות מצח המוצמדות במרחק כמה סנטימטרים זו מזו במסגרת של גלאי עיניים (Anupkrishnan et al., 2026).

קצב לב ושונות קצב לב. קצב הלב עוקב אחרי עוררות, והשונות בין פעימות משמשת מדד להתאוששות אוטונומית. במחקר שנמשך שנה עם 458 סטודנטים שענדו טבעות Oura, שפה של תשישות רגשית עקבה אחרי יעילות שינה נמוכה יותר ושונות קצב לב נמוכה יותר (Affective Text and Wearable Sensing, 2026). אף אחת מהמדידות אינה מזהה סיבה.

תנוחה ותנועה ממצלמה. מערכת פיקוח יכולה לחלץ שבעה-עשר ציוני גוף בכל פריים ולגזור מהם סטיית תנוחה, מגמת תנועת ראש ותנועת פלג גוף עליון (Arif et al., 2026). זה מודד תנועה. לקרוא לה התנהגות חשודה הוא צעד נפרד שאינו נתמך.

האותות האלה נבדלים בקצב דגימה, ברעש ובנטל המכשור. E3Sense יישר שנים-עשר חלונות EEG, שישה חלונות עיניים ושלושה חלונות EDA לייצוג משותף של 120 שניות עם 166 ממדים (Anupkrishnan et al., 2026). EduGage הפעיל שבעה סוגי התקנים בבת אחת והסיק ששילובים קלים נשאו את רוב האות השמיש (Leng et al., 2026).

למה משתמשים באותות

זיהוי מעורבות בלמידה בווידאו. E3Sense ביקש מ-30 סטודנטים באוניברסיטה לדרג חמישה קטעים בכל סרטון, והפיק 450 דירוגים. מודל מאוחד הגיע ל-75.0% דיוק מאוזן בטווח של רמה אחת, לעומת בסיס של 63.0% לפי השכיח, על משתתפים שלא נכללו באימון (Anupkrishnan et al., 2026). EduGage דיווח על MAE של 0.81 ועל 83.75% דיוק בטווח של רמה אחת על פני 16 משתתפים ו-715 חלונות בדיקה (Leng et al., 2026). שניהם מתייחסים להערכה כאל מקורבת.

הערכת קשב בכיתות. טרנספורמר מולטימודלי איחד תמונות פנים עם אותות לבישים על DIPSER, מערך נתונים טבעי של 57 נבדקים, והגיע ל-MAE של 0.283. יתרונו על פני בסיס חזותי בלבד היה מתון, והמחברים מסיקים שמאפייני פנים היו מקור המידע העיקרי (Fragkiadakis et al., 2026).

עומס קוגניטיבי ותזמון משוב. TutorLoop השתמש בקשב ובעומס שנגזרו מהמבט כדי לבחור בין ארבעה סוגי משוב באמצעות סוכן למידת חיזוק. על פני 187 משתתפים המערכת המלאה התערבה פחות מבסיסי ההשוואה ובכל זאת שיפרה את הקשב והורידה את העומס (TutorLoop, 2026).

פיקוח ויושרה. פיקוח מבוסס-תנוחה מדווח על ביצועים קרובים לתקרה על מערך התרחישים המתויג שלו עצמו: 99.56% דיוק ו-AUC של 0.9957 (Arif et al., 2026). בינה מלאכותית לבישה משנה את אותה בעיה מהצד השני. משקפיים חכמים מסירים את נטישת המבט ואת שינוי התנוחה שהשגחה נשענת עליהם, מצב שCorbin ועמיתיו מכנים שקיפות כפולה (Corbin et al., 2026).

אפקט ורווחה. אותות פיזיולוגיים שנאספו במהלך בחינות חזו קטגוריות ציון, כאשר יער אקראי הגיע לממוצע של 0.96 על פני 30 חזרות (Yamazaki and Rimal, 2026). המנבאים החזקים היו פעילות חשמלית של העור, תנועת מד-תאוצה וטמפרטורת עור. זה עוררות ותנועה, לא הבנה.

מחקר הערכה. EEG נבחן כמדד ישיר של מוכרות ושל ייצוג מנטלי. שני הקווים מבטיחים ושניהם נשארים חקרניים, והחלק הבא עוסק בכך.

פער ההסקה

כל שימוש לעיל תלוי בשרשרת: אירוע פיזיולוגי או התנהגותי, מאפיין המחושב ממנו, מודל שאומן על תוויות, וטענה על מצב מנטלי. כל חוליה בשרשרת דולפת.

התווית היא לעתים החוליה החלשה ביותר. E3Sense חזה את דירוגי הקטעים של הלומדים עצמם, ו-63% מהדירוגים האלה ישבו בשתי רמות המעורבות. מודל יכול לקבל ציון טוב בכך שהוא לומד את ההתפלגות ולא את המצב. כאשר החוקרים הוסיפו את ההגדרות של הלומדים עצמם למעורבות, הדיוק עלה מ-64.6% ל-71.5%, מה שמרמז שהתוויות והאותות מדדו דברים שונים בחלקם (Anupkrishnan et al., 2026).

תוקף יכול לנפח את המודל. השוואת חמישה-עשר מודלים לחיזוי מוכרות מבוסס-EEG הגיעה ל-0.9853 F1 תחת אימות צולב מרובד. Group K-Fold בלתי-תלוי בניסוי, שמכבד את המבנה הזמני, הוריד את השיא ל-0.6038 F1 לעומת רמת מקריות של 25% (Nanayakkara and Halloluwa, 2026). המספר הראשון מתאר דליפה; השני מתאר למידה.

מתאם עצבי אינו ציון. תמונות משוחזרות מ-EEG התכתבו עם ביצועים במבחן ברמה של R² = 0.79 על פני 55 תצפיות של משתתף-סרטון. פריטים שנענו נכון הראו גם דמיון סמנטי גבוה יותר מאלה שנענו בטעות. ובכל זאת משתתף אחד הפיק שחזורים באיכות גבוהה וענה בטעות, ולכן איכות השחזור אינה ניתנת לקריאה כנכונות (Su et al., 2026).

קשב אינו למידה. ב-TutorLoop, קשב התכתב עם למידה ב-r = 0.017, בעוד שעומס התכתב איתה שלילית ב-r = -0.168 (TutorLoop, 2026). מערכת שממקסמת את אות הקשב הייתה מייעלת משהו הקרוב לרעש.

פרופיל פיזיולוגי אינו אבחנה. מודלי לחץ בבחינות חוזים קטגוריית ציון מעוררות ומתנועה, והמחברים מתעקשים שהפלט שייך לצד נסיבות אישיות והקשר של בריאות הנפש, ולא בתוך החלטה בעלת השלכות כבדות (Yamazaki and Rimal, 2026).

ולבסוף, איסוף אינו אינטגרציה. Kim and Han מצאו שרוב המחקרים המולטימודליים אספו זרמים במקביל, אחד יישר בדיעבד אפקט פנים, מבט וזיהוי פנים, ואיש לא איחד את הקלטים בזמן אמת בזמן שלומד השתמש במערכת (Kim and Han, 2026). עמוד של ערוצים מסונכרנים יכול להיראות כמו מודל של הלומד כאשר הוא רק תיעוד.

האתיקה של חישה של לומדים

ההסכמה נחלשת אל מול כוח מוסדי. סטודנט שחייב להגיע לשיעור או לשבת בבחינה אינו יכול לסרב בחופשיות למצלמה או להתקן לביש. ייתכן שמאפיינים דמוגרפיים כלל לא נמסרים מרצון: תוויות המגדר, הגיל והמוצא האתני של DIPSER הוסקו מהדימויים בידי מודלי ראייה ממוחשבת ולא סופקו בידי המשתתפים (Fragkiadakis et al., 2026). הסקה של מי אדם הוא, כדי לבחון אם מודל מתייחס אליו בהוגנות, היא בעצמה מעשה פרופיולינג.

נתונים ביומטריים אינם נתוני אנליטיקה רגילים. EEG, EDA ושונות קצב לב סמוכים לבריאות, ובתחומי שיפוט רבים הם נתונים בקטגוריה מיוחדת. הם יכולים לחשוף שינה, לחץ ומצבים רפואיים מעבר לכל מה שקורס זקוק לו. מערכת מונחת-מבט לילדים עוררה התנגדות בנושא פרטיות מצד הורה, אפילו בפיילוט קטן (Wu et al., 2026).

זחילת פונקציה היא המסלול הרגיל. ניטור רווחה הופך לסימון סיכון, וסימון סיכון הופך לראיית ניקוד. Corbin ועמיתיו מראים את גרסת ההערכה של הסחיפה הזו: משעה שההרחקה הפיזית נכשלת, הבדיקה עוברת מחפצים לגופים, וסטודנטים חייבים להוכיח שהמשקפיים שלהם מתקנים ושההתקנים שלהם טיפוליים (Corbin et al., 2026).

כשלי הוגנות מתקבצים בגופים שונים. הערכת קשב מבוססת-פנים תלויה בגוון עור, במשקפיים ובתאורה. קשב מבוסס-מבט מעניש לומדים שנמנעים מקשר עין, ובהם סטודנטים אוטיסטים ונוירודיברגנטיים מסוימים. פיקוח מבוסס-תנוחה מסמן טיקים, סטימינג ונורמות תנועה תרבותיות. מחקר הפיקוח אינו בוחן אם תנוחה מסומנת מתאימה לעבירה, או אם הגלאי מתייחס בסטודנטים עם מוגבלויות או להבדלי תרבות במבט (Arif et al., 2026). רגולציה אינה תיקון כאן; היא דרך להלבין את השגיאה לתוך כלל.

טענות הוגנות זקוקות לראיות ברמת הנבדק. מרסן ממוקד-מגדר קיצץ את פער ה-MAE בוולידציה מ-0.02 ל-0.005, ואז הגדיל גם את הפער וגם את שגיאת הקבוצה הגרועה ביותר על נבדקים שלא נכללו באימון (Fragkiadakis et al., 2026). דיווח על פיצול בודד כהוכחת הוגנות הוא כשל עיצובי עם מחיר שוויוני.

אפשר לתכנן פרטיות פנימה. TutorLoop הפעיל את WebGazer בצד הלקוח כך שמבט גולמי מעולם לא עזב את הדפדפן (TutorLoop, 2026). הבחירה הזו מראה שחלק מהמחיר הוא ארכיטקטוני ולא מהותי. השאלה הקשה יותר היא אם ההסקה צריכה להתקיים מלכתחילה.

תפיסות מוטעות נפוצות

"מעקב עיניים אומר לך היכן הקשב נמצא." הוא אומר לך לאן העיניים מצביעות. המבט יכול לנוח על שקופית בעוד הלומד חושב על משהו אחר, והוא יכול לנדוד מהמסך מסיבות שאינן קשורות לקשב. מדד הקשב של TutorLoop התכתב עם למידה ב-r = 0.017, שזה קרוב לחוסר קשר מוחלט (TutorLoop, 2026).

"אות פיזיולוגי הוא קריאה ישירה של מצב מנטלי." EDA משמש מדד לעוררות סימפתטית, ושונות קצב לב משמשת מדד להתאוששות אוטונומית. אף אחד מהם אינו מבחין בין לחץ למאמץ להתרגשות. מודל שחוזה ציוני בחינה מ-EDA, מתנועה ומטמפרטורת עור למד את חתימת העוררות של הגוף, לא את ההבנה של הסטודנט (Yamazaki and Rimal, 2026).

"דיוק סיווג גבוה אומר שהמערכת מזהה את המצב." הדיוק תלוי בתוויות, בפיצול ובשיעור הבסיס. חיזוי מוכרות מ-EEG נפל מ-0.9853 ל-0.6038 F1 כאשר הוולידציה כיבדה גבולות ניסוי (Nanayakkara and Halloluwa, 2026). ה-99.56% של הפיקוח מתאר מערך תרחישים מתויג שנבנה במיוחד, לא בחינות חיות (Arif et al., 2026).

"מעורבות היא דבר אחד, ולכן ציון אחד יכול לייצג אותה." למבנה יש שלושה גדילים, וחיישן מגיע בעיקר לראשון. E3Sense מצא שלומדים הגדירו אותה באמצעות מדדים קוגניטיביים, התנהגותיים ורגשיים בפרופורציות שונות, ושההגדרות האלה שינו את החיזוי (Anupkrishnan et al., 2026). מספר בודד מסתיר איזו שכבה נמדדה.

"אם המודל הוגן בפיצול הוולידציה, הוא הוגן בכיתה." מרסן שהשווה את שגיאת הוולידציה בין קבוצות מגדר החמיר את הפער על הנבדקים המוחזקים בצד (Fragkiadakis et al., 2026). הוגנות היא תכונה של פריסה, לא של נקודת ביקורת.

מושגים מחוברים

• מידול הלומד והוראה אדפטיבית
• אנליטיקת למידה
• בינה מלאכותית רב-מודאלית
• מחשוב אפקטיבי
• מעורבות סטודנטים
• למידה עצמית מוסדרת
• למידה מגולמת
• מדידה חינוכית
• הערכה אוטומטית
• תוקף ההערכה
• פיקוח מרחוק
• יושרה אקדמית
• פרטיות
• צמצום הטיה
• נוירו-מגוון
• שוויון
• נגישות
• למידת מכונה
• פסיכולוגיה קוגניטיבית
• חונך אינטליגנטי

מאמרים מחוברים

• Gaze-Informed Proactive AI Assistance for Children’s Picture Exploration — קריינות LLM שמופעלת במבט החזיקה ילדים באזור מקריין 6.48 שניות לעומת 1.67 שניות, אך המחקר מדד קשב ולא הבנה (Wu et al., 2026)
• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — EEG נענד, מעקב עיניים ו-EDA על המצח חזו מעורבות מדווחת-עצמית בדיוק של 75.0% בטווח של רמה אחת לעומת בסיס של 63.0% (Anupkrishnan et al., 2026)
• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — EduGage איחד שבעה זרמי לבישים ומצלמה להערכות מעורבות ברמת קטע (MAE 0.81) וטוען בעד מכשור קל יותר (Leng et al., 2026)
• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — מודל קשב מולטימודלי הגיע ל-MAE 0.283, ורווחי ההוגנות בוולידציה התהפכו על נבדקים מוחזקים (Fragkiadakis et al., 2026)
• On AI glasses and wearable AI in assessment — בינה מלאכותית לבישה היא שקופה כפולה, ולכן ההרחקה הפיזית נכשלת והאכיפה נסחפת לשפיטת גופים של סטודנטים (Corbin et al., 2026)
• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction — חמישה-עשר מודלים לחיזוי מוכרות מ-EEG נפלו מ-0.9853 ל-0.6038 F1 תחת ולידציה בלתי-תלויה בניסוי (Nanayakkara and Halloluwa, 2026)
• Seeing what students learn: assessing cognitive representations and academic outcomes via EEG image reconstruction — תמונות משוחזרות מ-EEG עקבו אחרי ביצועים במבחן ברמה של R² = 0.79, כאשר משתתף אחד עם שחזור איכותי ענה בטעות (Su et al., 2026)
• Leveraging Physiological Signals to Predict Exam Outcomes with Machine Learning — יער אקראי חזה קטגוריות ציון בבחינה מ-EDA, מתנועה ומטמפרטורת עור — אותות שמשמשים מדד לעוררות ולא להבנה (Yamazaki and Rimal, 2026)
• A formative study of brief affective text as a complement to wearable sensing for longitudinal student health monitoring — ב-458 סטודנטים שענדו Oura, הרגיסטר הרגשי ולא נושא הדאגה עקב אחרי שינה ושונות קצב לב (2026)
• TutorLoop: Regulating Student Learning Behaviors via Sensor-in-the-Loop Generative Feedback — מבט ממצלמת רשת הניע משוב למידת חיזוק ל-187 לומדים; קשב התכתב עם למידה ב-r = 0.017 בעוד שעומס התכתב שלילית (2026)
• An automated online proctoring system with live suspicious activity detection using YOLOv11 pose estimation and multi-model classification — מאפייני תנוחה של YOLOv11 סימנו התנהגות חשודה ב-99.56% על מערך מתויג שנבנה במיוחד, בלי לבחון עבירה או הוגנות (Arif et al., 2026)
• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task — קישוריות EEG ירדה עם תמיכת כתיבה חיצונית על פני 54 משתתפים, וממסגרת הסתמכות כחוב קוגניטיבי מצטבר (Kosmyna et al., 2025)
• Artificial intelligence in embodied learning: A systematic literature review — על פני 23 מחקרים, תפקידי חישה שלטו עם 62.5% מהתגים, ואף מערכת שנסקרה לא איחדה זרמים מולטימודליים בזמן אמת (Kim and Han, 2026)