למידה סוציו-תרבותית

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

למידה סוציו-תרבותית — משפחת התיאוריות, ששורשיהן בוויגוצקי, המחזיקה שלמידה והתפתחות מתהוות דרך השתתפות חברתית ומתווכות על ידי כלים תרבותיים, שפה, ואינטראקציה עם אחרים יודעים-יותר. הקוגניציה מבוזרת בין אנשים, ארטיפקטים וסביבות ולא שוכנת אך ורק ביחידים. בבינה מלאכותית בחינוך, תיאוריה סוציו-תרבותית ממסגרת כיצד בינה מלאכותית יצירתית מתפקדת כסוג חדש של סוכן תיווך — כלי שמתווך פעילה וגם מייצר תרומות תלויות-אירוע לאינטראקציה — וממסגרת את עיצוב הפיגום, את אזור הפיתוח הקרוב (ZPD), את החניכות ואת קהילות הפרקטיקה. ראו Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory.

שאלות למחשבה

אזור הפיתוח הקרוב של וויגוצקי הוא הפער בין מה שאתם יכולים לעשות לבד למה שאתם יכולים לעשות עם עזרה. זכרו זמן שבו רמז בעיתוי טוב אפשר לכם להשיג משהו שלא הייתם יכולים לבד — מה עשה את העזרה הזו יעילה, ומתי היא הייתה עשויה למסור יותר מדי?
העמוד טוען שחשיבה אנושית "מתווכת" על ידי כלים תרבותיים כמו שפה וכתיבה שמארגנים מחדש את אופן חשיבתנו. אם זה נכון, כיצד עלינו לחשוב על צ'אטבוט צ'אטבוט בינה מלאכותית כסוג חדש של כלי חשיבה — וכיצד זה עשוי לשנות את המשמעות של "לדעת"?
תיאוריה סוציו-תרבותית אומרת שהקוגניציה מבוזרת בין אנשים, ארטיפקטים וסביבות ולא בתוך ראשים יחידניים. האם זה תואם את הניסיון שלכם מאופן שבו אתם באמת משיגים דברים, ומה זה היה אומר לעיצוב למידה אם זה נכון?
אם למידה מתרחשת קודם כל בין אנשים ורק לאחר מכן בתוך היחיד, מהם הסיכונים של חונך בינה מלאכותית שמאפשר לסטודנט לתקשר בעיקר עם מכונה ולא עם עמיתים או אנוש יודע-יותר?
כיצד הייתם מחליטים כמה תמיכה חונך בינה מלאכותית צריך לתת כדי שלומד יתקדם בלי שהתשובה פשוט תימסר?

מבוא

המושג

תיאוריה סוציו-תרבותית (וויגוצקי, 1978; לוריה; לאונטיב) מחזיקה שפונקציות מנטליות גבוהות מתפתחות דרך השתתפות בפעילות מאורגנת-תרבותית. שלא כמו חשבונות שממקמים למידה אך ורק בעיבוד המידע של היחיד, נקודת המבט הסוציו-תרבותית מדגישה כי:

תיווך הוא בסיסי. בני אדם חושבים עם ודרך כלים תרבותיים — שפה, כתיבה, דיאגרמות, טכנולוגיות — שמארגנים מחדש את אופן חשיבתם, זכירתם ופתרון הבעיות שלהם (ורטש, 1991). הכלים האלה לא רק מעבירים מידע; הם מעצבים מחדש קוגניציה והשתתפות.
למידה היא חברתית. פונקציות מנטליות גבוהות מופיעות קודם כל בין אנשים (בין-סובייקטיבית, באינטראקציה) ורק לאחר מכן בתוך היחיד. למידה מתהווה דרך השתתפות עם מורים, עמיתים וקהילות — בתהליכים כמו פיגום, חניכות, ותנועה דרך ה-ZPD.
הקוגניציה מבוזרת. עבודה קוגניטיבית מפוזרת בין אנשים, ארטיפקטים וסביבות (האצ'ינס; קלארק וצ'למרס; פיאה), ולא כלולה בתודעת היחיד. קוגניציה מבוזרת, למידה ממוקמת, וקהילות פרקטיקה מרחיבות את הזרם הסוציו-תרבותי.

אזור הפיתוח הקרוב (ZPD)

ה-ZPD (וויגוצקי) הוא המושג הסוציו-תרבותי המיושם ביותר בחונכות AI: המרחב בין מה שלומד יכול לעשות לבד למה שהוא יכול לעשות עם סיוע. למידה מתרחשת ביתר יעילות כאשר ההוראה מכוונת לאזור הזה — מאתגרת דיו כדי לדחוף התפתחות, נתמכת דיו כדי לאפשר התקדמות. זהו היסוד התיאורטי של הפיגום: תמיכה זמנית, מתכווננת ונמשכת כשהכשירות גדלה. בבינה מלאכותית בחינוך, ZPD ממסגר את שאלת העיצוב המרכזית של כמה תמיכה חונך חונך AI צריך לספק כדי שהלמידה תתקדם בלי שתימסר — ראו The Evidence Base on AI in K-12: A 2026 Review.

למידה סוציו-תרבותית בחינוך AI

תיאוריה סוציו-תרבותית מעצבת מחקר AIED בכמה דרכים מובחנות:

AI כסוכן תיווך. בינה מלאכותית יצירתית מסבכת את ההבחנה הסוציו-תרבותית בין אמצעי תיווך לאינטראקציה חברתית: היא גם מתווכת פעולה וגם מייצרת תרומות רגישות-הקשר ותלויות-אירוע שמעצבות אינטראקציה, ללא החזקת כוונות, חברות חברתית או אחריות. ווארשאואר, טייט וריצ'י (2026) מציעים את סוכן התיווך כקטגוריה היברידית, ומוציאים הרגלי השתתפות אנושית-ראשונים (עדיפות קוגניציה אנושית, מעורבות מכוונת של מעורבות, סוכנות פיקוחית, ערנות אפיסטמית, ורגולציה עצמית רפלקטיבית של רגולציה עצמית) כדי לשמר את הסוכנות של הלומד.(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
חשבון תלוי-שלב של התפקיד הרגולטיבי של AI. מסגרת התפתחותית של רגולציה-משותפת של אדם–AI נותנת ל-AI ארבעה תפקידים — פיגום, תמיכה מטאקוגניטיבית, זיכרון חיצוני, ושותפת החלטה — וממקמת אותם לפי שלב: רגולציה חיצונית מובנית בגיל-הילדות-המוקדם, שותפה מטאקוגניטיבית בגיל-הילדות-האמצעי ובהתבגרות, ושותפה על קוגניציה מורכבת בגיל-הבגרות.
פיגום מכויל-ZPD. חונכי AI צריכים לכוון דינמית עזרה כדי שתתקבל בתוך אזורו של כל לומד. The Evidence Base on AI in K-12: A 2026 Review מראה כיצד חונכים מכוונים לרמת הלומד מתגברים על סיוע כללי; למידה מסתגלת וProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming ממומשים ZPD על ידי התאמת קושי ורמזים; ומסגרות עקרוניות כמו A principled way to think about AI in education: guidance for educators and policy makers based on goals, models טוענות שהתמיכה צריכה להימשך כשהכשירות גדלה.
אזור רביעי: מה שהמודל יודע. טסים וגוטורבה (2025) מרחיבים את הדיאגרמה של וויגוצקי ולא את לולאת החונכות, ומוסיפים אזור ידוע לGenAI ל-ZPD וקוראים ארבעה תת-אזורים שמסווגים למה משימה צריכה להיות מואצלת: Substitute (אין ידע ספציפי-משימה, כך שהכשירות הכללית של המודל נושאת אותה), Aid (ידע חלקי, מוגבר), Complement (ידע מספיק כדי לפקח על פלט המודל), ו-Non-negotiable (מספיק לעשותה ללא עזרה, כך שהאצלה מוסיפה מעט). פיגום מבוטא כהאצלת משימה ולא כמסירת רמזים, ולולאה מטאקוגניטיבית של הערכה, רפלקציה ולמידה בזמן אמת היא מה שמזיז משימה בין תת-אזורים לאורך זמן.
חניכות וקהילה. רעיונות סוציו-תרבותיים מחזיקים חניכות קוגניטיבית, מידול, אימון והסרה; קהילות פרקטיקה ממסגרות למידה כתנועה לעבר השתתפות מלאה יותר בפרקטיקות של קהילה.
הקשר תרבותי ומוסדי. הזרם הסוציו-תרבותי הסמוך-הקונסטרוקטיביזם מדגיש שהממד התרבותי מעצב מה נספר כידיעה, מי סמכות, ומה מאמץ אומר — ראו את מסגרת הלומדים–הקשרים–תרבויות של סקירת סידני המהירה PreK-12.
אימות מדדי שיח דורש את הנעורים ששיחתם נמדדת. הקשר-מחדש של הגדרות מהלכי-שיח עם ארבעה סטודנטים פוקליים העלה את סיווג ה-F1 של מודל לשוני גדול ב-+0.104 ל-Claim וב-+0.23 ל-Question, והפרשנויות של הסטודנטים עצמם סטו ממסגרות מבוגרים ושל מודל — מגבלה מבנית של סיווג מבוסס-טקסט, לא בעיית גודל-נתונים (Santos-Deonizio et al. (2026)).

חיבור לעומס קוגניטיבי ולמטאקוגניציה

הזרם הסוציו-תרבותי מקושר בצורה הדוקה לתיאוריית העומס הקוגניטיבי של עומס קוגניטיבי (התמיכה צריכה לנהל עומס ללא מחיקת מאמץ פרודוקטיבי) ולמטאקוגניציה (לומדים באזור מנטרים ומרגלצים באופן פעיל את ההבנה שלהם). The Evidence Base on AI in K-12: A 2026 Review מסנתזת ראיות K-12 שכלי AI עובדים בצורה הטובה ביותר כשהם שומרים לומדים ב-ZPD במקום לענות במקומם, ומחקר בינה מלאכותית עם אדם בלולאה מתייחס לאופן שבו תמיכת אנוש ותמיכת AI מגדירות יחד את אזורו של הלומד.

בינה מלאכותית יצירתית כסוכן תיווך (2026): תוך שנשען על תיווך וויגוצקיאני, נייר תיאורי מציע למסגרת מחדש בינה מלאכותית יצירתית לא רק ככלי/אמצעי תיווך אלא כסוכן תיווך שמשתתף באופן פעיל בפעילות למידה, מטושטש את גבול הכלי-לעומת-אינטראקציה-חברתית המרכזי בתיאוריה סוציו-תרבותית (Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory). זה ממקם מודלים יצירתיים כמשתתפים-משותפים ולא ככלים פסיביים, עם השלכות לאופן שבו תיווך, סוכנות הלומד, והיחס של לומד–AI מנתנים במדעי הלמידה.

מושגים מחוברים

מאמרים מחוברים

When Youth Enter The Chat: An Epistemic Shift in the Validation of LLM-Based Measures of Student Talk — When Youth Enter The Chat: Validation of LLM-Based Measures of Student Talk
Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — Generative AI as a Mediational Agent
ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming — Collaborative AI tutoring
A principled way to think about AI in education: guidance for educators and policy makers based on goals, models — Principled AI education frameworks
The Evidence Base on AI in K-12: A 2026 Review — Stanford evidence base for AI in K-12
Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Sydney rapid review of GenAI in PreK-12
Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — AI as cognitive partner and co-regulation

מטא-דאטה

למידה והוראה	קונסטרוקטיביזם, תיאוריות למידה, פיגום, למידה סוציו-תרבותית
טכנולוגות ושיטות	בינה מלאכותית יוצרת
יסודות הבינה המלאכותית בחינוך	סוכנות הלומד, שיתוף פעולה בין אדם לבינה מלאכותית

Source History Edit Chat