חינוך מיוחד

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

חינוך מיוחד — העיצוב והמסירה של הוראה ללומדים עם מוגבלות, ומשתרעת על פני הבדלים קוגניטיביים, פיזיים, חושיים ונוירו-פיתוחיים. מחקר על בינה מלאכותית בחינוך מחקרי במאגר הידע הזה חוקר כיצד כלי בינה מלאכותית יכולים לתמוך בצרכים מגוונים של לומדים באמצעות התאמה אישית, פיגום אדפטיבי, וממשקים נגישים — תוך בחינת הסיכונים של מערכות בינה מלאכותית שמתעלמות או שוללות לומדים מוגבלים.

⚠️ חינוך מיוחד הוא בעיקר מונח של חינוך גן ותיכון (K-12). הוא שורש בחוק IDEA (Individuals with Disabilities Education Act) האמריקאי ובמערכת מבוססת-זכאות של תוכניות חינוך מותאמות-אישית (IEPs) ששולטת על שירותי חינוך מיוחד בחינוך יסודי ותיכוני. בהשכלה גבוהה — ויותר ויותר במגן-עד-תיכון גם כן — המסגרת הנפוצה יותר היא עיצוב אוניברסלי ללמידה (מסגרת עיצוב פרואקטיבית שמטיבה עם כל הלומדים) לצד נגישות וטכנולוגיה מסייעת ולא "חינוך מיוחד". מאמר חינוך-מיוחד של מגן-עד-תיכון וקטע UDL של מכללה עוסקים בהקשרים חופפים אך נבדלים; מאגר הידע שומר את שניהם מכיון שספרות המחקר משתרעת על שניהם. כאשר מקור עוסק בהשכלה גבוהה ובלומדים מוגבלים, הוא בדרך כלל מקושר טוב יותר לעיצוב אוניברסלי ללמידה, לנגישות או ללמידה מכילה מאשר לחינוך-מיוחד.

שאלות למחשבה

• העמוד מדגיש ש"חינוך מיוחד" הוא בעיקר מונח של מגן-עד-תיכון, מבוסס-זכאות, ששורש ב-IDEA וב-IEPs, בעוד השכלה גבוהה מדברת יותר על עיצוב אוניברסלי ללמידה ועל נגישות. מדוע אתם חושבים שהקשרים האלה שונים, ומה ההבדל מגלה?
• ההבטחה של בינה מלאכותית להתאמה אישית נראית כמיועדת-במיוחד ללומדים עם צרכים מגוונים. אך אם מערכת מסוגלת להסתגל ל"פרופילים קוגניטיביים אישיים", מה עלול להשתבש כאשר המודל של מוגבלות גס מדי או חסר לחלוטין?
• המחקר כולל כלי בינה מלאכותית שמעוצבים לפרופילי מוגבלות ספציפיים (למשל לומדים דיסלקטים או כבדי-שמיעה קשים). אילו סיכונים אתם רואים בעיצוב לפרופילים צרים לעומת עיצוב אוניברסלי לכל הלומדים מלכתחילה?
• כיצד מערכות בינה מלאכותות שנבנות ל"הלומד הממוצע" עלולות להתעלם או לשולל לומדים מוגבלים, גם בלא-מכוון — ומי אחראי למנוע זאת?
• מה היה משמעותו של כלי בינה מלאכותית שכלל באמת, ולא רק התאים לומד עם מוגבלות — וכיצד הייתם מזהים את ההבדל בפרקטיקה?

מבוא

חינוך מיוחד הוא תחום שבו היכולת של בינה מלאכותית להתאמה אישית ולהסתגלות מציעה הבטחה מיוחדת. שלא כמו הוראה של-גודל-אחד-לכולם, מורי בינה מלאכותית יכולים לתורתית להסתגל לפרופילים קוגניטיביים אישיים, לצרכי תקשורת ולקצבי למידה. המאמרים במאגר הידע הזה משתרעים על בינה מלאכותית לפרופילי מוגבלות ספציפיים, חוויות לומד נוירו-מגוון, ופרספקטיבות ביקורתיות על בינה מלאכותות ומוגבלות.

חונכות בינה מלאכותית ספציפית-מוגבלות מתאימה בינה מלאכותית לצרכים לומדים מסוימים. Special-R1 מרחיבה את למידת החיזוק כדי למדל גיוון קוגניטיבי ותקשורתי על פני חמישה פרופילי מוגבלות, באמצעות הנחיות מודעות-פרסונה ותגמולי חשיבה כדי לעצב תגובות חונך לכל לומד. DysLexLens ניתחה כיצד לומדים דיסלקטים חווים כלי בינה מלאכותית, וחשפה הן את הערך של בינה מלאכותית לתמיכה באוריינות והן חסמי נגישות מתמשכים. Chen et al. עיצבו מערכת יצירת-שאלות המופעלת במודלי שפה גדולים (LLM) ללומדים כבדי-שמיעה קשים, והציגו אסטרטגיות שאלות חזותיות ורגשיות ושיפרו שאלות איטרטיבית עם הקהילה המטרה כדי להתגבר על חוסר-ההתאמה בין הנחיות בינה מלאכותות מבוססות-טקסט לשפות-אם מבוססות-סימנים. Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision פיתחו אסטרטגיות למידה לא-חזותיות עם מוזיקאים עיוורים ובעלי-ראיה-חלשה, במירוג עיצוב מגולם מוביל-מוגבלות. אלה מתחברים ללמידה מכילה ולנוירו-מגוון.

חוויות לומד נוירו-מגוון ממרכזות סטודנטים אוטיסטים ועם ADHD. Zastudil et al. מצאו שסטודנטים מחשוב נוירו-מגוון זקוקים למטלות מובנות, לצוותים קטנים ועקביים, ולהגדרות תפקיד מפורשות — דרישות עיצוב שכלי למידה שיתופית חייבים להתמודד איתן. Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education הדגימו שסרטונים מפוצלים על ידי בינה מלאכותית חיסלו את פער הביצועים של ADHD. שניהם מתחברים לעיצוב למידה ולעיצוב אוניברסלי ללמידה.

פרספקטיבות ביקורתיות בודקות כיצד בינה מלאכותית יכולה לשולל לומדים מוגבלים. Tali-Otmani טוענת שמערכות בינה מלאכותות שוללות באופן פעיל ידע ממורכז-מוגבלות עקב נתוני אימון מערב-מרכזיים — מה שמתחבר לחששות השוויון על צדק אפיסטמי.

בינה מלאכותית לדיסלקטיה לאורך גילוי, תמיכה ולמידה מותאמת. סקירה שיטתית בין-תחומית מ-2026 (Dabaghi, D'Urso & Sciarrone, מודרכת-PRISMA, 2018–2024, n=72) ממפה כיצד בינה מלאכותית תומכת בסטודנטים עם דיסלקטיה בחינוך, ומוצאת בינה מלאכותית המשמשת לגילוי, תמיכת-עזרה ולמידה מותאמת — אך עם הרבדים האלה מתפתחים במקביל ולא בשילוב, ומונעים יותר על ידי הזדמנות טכנולוגית מאשר על ידי תיאוריה חינוכית מאוחדת. כלי עזרה-חינוך מבוססי-ML נופלים לחמישה תחומים (יישומים ספציפיים, מעורבות, התאמה אישית, המלצה, תמיכה גנרית) ועדיין מדגישים ביצוע טכני ודיוק סיווג תוך התעלמות מתוקף אקולוגי ופריסה מעשית בכיתה. מחקר גילוי (EEG, מעקב-עיניים, מודלי ML) מעניק עדיפות להתערבות מוקדמת ומראה הבטנה אבחנתית, אך דורש לעתים קרובות ציוד מיוחד וסביבות מבוקרות, מה שמגביל סקלביליות ונגישות במסגרות בית-ספר אופיניות. אתגרים פתוחים כוללים אימות ניסויי מוגבל, סקלביליות, חששות אתיקה אתיות/פרטיות לגבי נתוני סטודנטים רגישים, תמיכת מורים והכשרה מוגבלות, וחסמי שפה/תרבות (רוב המחקר מכוון לאוכלוסיות דוברות-אנגלית).

פריקת עומס קוגניטיבי לסטודנטים עם מוגבלות למידה (SWLDs). Seung & Basham (2026), סקירה קונספטואלית בסדרה מיוחדת של Learning Disability Quarterly על בינה מלאכותית לסטודנטים עם LD, ממסגרות מחדש את השימוש בGenAI עבור SWLDs באמצעות עדשת הפריקת עומס קוגניטיבי. הן טוענות ש-GenAI יכול להיות עזר מפצה או קיצור-דרך בהתאם לאופן שבו החלטות פריקת-העומס מתערבות עם הפרופילים הקוגניטיביים והמוטיבציוניים של SWLDs (אתגרי תפקוד-מנהלי וזיכרון-עבודה, עומס קוגניטיבי מוגבר, מטרות ביצוע נמנעות-מאמץ, מסוגלות-עצמית אקדמית נמוכה יותר, וציפיות מוגזמות כלפי GenAI) ועם עיצוב הוראה. לקריאה ולכתיבה, GenAI יכול לפגום גישה (יישור רמת-טקסט, סיכום, פלטים בינה מלאכותית רב-מודאלית, תכנון, ניסוח, משוב תיקון) תוך שימור מעורבות מסדר-גבוה — אך פריקת-עומס מוגזמת מסכנת לעקוף את תהליכי ההבנה, התכנון והפיקוח שכבר שבירים ללומדים אלה, לטפח "עצלות מטאקוגניטיבית" ולהחמיר קשיי אוריינות על פני תחומים. המאמר ממקם מעקות-בטיחות הוראיים כגורם-המתווך המרכזי וממליץ על הוראה של פריקת-עומס אסטרטגית, בניית אוריינות AI לכיול אמון-בכלי, סדרת חוויות-שליטה לבניית יעילות עצמית, ויישור משימות והערכה עם מטרות IEP שמקדימות פיתוח כישורים על פני תחלוף. הדבר מרחיב את כיסוי החינוך-המיוחד של מאגר הידע לממד השוויון של פריקת-העומס: אותו כלי שמוריד חסמי גישה יכול, אם לא-משומר, להחליף את התרגול ש-SWLDs זקוקים לו ביותר. תוכן התערבות המופק על ידי בינה מלאכותית זקוק לבקרות קדם-הפקה, ולא רק לסקירה. Enkhjargal et al. (2026) מצאו שפרקטיקנים דירגו את כלי Social Story שעוצב-בשותפות כשמיש במידה גבוהה (SUS 86.8) ועדיין כינו את התמונות שלו מערביות-גנריות ואת עוקב ההתנהגות שלו לא-מתאים לשיפוט קליני מקושר-מטרה — אילוצים שהיו קובעים לפני ההפקה.

השלכות למרצים בחינוך מיוחד

• עצבו בינה מלאכותית בשותפות עם הלומדים והקהילה המטרה. יצירת שאלות ללומדים כבדי-שמיעה/קשים מראה את הערך של שיפור איטרטיבי של בינה מלאכותות עם הקהילה כדי לגשר על הפער בין הנחיות מבוססות-טקסט לשפות-אם מבוססות-סימנים — כללו לומדים וקהילותיהם בעיצוב במקום להניח שבינה מלאכותית מתאימה להם.
• התאימו בינה מלאכותית לפרופילי מוגבלות ספציפיים, לא לנגישות גנרית. Special-R1 מדגם גיוון קוגניטיבי ותקשורתי על פני פרופילי מוגבלות; DysLexLens מתעד הן את הערך האוריינותי והן את חסמי הנגישות המתמשכים שלומדים דיסלקטים מתמודדים איתם — בחרו כלים מיושרים לפרופיל של כל לומד והיו ערניים לחסמים שלא נפגשו.
• מבנים שיתוף פעולה ללומדים נוירו-מגוון. סטודנטים מחשוב נוירו-מגוון זקוקים למטלות מובנות, לצוותים קטנים ועקביים ולתפקידים מפורשים — החליפו את דרישות העיצוב האלה על כל פעילות שיתופית המתווכת-בינה מלאכותית.
• השתמשו בבינה מלאכותית כדי לסגור (לא להרחיב) פערי ביצועים. סרטונים מפוצלים על ידי בינה מלאכותית חיסלו את פער הביצועים של ADHD — פרסו בינה מלאכותית אדפטיבית במקום שבו ראיות מראות שהיא שוות-תוצאות, לא במקום שהיא רק מבצעת אוטומציה.
• מרכזים עיצוב מגולם מוביל-מוגבלות. מחקר מוזיקאים עיוורים/בעלי-ראיה-חלשה מראה שאסטרטגיות לא-חזותיות ומובילות-מוגבלות גוברות על ממשקים חזותיים בברירת-מחדל — בנו והתאימו בינה מלאכותית עם מומחיותם של לומדים מוגבלים.
• הישמרו משולל אפיסטמי. פרספקטיבות ביקורתיות מזהירות שנתוני אימון מערב-מרכזיים יכולים לשולל ידע ממורכז-מוגבלות — בחנו ביקורת תוכן וכלי בינה מלאכותית לצדק אפיסטמי לצד השוויון.

מושגים מחוברים

• אפקטים דיפרנציאליים בין קבוצות לומדים
• למידה מכילה
• שוויון
• נוירו-מגוון
• עיצוב אוניברסלי ללמידה
• עיצוב למידה
• חוויית הסטודנט
• אוריינות AI
• חינוך גן ותיכון (K-12)
• השכלה גבוהה
• חינוך במדעי המחשב
• בינה מלאכותית יוצרת
• AIED בתחומי הדעת

מאמרים מחוברים

• Cognitive Offloading in the Age of Generative AI: What Does It Mean for Students With Learning Disabilities? — GenAI cognitive offloading for students with learning disabilities
• Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — LLM-powered question generation for Deaf and Hard of Hearing learners
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education
• AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories — AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories