אינטראקציה בין תלמידים לבינה מלאכותית

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

אינטראקציה בין תלמידים לבינה מלאכותית — הדפוסים, התהליכים והעבודה הקוגניטיבית בכיצד לומדים מתקשרים עם מערכות בינה מלאכותית יוצרת במהלך הלמידה ופתרון בעיות. המחקר בתחום מתאר מה תלמידים שואלים את הבינה המלאכותית, כיצד מתפתחות ההנחיות והדיולוגים, וכיצד איכות האינטראקציה קשורה לתוצאות הלמידה, לפריקת עומס קוגניטיבי ולסוכנות הלומד.

שאלות למחשבה

• חשבו על ההנחיות (הפרומפטים) האחרונות שכתבתם — או שתלמיד כתב — לבינה מלאכותית. הייתם מתארים את רובן כבקשה לקבלת התשובה, או כבקשה שהבינה המלאכותית תסביר, תחקור או תעריך? מה הייתם משערים שהדפוס הזה עושה ללמידה?
• המחקר מוצא שתת-קבוצה קטנה של סוגי שאלות מהווה את רוב פניות התלמידים, וכי השאלות משתנות ככל שמשימה מתקדמת. מדוע לדעתכם שאלתנות התלמידים מצטמצמת, ומה הדבר מעיד על הדרך שבה הם משתמשים בכלי?
• העמוד טוען שהנחיות שטחיות, שבמרכזן השגת תשובה, קשורות לירידה בלמידה ולהעמסה-יתר, בעוד שאינטראקציה רפלקטיבית ומופנית לאימות תומכת בהבנה. מה לדעתכם מבדיל הנחיה 'טובה' מהנחיה 'רעה' — והאם זו אחריותו של התלמיד או של עיצוב הכלי?
• אם איכות האינטראקציה נעצבת על ידי הקשר המשימה ועל ידי הפיגום (scaffolding) ולא הייתה תכונה קבועה של התלמיד, כיצד ניתן לעצב מחדש קורס או כלי כדי לעודד טווח רחב ופרודוקטיבי יותר של חקירה?
• כיצד תדעו אם דיאלוג זורם עם בינה מלאכותית משקף למידה אמיתית או רק האצלה מיומנת — ומה הייתם בודקים כדי לגלות זאת?

מבוא

אינטראקציה בין תלמידים לבינה מלאכותית היא המשטח הנצפה של המעורבות של לומדים עם בינה מלאכותית יוצרת — השאלות שהם מציגים, ההנחיות שהם כותבים, הדרך שבה הם מנהלים משא ומתן ואימותים את הפלט שלה, וכיצד דפוסים אלה משתנים בין שלבי המשימה לאורך זמן. היא נמצאת במפגש שבין חוויית הסטודנט, הנדסת הנחיות ואנליטיקת למידה, והיא מרכזית בוויכוח על שאלת האם שימוש בבינה מלאכותית בחינוך מייצג למידה אמיתית או העמסה קוגניטיבית-יתר. בעוד שיתוף פעולה בין אדם לבינה מלאכותית ממסגרת את החלוקה ברמה גבוהה של העומס הקוגניטיבי בין אנשים למודלים, אינטראקציה בין תלמידים לבינה מלאכותית היא היישום הקונקרטי והמדיד של מערכת היחסים הזו — הפניות הספציפיות, ההנחיות ומהלכי המשא ומתן שהלומדים מבצעים מרגע לרגע.

מה תלמידים שואלים את הבינה המלאכותית

קווי מחקר מרכזיים מודדים את הסוגים והאיכות של פניות התלמידים. מחקרים מיישמים טקסונומיות של סוגי שאלות — למשל הטקסונומיה בת 18 הסוגים של Graesser et al. — כדי לסווג אינטראקציות תלמיד–בינה מלאכותית, לעתים קרובות באמצעות מסווגים few-shot כדי להרחיב את הניתוח למאות ולאלפי אינטראקציות. הממצאים מצביעים על כך שתת-קבוצה קטנה של סוגי שאלות מהווה את רוב פניות התלמידים, וכי השאלות שהתלמידים שואלים משתנות באופן משמעותי ככל שמשימה מתקדמת (למשל, Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks). התלות במשימה חשובה: איכות האינטראקציה אינה תכונה קבועה של התלמיד, אלא נעצבת על ידי הקשר הבעיה, פיגום והתכונות (affordances) של כלי הבינה המלאכותית. בגילאים הצעירים ביותר, Vahedian Movahed & Martin (2025) מצאו שילדים (בגילאי 6–14) בחנו באופן פעיל את אמינותו של צ'אטבוט על ידי הצגת שאלות שהם ידעו את תשובתן (למשל, "how big is a t rex" — כמה גדול טירנוזאורוס) — ביטוי של סוכנות אפיסטמית עצמית — בעוד שהילד הטיפוסי שאל 1–3 שאלות בלבד, ותלמיד כיתה א' יוצא דופן שאל 21 שאלות, ומכך עולה כי שינויים התפתחותיים ואישיותיים מעצבים את השאלות שהלומדים מציגים.

הטקסונומיות עצמן טרם הגיעו להסכמה: על פני 46 סיווגים מ-33 מחקרים, תוויות דומות מכנות תופעות שונות, ולכן הסקירה מציעה את פרק האינטראקציה (interaction episode) — חילופים מוגבלים בזמן ומוכווני מטרה — כיחידה המשתרעת על רכישת ידע, משוב הערכתי, הדרכה אסטרטגית, חקירה דיאלוגית, עיבוד מחדש של תוצרים וווסדות (co-regulation) (Borchers, Jansen & Weidlich (2026)).

בהשלמה לחקר הטקסונומיות, Yan et al. (2026) מאפיינים את הצורה הדיאלוגית של פניות התלמידים. בין 38 סטודנטים לתואר ראשון שהשלימו חיבורי הערכה טיעונית ללא פיקוח, 76.32% השתמשו בדפוס חד-משבתי של שאלה–קבלת תשובה–עצירה — בדרך כלל הדבקת כותרת מטלת ההערכה בלי לציין את צרכיהם, והגשה חוזרת של הנחיות זהות כשהם לא היו מרוצים — ו-78.94% נגעו בGenAI רק בתחילת המשימה (רעיונות, רקע) או בסופה (ליטוש, אורך), והשאירו אותה נפרדת מקריאה ומכתיבה עצמאית; רק 23.68% קיימו דיאלוג איטרטיבי מתמשך עם שאלות המשך וטיעון משלהם. המחברים מציבים את הדפוסים הללו על ספקטרום הנע מהעמסה קוגניטיבית להקצאה מחדש קוגניטיבית — האנלוגיה בעידן GenAI לגישות שטחיות לעומת גישות עמוקות ללמידה — ומציינים שרוב התלמידים תפסו את הכלי כמנוע חיפוש משודרג, מה שחסם אותם בקצה של ההעמסה.

במסגור מחדש של הדפוסים הללו כעבודה אפיסטמית, ניתוח של 200 מושבי צ'אט בתכנות משותף מצא ש-78.8% מאינטראקציות התלמידים–GenAI פעלו על מטרות ואסטרטגיות שאינן מטרות שליטה (non-mastery), כמו העמסה קוגניטיבית או חיפוש אימות, ורק 11.1% שילבו מטרות מוכוונות-שליטה עם הצדקה אפיסטמית (Wu (2026)).

קידוד של 50 חילופי דעת מדגם מניב טיפולוגיה תלת-צדדית של אותה התנהגות: Zahra (2026) סיווגה 46% כסקירה פסיבית (Passive Review), שבה המודל פועל כאורקל והפלט מתקבל עם ביקורת מזערית, 18% כשאלה ישירה (Direct Question), ו-36% כדיאלוג אסטרטגי (Strategic Dialogue), וצירפה להתפלגות טיעון עיצובי של אילוץ-ראשון (kappa = .48 בין המקודדים). סקר של שבע מטלות בקרב 211 סטודנטים למחשוב מגיע לאותה מסקנה מכיוון אחר: Nizamani et al. (2026) מדדו אימוץ LLM מ-89.6% באלגוריתמים ועד 15.2% בהנדסת תוכנה, וייחסו את הפער למורכבות המטלה, לווריפיקציה ולפיגום ולא לתת-התחום.

איכות האינטראקציה ולמידה

קו משלים מקשר את הצורה של האינטראקציה ללמידה. הנחיות שטחיות או צרות בהרגלן (בקשת שיוצר הבינה המלאכותית את התשובה במקום שתסביר, תחקור או תעריך) קשורות לירידה בלמידה ולעלייה בסיכון תלות-יתר, בעוד שאינטראקציה רפלקטיבית ומופנית לאימות תומכת במטאקוגניציה ובהבנה עמידה. הדבר מקשר את אינטראקציית התלמיד–בינה המלאכותית ישירות לעיצוב של חונכים קוגניטיביים: ניתן לבנות מערכות שמזמינות טווח רחב ופרודוקטיבי יותר של חקירה ומספקות פיגום לשאלת שאלות במקום רק לענות. האינטראקציה אינה חייבת לרוץ דרך הנחיות חיפוש-תשובה כלל — כאשר הבינה המלאכותית מבקרת את עבודת התלמידים עצמם, החילופים הופכים לדיאלוג רפלקטיבי ומופנה לאימות: בOppenheimer, Cash & Connell Pensky (2025), תגובות הלומדים למודלי שפה גדולים (LLM) החיבור שלהם עם משוב הראו רפלקסיה ב-92.7% מהמקרים, קבלה ב-93.6%, וסירוב פעיל לטענות ה-LLM ב-87.8% מהמקרים (inter-rater κs = 0.81–0.89), ואיכות התגובה שלהם למשוב השתפרה לאורך האיטרציות כמיומנות הניתנת ללמידה. הצד הרפלקטיבי של האינטראקציה אינו חייב לרוץ דרך הנחיה ישירה — בCoBi, תלמידים התמודדו עם הדמיות רמות-כיתה של הדיבור השיתופי שלהם ושוקלו דיסקורסיבית מתי הסיווגים של הבינה המלאכותית נשמעו שגויים, והפכו סיווגים שגויים לכאורה להזדמנויות לכיול ההבנה שלהם לגבי יכולותיה וגבולותיה (כיול אמון) במקום לקבל את הפלט שלה כהלכתו. לקשר שבין צורת האינטראקציה ללמידה יש גבול, עם זאת: Page (2026) מפריד בין איטרציה קונברסציונלית לאיטרציה קוגניטיבית, בטענה שלומד יכול לשנן פלט לאורך סבבים רבים בעוד המודל המנטלי שמאחוריו אינו משתנה, ולכן הראיה ללמידה היא שינוי בעמדה הקוגניטיבית של הלומד ולא באורך או בזרימות של החילופים — מספר הסבבים אינו תחליף לעומק המעורבות.

האינטראקציה, לא הכלי, קובעת את הנתיב: בניסוי שדה עם קרוב ל-1,000 תלמידי תיכון במתמטיקה, גישה חופשית ל-GPT-4 העלתה ציוני תרגול ב-48% אך הורידה ציוני בחינות ללא סיוע ב-17%, בעוד שאותו מודל, כשהגישה אליו הוגבלה לרמזים שתוכננו על ידי המורה, העלה תרגול ב-127% ומיעט באופן ניכר את הגירעון (Lee, 2026).

האם התלמידים הנחו ביעילות, ולא כמה הם הנחו, נצבע עם ההצלחה: יעילות שאילתות AI ופתרון בעיות מונחה-AI היו החוזים החזקים ביותר להצלחה אקדמית בקרב 128 סטודנטים להנדסה, ונשארו משמעותיים גם לאחר בקרה על ממוצע הציונים (GPA) (Isaza Dominguez et al. (2026)).

הקשר ההתנהגותי הוא אות נפרד מהשאלה עצמה: בארבעה פריסות של TutorTrace (480 לומדים, כ-180,000 אירועי IDE), תלות הסיוע במצב ההתנהגותי האחרון של הלומד קיצרה את המרווחים בין שאילתות ללא עבודה עצמאית מ-50.0% ל-20.7%, ושאילתות עומדות לבוא ניתנו לחיזוי מהתנהגות בלבד (AUROC = .726) (Barron et al. (2026)).

הצפיפות אינה המנגנון: חלופה בין קול לטקסט כמעט הכפילה את מספר סבבי הדיאלוג לדקה (1.34 לעומת 0.75) בלי לשנות את רמת השליטה השבועית, והמחברים קראו את השהיית החשיבה החציונית של 26 שניות בערוץ המודפס לפני ההקלדה הראשונה כמעשה הקידוד עצמו (Yang, Van Alstyne and Dellarocas (2026)).

לולאת אימות יכולה להישאר שטחית: ניתוח לגסי-רציונלי של פריסה של סוכן LLM לאורך ארבעה שבועות בקורס מסדי נתונים לתואר ראשון מצא מחזור שאילתה–הערכה–שאילתה משמעותי, ועם זאת לולאות מעבר-עצמי חזקות בתוך מצבים מסדר נמוך, ורק 3.92% מהאינטראקציות הגיעו לקוגניציה מסדר גבוה (Li et al. (2026)).

Bernstein and Sibia (2026) מתעדים דפוס איטרטיבי-מסנן בטיפול שבו סטודנטים של CS2 מטפלים בהסברים של GenAI (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): הם מצלבים אותם עם סיכומי הרצאות, דורשים מקור ("I would be a lot more doubtful... without one" — הייתי נחרץ יותר בספק... בלעדיו), ובודקים בשאלות המשך כדי למצוא חוסר עקביות במקום לשפוט פעם אחת לקבל או לדחות. התלמידים קוראים גם את ההסברים במובן הידע והרקע שהם הניחו להם — ידע קודם שמעבר לסילבוס, התייחסויות ברירת-מחדל לספורט ולמשחקים ("the more male-dominated side of computing" — הצד הדומיננטי-גברי יותר של המחשוב), וחזרות מוגזמות — כולם פעלו כאותות לגבי הקורא המדומה, תוך שפיגום-יתר נקרא כמטפל בהם מגבוה ולא רק כבלתי-יעיל.

הייעוץ עם הבינה המלאכותית בנקודה הנכונה במשימה חשוב לא פחות מהניסוח של ההנחיה הבודדת: במחקר הנ"ל, Yan et al. (2026) מצאו שהמיעוט המופנה-להקצאה-מחדש חילף בין עבודה עצמאית לייעוץ עם GenAI ודיווח על מאמץ כולל ללא שינוי אך עם מוקד מוסט — העברת משאבים מחיפוש לבדיקת איכות ויזות טיעונית, וכתיבת הערות רפלקציה בסוף מושבים כדי להתמודד עם שימור שטחי — בעוד שלומדים עם מטרות שליטה אך עם אוריינות AI חלשה נפלו ל"פרדוקס היעילות", והעמסו "לא בכוונה, אלא כברירת מחדל".

מהאינטראקציה לפדגוגיה

אפיונן של אינטראקציות תלמיד–בינה מלאכותית יודע על עיצוב הלמידה: מרצים יכולים לשים לב לכך שדפוסי השאלתנות של התלמידים צרים או שטחיים, ולעצב התערבויות שמרחיבות את החקירה; תפקיד המורה עובר לכיוון ליווי התלמידים לתקשר באופן פרודוקטיבי עם בינה מלאכותית. הדבר מספק גם בסיס לתוכניות אוריינות AI שמתייחסות להנחיה ולאימות יעילים כמיומנויות הניתנות ללמידה ולא ככישורים מולדים.

דוושות עיצוב יכולות לשנות את ברירת המחדל הזו: בקורס פיזיקה אסינכרוני של כ-70 סטודנטים, התוצר המדורג היה תמליל הדיאלוג ולא תשובה, ועם זאת סטודנטים רבים עדיין שאלו רשימות ארוכות של שאלות בלי להשיב לשאלות ההמשך הסוקרטיות של המודל — מצב הכשל שהקריטריונטים נכתבו כדי לתפוס אותו (Rodriguez & Wulff (2026)).

הנחיות שכותבים המורים הן דוושה כזו, אך הדרישה המוטמעת בפועל נשארת מאחורי היעד: על פני 1,479 שיחות, ב-38% מהמקרים לא הושגה רמת הדעת-בידיעה (Depth-of-Knowledge) שהמורה התכוון אליה, כאשר הגיעה לכ-50% ברמת DOK 3, בעוד שקביעת קו סיום מפורש צמצמה את הפער ב-0.22 רמות, ומגן-בטיחות של "אין תשובות ישירות" הוריד את שיעורי התשובה הסופית של הבינה המלאכותית ב-8.5 נקודות אחוז (Liu et al. (2026)).

אי-שימוש הוא עצמו דפוס אינטראקציה שעל הפדגוגיה לתכנן אליו. Zou et al. (2026), שחקרו 85 סטודנטים להוראה בשלושה קורסים שבהם שימוש ב-GenAI בהערכה הותר במפורש, מצאו ש-62.4% (53 מתוך 85) לא השתמשו בו כלל, פחות בהרבה מה-79–83% אימוץ הנצפה בסקרים דומים בבריטניה ובאוסטרליה, וכי השימוש של המאמצים היה שטחי ומתקן יותר מאשר יוצר (הגהה 43.8%, בדיקות בהירות 34.4%, יצירת טקסט רק 18.8%). הבחירות שלהם נצבעו עם עיצוב ההערכה והתרבות המוסדית ולא עם קושי טכני: 41.5% מהלא-מאמצים פחדו שיואשמו בטעות בגניבה ספרותית, ותשעה מאחד-עשר הנחקרים קראו את המדיניות המתירה עצמה כמלכודת אפשרית. הפער שבין 32 משתמשים מדווחים בסקר ל-28 הצהרות עצמיות מראה שהאינטראקציה המדווחת של התלמידים עם בינה מלאכותית נצבעת עם השלכות הדירוג — וזו אזהרת מדידה לחשבונות של אנליטיקת למידה על אינטראקציית תלמיד–בינה מלאכותית.

משמעת ומעורבות קוגניטיבית בצ'אט בין תלמידים לבינה מלאכותית

• מעורבות קוגניטיבית הקשורה לתחום דעת בצ'אט בין תלמידים לבינה מלאכותית. Chang and Li (2026) מנתחים הנחיות תלמידים לבינה מלאכותית על פני 116 קורסים בעיצוב תוך-אישי, חוצה-תחומים, ומראים ששיחות התלמיד–בינה המלאכותית משקפות מעורבות קוגניטיבית הקשורה לתחום דעת ולא סגנונות אינטראקציה אישיים קבועים. כ-62% מההנחיות קידדו דרישה קוגניטיבית מסדר גבוה בסך הכל, אך פרופילי רמת בלום נבדלו חדות בין תחומי הדעת: קורסי STEM עוררו הנחיות ששורשן ביישום (Apply, 20.8%), קורסי שפה בהבנה (Understand, 31.7%), וקורסי מדעי החברה ביצירה (Create, 33.8%). השוואות זוגות תוך-אישיות אישרו שהתלמידים עצמם יצרו משמעותית יותר הנחיות מסדר גבוה בקורסי מדעי החברה מאשר בקורסי STEM (pooled n = 16, p < .001), והשונה ברמת הקורס עלתה על השונה ברמת התלמיד — טיעון חזק לכך שעוזרי הוראה מבוססי בינה מלאכותית צריכים להיות מעוצבים ונערכים תוך התחשבות בהקשר התחומי.

מושגים קשורים

• לומדים — הלומדים: המטרייה למושגים שצד הלומד
• שיתוף פעולה בין אדם לבינה מלאכותית
• חוויית הסטודנט
• הנדסת הנחיות
• אנליטיקת למידה
• פריקת עומס קוגניטיבי
• חונך אינטליגנטי
• מטאקוגניציה
• סוכנות הלומד
• בינה מלאכותית יוצרת
• מודלי שפה גדולים (LLM)
• אוריינות AI

מאמרים קשורים

• From Cognitive Outsourcing to Reallocation: A 3P Analysis of Student–Generative AI Engagement in Unsupervised Assessments — העמסה קוגניטיבית לעומת הקצאה מחדש בהערכות תלמידים–GenAI ללא פיקוח (Yan et al. 2026)
• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — "האם זו מלכודת?": אי-אימוץ GenAI בקרב סטודנטים להוראה בהערכות (Zou et al. 2026)
• TutorTrace: A Dataset and Taxonomy for Classifying Learner Behavioral States during AI-Assisted Programming Education
• Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks — ניתוח סוגי הפניות באינטראקציית תלמיד–בינה מלאכותית
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — סקירת טקסונומיית אינטראקציית תלמיד–LLM
• Teacher-Authored Prompts for Configuring Student-AI Dialogue: K-12 Classroom Implementation — הנחיות שכותבים מורים בדיאלוג תלמיד–בינה מלאכותית
• Constructing Epistemic AI Literacy: Detecting Epistemic Aims and Processes in Student-AI Co-Programming — בניית אוריינות AI אפיסטמית
• Demystify, Use, Reflect, Assess (DURA): An Experience Report on LLM Integration in CS2 — Demystify, Use, Reflect, Assess (DURA): שילוב LLM ב-CS2
• The Impact of an LLM-Based Educational Agent on Learning Achievement, Cognitive Dynamics, and Student Perceptions in Computer Science Education — סוכן חינוכי מבוסס LLM (DBagent) בחינוך למדעי המחשב
• An Empirical Study of ChatGPT Use in Engineering Education: Prompting and Performance — הנחיה ושילוב מתועדים
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• You've Got AI Friend in Me: LLMs as Collaborative Learning Partners
• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — פגומים אך בלתי נשכחים: קבלה ביקורתית של אנלוגיות GenAI מותאמות-אישית בקרב סטודנטים למחשוב
• Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning — Bypass, Offload, or Scaffold: מודל קונספטואלי של כיצד מודלי שפה גדולים מעצבים למידה
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — When AI Tutors Speak: ראיה מניסוי שדה רנדומלי
• Artificial Intelligence Driven Physics Assignments using Context Prompts — מטלות פיזיקה מונעות בינה מלאכותית באמצעות הנחיות הקשר
• Three Pathways of Student-AI Interaction: Constraint-First Design for Higher-Order Thinking — טיפולוגיית שלושת הנתיבים של אינטראקציית תלמיד–בינה מלאכותית: 46% סקירה פסיבית, 18% שאלה ישירה, 36% דיאלוג אסטרטגי