כושר AI של המורה

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

כושר AI של המורה — הידע, הכישורים והנטיות שהמורים צריכים כדי לשלב בינה מלאכותית בהוראה ובלמידה ביעילות, אתית ובדרך משוויונית. הוא מתבסס מעבר לשימוש בכלים טכניים וכולל שילוב פדגוגי, אוריינות בהערכה, שיפוט אתי, והביטחון להשתמש בבינה מלאכותית היטב. כושר AI של המורה הוא הנגד בצד-המורה לאוריינות בינה מלאכותית, ומפותח דרך התפתחות מקצועית. הוא מרכזי לאופן שבו תפקיד המורה משתנה בכיתות המוגברות-בינה מלאכותית.

שאלות לשימת לב

• העמוד טוען שהמורה הוא "הגורם הקובע" בשאלה האם בינה מלאכותית משפרת למידה — שהכלים עוזרים רק כאשר מורים יכולים לתכנן עבורם, לפיגם את השימוש בהם ולהעריך את התוצרים. האם הדבר תואם את הניסיון שלכם, או שאתם חושבים שהכלי עצמו חשוב יותר מהמורה?
• כושר AI של המורה עושה מיומנות טכנית, שילוב פדגוגי, אוריינות בהערכה ושיפוט אתי. איזה מאלה לדעתכם המורים חסרים ביותר, ואיזה הכי קושי לאמן?
• המחקר מתעד פער בין כושר ה-AI הנתפס-עצמית והאמיתי של המורים. מדוע לדעתכם אנשים מעריכים-יתר את המוכנות שלהם, ומה היה נדרש לסגור את הפער הזה בכנות?
• תוכנית התפתחות-מקצועית אינטנסיבית ייצרה רווחים גדולים בכושר AI פדגוגי במחקר המצוטט, ומציעה שכושר טכני-פדגוגי הוא ניתן-לאימון. אם זה נכון, מדוע כל כך הרבה מורים עדיין נראים לא-מוכנים — מה עומד בדרך?
• אם מורה יכול "להשתמש בבינה מלאכותית היטב", מה המשמעות של "היטב" עבורכם — ואיך הייתם יודעים שמורה השיג זאת ולא רק אימץ את הכלי?

מבוא

כושר AI של המורה חשוב כי המורה הוא הגורם הקובע בשאלה האם בינה מלאכותית משפרת למידה. המחקר מראה בעקביות שכלי בינה מלאכותית מתורגמים לתוצאות טובות יותר רק כאשר מורים יכולים לתכנן עבורם, לפיגם את שימוש התלמידים בהם, להעריך תוצרים, ולשלב אותם להוראה קוהרנטית. ספרות מאגר הידע בוחנת את הממדים של הכושר הזה, את הפערים בין תפיסה-עצמית לכושר אמיתי, ואת ההתפתחות המקצועית שבונה אותו.

ממדי הכושר המרכזיים

המחקר של מאגר הידע מתכנס על כמה ממדים מקושרים:

• מיומנות טכנית: ניסוח הנחיות יעילות למטרות חינוכיות, הערכת כלי בינה מלאכותית להתאמה פדגוגית ובטיחות, ופתרון תקלות בזמן-אמת. תוכנית התפתחות-מקצועית אינטנסיבית ב-GenAI תיעדה רווחים מובהקים בכל חמשת מרכיבי AI-PCK (דיוק כולל d = 2.36), ומראה שכושר טכני-פדגוגי ניתן-לאימון.

• ידע פדגוגי הוא השכבה הקובעת. מחקר חוצה-רמות של חינוך AI בחטיבת הביניים וחינוך AI (46 מורים, 2,832 תלמידים) מצא שידע AI טכני בלבד לא הספיק — ויכול היה אפילו לצמצם מעט את תפיסות התלמידים על AI לטובת-חברתית — בעוד ידע AI פדגוגי הניע את תפיסות התלמידים ואת הכוונה שלהם ללמוד AI. מסגרות-כושר צריכות בכך לשקול ידע AI פדגוגי כממד הציר, ולא כתוספת-רך.

• שילוב פדגוגי: מיפוי שימוש בינה מלאכותית למטרות למידה, עיצוב פיגום שתומך במטאקוגניציה ובהווסת העצמי רגולציה של בינה מלאכותית בחינוך של התלמיד, ושילוב בינה מלאכותית בעיצוב הוראה. מחקר AI-TPACK מדגם כיצד מורים משלבים ידע טכנולוגי, פדגוגי ותכני באמצעות זרימות-עבודה רב-סוכניות, בעוד מסגרת צוותיות-מורה-AI בחמישה שלבים (טרנסקציוני → סינרגטי) מלכדת כיצד בינה מלאכותית יוצרת עשויה להחליף, להשלים או להגביר את כושר המורה.

• אוריינות בהערכה: הערכת תכנים המיוצרים-על-ידי-בינה-מלאכותית ותוצרי ה-AI של התלמידים, והבנת אופן שבו התקפות משתנה כאשר תלמידים משתמשים בבינה מלאכותית. הדבר מתחבר להערכה האוטומטית, לזיהוי בינה מלאכותית, ולאג'נדה הרחבה יותר של עיצוב-מחודש של הההערכה. עבור מערכות המלצה, הדבר מתרחב לשיפוט האם ההסברים של בינה מלאכותית הם באמת מובנים ובעלי-משמעות פדגוגית: פלדמן-מגור ושות' (2025) מצאו שמורים סמכו יותר על המלצות קיבוץ-AI כאשר ההסברים מוצגו בשפה מקצועית-לתחום (תכנית-לימודים) מאשר כאשר הם חשפו תכונות-דגם גולמיות — כושר לדרוש ולהעריך איכות הסבר ולא לקבל פלט אטום.

• בחירת-מודל ועיצוב-הנחיה ככישורים ניתני-הדגמה: אוריינות בינה מלאכותית מכשירית כוללת ידע איזה מודל להשתמש וכיצד לנסח את המשימה. יעקב סן ושות' (2026) ביקרו את מטרות-תכנון-השיעור של 153 מורים לפני-שירות ב-ChatGPT-4, Claude 3 ו-Gemini Advanced תחת ארבע הנחיות שנשתנו-במערכת (N = 240 משובים במחקר 1, 345 במחקר 2), עם המשוב נמדד בתשע קטגוריות-איכות. בחירת-המודל בלבד הסבירה 26.9% מהשונות באיכות הנמדדת (18.4% במחקר 2) ועיצוב-ההנחיה הוסיף 15.9% מובהקים (5.7%) על גבי זאת; תכונת-ההנחיה הקובעת הבודדת הייתה שפה טכנית ספציפית-לתחום, שהסרתה הורידה את האיכות באופן מובהק (β = −0.412), בעוד הוספת דוגמות והסרת הוראת שרשרת-המחשבה לא הבדילו באופן מובהק במחקר 1. הקריאה שלהם — שמונחי המקצוע פותחים הן תכני-נתוני-אימון רלוונטיים והן ממוסגרים את הבקשה מקצועית, כמו הנחיית-תפקיד — בתוספת כלל-אצבע להשתמש במודל-החזית היכול-הנוכחי ביותר, הופכת את בחירת-המודל להחלטה דידקטית ולא טכנית.

• שימוש אתי וביקורתי: זיהוי הטיה בתוצרי בינה מלאכותית, הגנת נתוני תלמיד (פרטיות), והבטחת תוצאות שוויוניות (שוויון). שימוש בינה מלאכותית רלוונטי-תרבותית בוחן כיצד מורים יכולים להשתמש במודלי שפה לגיוון חומרים ולא לחזוק נורמות דומיננטיות.

• אחריות אתית מבוזרת, לא פרטנית. לאורך שבעה מקרים לאומיים, מורים ממוקמים כשומרי-סף מוסריים של שימוש בבינה מלאכותית תוך חוסר תמיכה מוסדית ואפיסטימית, ולכן אוריינות AI אתית חייבת להתרחב לסוכנות ביקורתית ופוליטית ולא לכושר טכני (רפאגלי ושות' (2026)).

• ביטחון ועמדות: הביטחון של המורה מעצב אימוץ. מחקר האימוץ מוצא שביטחון, תמיכה ותועלת נתפסת מניעים האם מורים משתמשים בפועל בבינה מלאכותית, ונטיות חברי-סגל מעצבות אימוץ במחקר ובהוראה.

• בסקר חמש-מדינות של 1,405 מורים בחטיבת-הביניים ובבית-הספר, מוכנות AI חזה אמונות חיוביות על הערך ההוראי של GenAI (B = .59, R² = .50) אך חזה דאגת יצירתיות גדולה יותר (B = .18), ואותם גורמי-חיזוי הסבירו רק 7% ו-6% מהדאגה — בניית-מוכנות לבדה משאירה את הדאגה ללא-מגע (שיו ושות' (2026)).

מוכנות צריכה להיות מסודרת ונמדדת בהתאם: מודל היכולת–ההחלטה ממקם יכולת-AI מוכחת במקור של העמדה והביטחון, ומציע מחווני-ביצועים ולא דיווח-עצמי בלבד — משימות עיצוב-שיעור, משימות הערכת-הנחיה שנזרעו-בשגיאות, שיפוטי תקפות-תכנים ורובריקות חפץ-כיתתי (מנגוני (2026)).

מוכנות רגשית ומוסרית היא ממד נבדל. וסאלו (2026) סקר את הצוות האקדמי של אוניברסיטה מלטזית (109 משיבים) ובנה אינדקס אשמת-AI (α = 0.88) מארבעה פריטי רגש-מוסרי, ומצא שאשמה מקדימה נשאה משקל על חרטה שחווה לאחר השימוש: האישור החזק ביותר היה הדאגה ששימוש בבינה מלאכותית מכרעת את האמינות שלו (34.9% מסכימים), אז התחושה שאחד רמה בזמן השימוש (25.7%), בעוד חרטה לאחר-השימוש משכה רק 9.2%. הממצאים שחשובים למסגרות-כושר הם ששאינם-משתמשים דיווחו על אשמה גבוהה יותר ממשתמשים (M = 3.25 לעומת M = 2.32) ושהאשמה ירדה ככל שאבטחת-הקריירה עלתה — אקדמאים בתחילת-הקריירה דיווחו על הרבה (M = 2.71) ואקדמאים בכירים על מעט (M = 2.03). מוכנות רגשית אינה נתפסת בכך על ידי מדדי-כושר או ביטחון, והמאמר טוען שמסגרות-כושר צריכות להתייחס לאשמה ולחשש-זהות כתגובות-מעבר נורמליות ולא כפגמים לתיקון.

גרסה חזקה יותר של מסגור-מחדש זה מחזיקה ש-GenAI הוא מושג-סף ולא פער-כישורים: חשבון-עצמי אוטואתנוגרפי טוען שחרדת חברי-הסגל והתנגדות הם קונסטיטוטיביים של חציית-הסף, ולכן אימון מבוסס-כישורים נכשל, ואי-אימוץ עקרוני צריך להיעשות נכבד ולא מתוקן (ליידלו (2026)).

פער הכושר

ממצא מפתח הוא הפער בין כושר המדווח-עצמית והמבוסס-ביצועים. מחקר על הערכת אוריינות-בינה-מלאכותית מתעד שונות משמעותית (עד ~40%) בין מה שהמורים מאמינים שהם יכולים לעשות למה שהם יכולים באמת להדגים — מורים בטוחים בכישורי ה-AI שלהם חסרים לעתים קרובות יכולות יסוד של הנחיה והערכה. הדבר מעודד הערכה מבוססת-ביצועים של כושר המורה ולא הסתמכות על דיווח-עצמי, ומתחבר להערכה-עצמית המכוילת. סקר לאומי של 2,586 מורים בחטיבת-הביניים הניגריים מדד את שני הצדדים בכלים נבדלים — מודעות AI מתונה (M = 3.13 מתוך 8) לעומת כושר AI פדגוגי נמוך יותר (M = 2.47 מתוך 5) — עם מורים בתחילת-ובאמצע-הקריירה מדווחים על כושר גבוה יותר מעמיתים מנוסים (אולורינולה ושות' (2026)).

הפער אינו רק בין כושר נתפס ואמיתי אלא ברוחב של מה שהמורים יודעים: סקר לאומי של 2,018 מחנכים בחטיבת-הביניים האוקראינים מצא 84% מדווחים שהם משתמשים בבינה מלאכותית בפרקטיקה מקצועית בעוד רק 11% יכלו לכנות שירות AI מומחה מעבר ל-ChatGPT (מריינקו, מרקובה וסמריקוב (2026)). צרה שנייה נראית במה שהמורים מתנדבים ולא במה שהם יכולים לכנות: 53 מורים בשירות מתיישרים את מקרי-הכיתה שלהם על מסגרת אוריינות-בינה-המלאכותית של OECD תיארו 43 פרקטיקות בעלות-אוריינות-AI לעומת רק 10 כישלונות (וואנג ושות' (2026)). בחירות-הכושר שלהם התקבצו על שיפוט מעשי (הערכת תוצרי AI, N = 38) ונעדרו כמעט מהגעת להטיה חברתית (N = 5), יישור אתי (N = 6) או שימוש-אנרגיה של AI (N = 9).

הפער גלוי בחפץ כמו גם בדיווח-העצמי. בקולבורטוריום חברי-סגל בין-מוסדי בהכשרת-מורים, שבו מחנכי-מורים עיצבו AI לתוך קורסי-השיטות שלהם, הדיווח ראה שמועמדים יכלו לייצר תוכניות-שיעור AI מלוטשות תוך חוסר יכולת להסביר מדוע תוכנית מתאימה ללומדים ולתקנים, שכן התוכנית עצמה אינה אומרת דבר על ההיגיון שמאחוריה. מתן-ציון על הנימוק ולא על התוצר היא תגובה אחת. מסגרת הפדגוגיות-של-פרקטיקה מציעה אחרת, ומתייחסת לחזרה כקירוב של פרקטיקה: חזרה בתיווך-AI עם משוב מובנה לאחר-החזרה הרימה את השימוש בבעלות-חקירה ובשאלות-חקירה של המועמדים, אך שיפוטי-הביצוע העצמיים של המועמדים עדיין התפצלו ממה שצופים רשמו.

הערכה-עצמית נופלת לאחר אימון יכולה לאותת על למידה ולא על אובדן. בתוכנית Intelligent-TPACK התפתחות-מקצועית של שישה-חודשים עם 64 מורים אוניברסיטאים בהונג-קונג לעומת 61 ביקורת, כושר ה-AI הכולל עלה בכ-חצי סטיית-תקן (ד כהן = −.521), אך חלק מהמורים בשתי הקבוצות קיבלו ציון נמוך יותר במבחן-אחרי מאשר במבחן-לפני (טאן, צ'נג ולינג (2025)). ראיונות ייחסו את הירידות למעבר מאי-מודעות-לכושר-ללא-מודעות למודעות-לכושר — הכיול-מחדש שאפקט דאנינג-קרוגר חזה — ולא לכושר שאבד. המחברים מסיקים שדיווח-עצמי לפני-לאחר ממעיט תוכנית, משום שחלק מהרווח מגיע כתיקון-למטה בכלי המדידה עצמו.

הפער מופיע גם כלא-השתתפות. ווטסון ורייני (2026) סקרו 1,057 חברי-סגל אוניברסיטאיים בארצות-הברית בסוף 2025 ומצאו ש-26% אינם משתמשים בכלי בינה מלאכותית יוצרת כלל, כאשר שליש בוחרים לא להשתמש בהם להוראה והשימוש-הלא-מרוכז באמנויות ובמדעי-הרוח (40%). הצד המוסדי של הפער היה גדול מהפרטני: 68% אמרו שהבתי-הספר שלהם לא הכינו את חברי-הסגל להשתמש בבינה מלאכותית יוצרת להוראה וחונכות, וחברי-הסגל כנו את התנגדות העמיתים (82%) ואת חוסר-ההיכרות (83%) כמכשולים המובילים לאימוץ במחלקה — תמונה שבה בניית יכולת, נורמות-עמיתים ומדיניות צריכים לנוע יחד.

אימון לפני-שירות עוקף ברובו את הממד האתי של הכושר. סקירה שיטתית של בינה מלאכותית באימון-מורים התחלתי למורים לפני-שימוש למתמטיקה בכתה ד' (פינטו ושות' 2026, 11 מחקרים נבחרו מ-341 רשומות) מצא שההתערבויות התרכזו ברווחים טכניים ופדגוגיים לטווח-קצר, כאשר תשעה מתוך אחד-עשר הרצו התערבויות קצרות הנמשכות מסשן אחד עד שישה, ודיווח שהאתיקה טופלה בשלושה מתוך אחד-עשר מחקרים בלבד. מסגרות הכושר מכנות שיפוט אתי כממד; הספרות לפני-השירות המיועדת לבנות אותו מלמדת או מודדת אותו לעתים רחוקות.

התפתחות מקצועית שעובדת

ספרות ההתפתחות-המקצועית של מאגר הידע מזהירה גישות יעילות:

• תוכניות אינטנסיביות ומונחות-תיאוריה: תוכנית התפתחות-מקצועית אינטנסיבית ב-GenAI עם 163 מורים/מורים לפני-שימוש ייצרה רווחים מובהקים בכל מרכיבי AI-PCK, עם מורים לפני-שימוש נהנים ביותר. התפתחות-מקצועית מבוססת-תיאוריית-הכרעה-עצמית מראה שאימון תומך-צרכים משפר את אוריינות ה-AI, העמדות והמעורבות של המורים תוך צמצום חרדה.

• גישות מבוססות-עיצוב ומשולבות: אימון אוריינות-GenAI מבוסס-DBR מתמודד עם ההדגשה-יתרה על ידע טכני ועל כלים קדמי-GenAI; מסגרות משולבות, התפתחותיות ושילוב כושר סוציו-רגשי מרחיבות אוריינות מעבר לטכניקה טהורה.

• חקירה ופרקטיקה אותנטית: מודלי חקירה נתמכים-AI בונים אוריינות AI וביצוע אותנטי במורים לפני-שימוש.

• מוכנות ספציפית-הקשר: מסגרת המוכנות EPIQ-AI מדגישה שמוכנות חברי-הסגל היא עניין סוציו-טכני הדורש יישור של יכולת-חברי-הסגל, מימושל ואבטחת-איכות.

• תמיכה חייבת להיות מבדילה לפי ניסיון ומיומנות-AI. צ'וי ושות' (2026) מצאו שהדרך שבה מורים מתקשרים בפועל עם בינה מלאכותית בעיצוב-שיעור תלויה בהאינטראקציה של ניסוי-הוראה ומיומנות-AI, ולא באחד מהם בלבד. מורים מנוסים עם מיומנות-AI גבוהה מתאימים באופן ביקורתי את תוצר-הבינה-המלאכותית להקשר (הנחיה-חוזרת, הרחבה), בעוד מתחילים — אפילו אלו שזורמים-טכנית — נוטים לקבל תגובות בינה מלאכותית ישירות ומהם מעט מתייחסים לתלמידים ולהקשר. הדבר טוען בעד התפתחות-מקצועית מבוססת-פרופיל: רשימות-בדיקת-הערכת-תגובה ותבניות-הנחיה למתחילים, ובניית-כישורים מעשית למורים מנוסים עם מיומנות-AI נמוכה יותר.

קונפיגורציית-אמונות היא ציר-פרופיל שני: בין 40,680 מורים ב-TALIS 2024, אותה עמדת-שימוש-לשם-לא הסתירה מכשולים מנוגדים — 83.3% מפרופיל אדוש-אמונות ציטו הסתייגות פדגוגית בעוד 66.2% מאמצע-מדוד-אמונות ציטו ידע וכישורים לא-מספיקים (פאנג וג'ין (2026)). למידה מקצועית קשורה-AI עקבות חברות-פרופיל יותר מאשר גיל או השכלה.

• מורים אינם חולקים קונספציה אחת של בינה מלאכותית. מחקר פנומנוגרפי של 16 מורים בהשכלה גבוהה דניים מצא שלוש קונספציות של הוראה-עם-AI ושלוש של למידה-עם-AI, ולכן מודל-סדנה בודד מגיע רק לחלק מכל קבוצת-חברי-סגל (סטנאלט (2026)).

• עיצוב-משותף ואוריינות-הנחיה פדגוגית הם כושרים, לא תוספות. מחקר סקירה שיטתית של עיצוב-משותף של מורה-AI של משימות-למידה (וואנג, ליו ואיסלאם 2026, 28 מחקרים) מוצא שמצב-השיתוף הדומיננטי הוא AI כעוזר/מייצר-תכנים, וממקם פער ביכולות העיצוב-המשותף והשותפות-הדיאלוגית המלאות יותר של המורים. תלבזדה (2026) מראה שהתפתחות-מקצועית שמשלבת אימון-AI טכני עם היגיון פדגוגי — בניית "אוריינות-הנחיה פדגוגית" (קידוד PCK להנחיות) — היא מה שמאפשר למורים להפוך תוצר-AI לפעילויות-קבוצה מבדלות יעילות.

• מבנים שבונים כושר, ולא רשימות שלו. פרל-נוסבוים ופינקלשטיין (2026) הרצו קהילת-למידה של חברי-סגל דו-שבועית בשישה מפגשים במחלקת פיזיקה ציבורית גדולה מסוג R1 — תשעה-עשר חברי-סגל לאורך הסדרה, בערך עשרה בכל מפגש — שבו כל מפגש נפתח על נתונים מקומיים, עבר לבדיקת-קבוצה-קטנה של AI כנגד שיעורי-בית אמיתיים אנונימיים של תלמידים, ונסגר בדיון קולקטיבי, והוא ייצר מאגר-משותף בעל חמישה פריטים במקום חבילת-אימון. אוריינות בהערכה נבנית באותה דרך דרך כלי-עיצוב: בפילוט של פולה ושות' (2026), שמונה רכזי-קורס מנוסים ב-STEM ובריאות גדילו את אוריינות-ההערכה שלהם על ידי ביקורת טיוטות-הערכה של GPT מותאם כנגד תקנים דיסציפלינריים, אם כי התוצרים פספסו שוב ושוב הקשר דיסציפלינרי, התעלמו מסידור-נושאים, ובמקרה אחד נשאו פניות ממצאות דרך הנחיה חוזרת. כל השמונה שמרו שיפוט אקדמי אצלם וסירבו לאוטומציה מקצה-לקצה, וזוהי הסיבה שביקורת מובנית של טיוטות מיוצרות היא מנגנון ההתפתחות ולא אימון-כלים.

• סשנים קצרים יכולים להזיז קבלה ללא הזזת אימוץ. מסנהולר ובהמה (2026) העריכו סשן INSIGHT של שלוש שעות עם 100 מורים גרמניים בכתה ד' ובבית-הספר ומצאו שתועלת נתפסת וקלות-שימוש נתפסת עלו שתיהן באופן מובהק (תועלת t(99) = -3.24, p = .002, d = .32; קלות-שימוש d = .25) בעוד הכוונה ההתנהגותית להשתמש בטכנולוגיות מבוססות-AI להבחנה לא שונתה. המחברים מציינים שקווי-הייסוד שלהם היו אהדה כבר, ולכן אפקט-תקרה סביר. הקריאה לעיצוב-התפתחות-מקצועית היא צרה אך שימושית: סשן קצר יכול לשנות את הדרך שבה מורים שופטים כלי-AI ללא שינוי האם הם מתכננים להשתמש בהם, וזוהי הסוג של שינוי שדורש המשך ולא אירוע-חד-פעמי.

• מדריכים מעדיפים זרימות אך מייחסים למידה לפיגום. על פני 41 מדריכים, קו-ייסוד GPT-4o הועדף באופן כולל (21 לעומת 13) אך המודל המשולב בשלושה-שלבים (זהה, חקור, פתח) נקרא יותר לעתים קרובות כמעניק למידה (18 לעומת 13), ושני השיפוטים הסכימו רק 39% מהזמן (מולנאר ושות' (2026)).

• תמיכה מוסדית: התפתחות מקצועית חייבת להיות מצורפת לתשתית מוסדית (מדיניות, שינוי מוסדי) לאימוץ בר-קיימא.

• כלי-מחברות אינם מבטיחים נאמנות פדגוגית. ריאיי ושות' (2026) חקרו 27 מורים בבית-הספר-הביניים המגדירים צ'אטבוטים חינוכיים בסדנאות התפתחות-מקצועית, וניתחו קבוצות-מיקוד לצד יומני-קונפיגורציה ואינטראקציה. מורים התייחסו לצ'אטבוט כפיגום הוראה המגודר על ידי כללים המוגדרים-על-ידי-המורה, אך היישור מבוסס-יומן בין כוונה להתנהגות היה חזק יותר לרספונסיביות (88.9%) ולפרסונה (81.5%) מאשר לכללים (70.4%) ולמטרה (59.3%). פקדים ניתנים-קונפיגורציה לבדם אינם מעבירים כוונה פדגוגית להתנהגות, ולכן ביטוי, בדיקה וחידוד של הפדגוגיה של צ'אטבוט הוא עצמו כושר שכלי המחברות חייב לתמוך בו.

עיצוב-מבוסס-דוגמה-נגדית מתייחס לכושר כסיטואציוני ולא כשלב על סולם. מחקר עיצוב-מבוסס של איאל 2025 עם 22 מחנכי-מורים בהשכלה גבוהה הצריך את המשתתפים לבחון חמש מסגרות-הערכה מפורסמות ולעיצב חלופה משותפת המאורגנת סביב שלושה צירים מקושרים: התאמת-הקשר (תשתית, גורמים סוציו-תרבותיים, צרכים מקומיים, שלב התפתחותי), צרכים מקצועיים (תחום דעת, פדגוגיה, מנהיגות, תמיכה), והתפתחות דינמית. המודל דוחה רמות-כושר קבועות ומאפשר התקדמות לא-ליניארית, והוא מגיע עם שאלון-הערכה-עצמית מהרהר בעל 20 פריטים המדורגים 1 עד 5. האימות שלו הוא איכותני בלבד, ללא בדיקת-אמינות כמותית, ולכן הוא עומד כתרומה-עיצוב ולא ככלי מאומת.

• הערכה מטא-אנליטית. גואו ושות' (2026) אגדו 212 גדלי-אפקט מ-34 מחקרים ומעריכים התפתחות-מקצועית אוריינות-AI של מורים ב-g = 0.76 (CI 95% [0.50, 1.02]), החזקה ביותר לכישורים (g = 0.91) והחלשה ביותר לעמדות וערכים (g = 0.61); תיקון לבחירת-פרסום נראית מוריד את ההערכה לכ- g = 0.49.

• נוכחות מנבאת רווחים במקום שהתחושה של השתתפות מנבאת. באותה תוכנית של שישה-חודשים, שיעור-הנוכחות חזה את רווח-הכושר (β = .407, p = .001) בעוד השתתפות-הנתפסת-עצמית לא (β = .049, p = .692), ותחום דעת, ניסוי-הוראה ותואר מקצועי הסבירו מעט; המחברים קוראים לנוכחות כהשקעה-התנהגותית ולהשתתפות-הנתפסת כמעורבות ברמת-השטח (טאן, צ'נג ולינג (2025)).

• ערכים פיגרו אחר כישורים בתוכנית ספציפית-תחום גם כן. בתוכנית של שנה בהונג-קונג עם 30 מורים לאנגלית, הידע על אסטרטגיות הערכה רב-מודלית עלה מ-3.13 ל-4.15 מתוך 5 (η² חלקי = 0.571) והכושר בתמיכה בתלמידים מ-3.05 ל-3.98 (0.482), שניים מובהקים, בעוד כל תת-הממד של הערכים נשאר שטוח סטטיסטית תחת אלפא מתוקן-בונפרוני של .006. המורים ייחסו את הרווחים לתכנון-משותף בתוך-בית-הספר ולמפגשי-אשכול בין-בתי-הספר ולא לסדנאות בלבד (ג'יאנג ושות' (2026)).

• מיקרו-למידה יכולה לפתח כשירות-AI של מורות אוניברסיטאיות. Cechovsky (2026) עדכנו שני מודולי-חינוך-מקצועי לאורך שתי דיונים-קבוצתיים מקוונים לחמישה עקרונות-עיצוב — מבנה והתמצאות ברורים, סיוע והכוונת-ניווט, פילוח ומודולריזציה, מצגת-מולטימודלית והפעלת-הלומד — ומצאו שניווט-הפלטפורמה ואיתור-המודולים הם המכשולים הפרקטיים המרכזיים.

כושר AI של המורה ותפקיד המורה המשתנה

כאשר AI לוקח על עצמו משימות הוראה והערכה שגרתיות, התרומה הייחודית של המורה עוברת לכיוון תזמור, שיפוט ויחס: החלטה מתי וכיצד AI משמש, פיגום סוכנות תלמיד ושימוש ביקורתי, הבטחת שוויון, ומתן התמיכה החברתית והרגשית ש-AI אינו יכול לתת. הדור מעצב מחדש את כושר-המורה סביב פקח אדם-בתוך-הלולאה, שיפוט אתי, ותמיכה בלמידה מוסדרת-עצמאית — ומתחבר לתפקיד המורה ולהגנה מהסתמכות-יתרה.

השלכות עבור בינה מלאכותית בחינוך

• העריכו ביצועים, לא רק דיווח-עצמי: כושר-המורה צריך להיות מוערך דרך הדגמה, בהתחשב בפער הדיווח-העצמי המתועד.
• אמנו את הכושר המלא, לא רק כלים: התפתחות-מקצועית צריכה לבנות ממדים טכניים, פדגוגיים, הערכה ואתיים יחד, המבוססים בתיאוריית למידה.
• בנו ביטחון לצד כושר: עמדות ויושרה-עצמית מעצבים אימוץ, ולכן התפתחות-מקצועית צריכה לצמצם חרדה ולבנות ביטחון דרך פרקטיקה אותנטית ונתמכת.
• תמכו בשכבה המוסדית: כושר-מורה בר-קיימא דורש מדיניות, מימושל ויכולת מיושרים, ולא אימון מבודד.
• כושר-דיגיטלי של מורה לעיצוב תכנית-לימודים של GenAI. גיילן-גאמז (2026) מאמתים כלי-אבחון מבוסס-TAM עם 434 מורים בשירות; הכוונה-ההתנהגותית הייתה גורם-החיזוי העיקרי של כושר-דיגיטלי לשימוש ב-GenAI בתכנון-תכנית-לימודים, עם יושרה-עצמית כמניע-שורש.

כלי פסיכומטרי לכושר AI של המורה

• מחקר פסיכומטרי פיתח את סולם אוריינות-AI של המורים (TAILS) כדי למדוד אוריינות בינה מלאכותית ספציפית בחינוך מורים לשפה, ולממש את שישה ממדי מסגרת ED-AI. פיתוח הכלי ממלא פער בהערכות המכוונות לתלמידים או למשתמשים כלליים, ותומך במדידת כושר ה-AI של המורה.

הנוף של הכלים עצמו נסקר מאז. מחקר סקירה שיטתית של זנאל, מוח מטור ומאאת 2026 על כלי מדידת אוריינות-AI של מורים העריך 33 כלים שפורסמו בין 2019 ל-2025 ומצא את התחום חד-גוני מתודולוגית: 31 (93.9%) הם סולמות דיווח-עצמי של אמון נתפס, רק שניים (6.1%) בודקים ידע באופן אובייקטיבי, ואף אחד אינו משתמש במשימות מבוססות-ביצועים. עקביות-פנימית הייתה תחום-האיכות החזק ביותר (28 מתוך 33 בדירוג A) והוגנות החלשה ביותר, עם חמישה כלים (15.2%) מדווחים על ראיות אי-שינוי-מדידה או פונקציית-פריט-דיפרנציאלית. התכנים גם פיגרו אחר הטכנולוגיה, שכן 29 כלים (87.9%) מכוונים למושגי-AI כלליים ורק ארבעה (12.1%), כולם מ-2025, מתייחסים לבינה מלאכותית יוצרת.

Connected Concepts

• אוריינות AI
• פיתוח חינוכי
• הוראה
• הנדסת הנחיות
• עיצוב למידה
• פיגום
• מטאקוגניציה
• תוקף ההערכה
• שוויון
• אתיקה
• יעילות עצמית
• בינה מלאכותית עם אדם בלולאה
• סוכנות הלומד
• פריקת עומס קוגניטיבי
• מדיניות חינוכית לבינה מלאכותית
• בינה מלאכותית בחינוך
• ידע טכנולוגי-פדגוגי-תוכני (TPACK)
• הכשרת מורים
• פדגוגיות ואסטרטגיות הוראה — מכסה: פדגוגיות ואסטרטגיות הוראה בחינוך בינה מלאכותית

Connected Articles

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — אוריינות-הערכה רב-מודלית: תוכנית של שנה שבה ידע וכושר נעו וערכים לא
• The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis
• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK PD: חצי סטיית-תקן של רווח, ורווחים שליליים שנקראים כיול-מחדש — The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis
• AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice — מורים תיישבו את מקרי-ה-AI של הכיתה שלהם והגיעו לכושרים מעשיים בקלות אך לחברתיים ואתיים לעתים רחוקות (וואנג ושות' 2026)
• Typology of Generative AI Tools for Education — בחירת-כלי כתרגיל של סוכנות-מחנך
• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Systematic review of generative AI in K-12 teaching and learning (Marzano 2026)
• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Teacher professional knowledge in K-12 AI education: TAIK vs TPAIK and student learning (Shen et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Teacher-AI interaction patterns in lesson design across experience and AI proficiency (Choi et al. 2026)
• Preparing Pre-Service Teachers for Responsible Generative AI Use: Curriculum Implications for Ethics, Privacy, and AI Literacy — Pre-service teachers' responsible GenAI use: curriculum implications (Kohnke et al. 2026)
• Validating AI-generated classroom observations: Reliability, accuracy, and limits of LLM-based pedagogical judgment — LLM classroom observation for teacher professional development (Melo et al. 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — Generative AI across representations, decompositions and approximations: rehearsal, structured feedback and the accuracy cautions
• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers — Efficacy of an intensive GenAI professional development program
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modeling AI-TPACK through teacher multi-agent workflows
• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Toward synergistic teacher-AI interactions
• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Teacher education for AI literacy through self-determination theory
• Development and evaluation of artificial intelligence literacy training for teacher education students — Design-based research GenAI literacy training
• Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K-12 Teacher Education — Rethinking GenAI literacy in teacher education
• Exploring interfaces and implications for integrating social-emotional competencies into AI literacy for education: a narrative review — Integrating social-emotional competencies with AI literacy
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — AI adoption among teachers: confidence and support
• Faculty Orientations Shape Adoption of AI in Research and Teaching — Faculty orientations shape AI adoption
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — Misalignment between self-reported and performance-based AI competency
• Effects of an AI-supported inquiry model on AI literacy and authentic performance: A quasi-experimental study with preservice teachers — AI-supported inquiry for pre-service teachers
• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — EPIQ-AI faculty readiness framework
• LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLMs for culturally relevant K-12 pedagogy
• A Framework for Institutional Change in the Age of AI — Institutional change framework for AI
• TeachingCoach: A Fine-Tuned Scaffolding Chatbot for Instructional Guidance to Instructors — TeachingCoach chatbot for instructor guidance
• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI as identity crisis, not skills gap
• Situated AI ethics: a cultural-historical and ecological framework for education
• Transforming Curriculum Design with Generative AI: A Model for Assessing Teacher Digital Competence — Assessing Teacher Digital Competence for GenAI Curriculum Design (Guillén-Gámez 2026)
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — phenomenographic study of university teachers' conceptions of AI
• AI Literacy in Secondary Education: Framework, Assessment, and Professional Development in the Ukrainian Context — Five-level AI literacy framework + PD for Ukrainian secondary educators (Marienko et al. 2026)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — Teacher–AI co-design of learning tasks: trends and perspectives (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Architecture of roles in AI-designed differentiated group activities (Talebzadeh 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — Prompt engineering and model selection as predictors of AI-feedback quality (Jacobsen et al. 2026)
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI Guilt Complex: anticipatory guilt and four moral response profiles among academic staff (Vassallo 2026)
• Empowering teachers to use AI for differentiation: changes in teachers’ acceptance of AI-based technologies following participation in a short professional development training session — A three-hour teacher PD session raised perceived usefulness and ease of use but not stated intention to adopt (Mesenhöller & Böhme 2026)
• Artificial intelligence in initial teacher training for pre-service primary school teachers in mathematics: a systematic review — Systematic review of AI in pre-service primary mathematics teacher training: ethics addressed in only three of eleven studies (Pinto et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — AAC&U/Elon survey of 1,057 US faculty: preparedness, non-use and the individual-vs-institutional policy gap (Watson & Rainie 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Cross-institutional faculty collaboratory: AI integration as instructional design in teacher preparation
• Assessing teachers' AI literacy: a systematic review of measurement tools — Systematic review of 33 instruments for measuring teacher AI literacy: 31 self-report, two objective knowledge tests, no performance tasks (Zainal, Mohd Matore & Maat 2026)
• Rethinking artificial-intelligence literacy through the lens of teacher educators: The adaptive AI model — A design-based adaptive AI literacy model and 20-item reflective questionnaire co-designed with 22 teacher educators (Eyal 2025)
• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community
• Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education
• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — Will It Teach as Intended? How Teachers Configure Educational AI Chatbots
• A Capability–Decision Model of teacher readiness for AI integration in teaching — Ordered capability-first teacher readiness model with performance-based capability indicators
• K-12 in-service teachers' beliefs about generative AI in classrooms: insights from the United States, India, Qatar, Colombia, and the Philippines — Cross-national survey of 1,405 K-12 teachers: readiness predicts positive beliefs but not concern
• Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Four TALIS 2024 teacher belief profiles link professional learning and profile-specific barriers to AI use
• Designing Microlearning Modules on AI for University Teachers in Vocational Teacher Education: A Design-Based Research Study — עיצוב מודולי-מיקרו-למידה על AI למורות אוניברסיטאות בחינוך-מורות מקצועי: מחקר עיצובי-מבוסס