הכשרת מורים

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

הכשרת מורים — ההכנה והפיתוח המקצועי המתמשכים של מורים, הכוללים הדרכת מורים טרום-שירות (תכניות הסמכה ראשוניות) ופיתוח מקצועי תוך-שירות. במחקר בינה מלאכותית בחינוך, הכשרת מורים הפכה לחשש מרכזי משום שאוריינות הבינה המלאכותית של המורים, הידע הטכנולוגי-פדגוגי שלהם, השטנות האתית והמוכנות לשלב בינה מלאכותית בהוראה קובעים אם אימוץ הבינה המלאכותית בכיתות יצליח. מושג זה מארגן את הכיסוי הנכבד של מאגר הידע בנוגע לכיצד בינה מלאכותית מעצבת מחדש את ההכנה, הידע, האמונות והפרקטיקה של מורים עתידיים ועובדים כאחד.

שאלות למחשבה

• הכשרת מורים כאן משתרעת על הדרכה טרום-שירות (מורים עתידיים בתכניות הסמכה) ופיתוח מקצועי תוך-שירות (מורים עובדים). לפי דעתכם, איזה מהשניים מתמודד עם האתגר הגדול יותר בהכנה לכיתות עם בינה מלאכותית, ומדוע?
• העמוד מציע שהכשרת מורים חייבת להכין מורים לא רק להשתמש בכלי בינה מלאכותית אלא להבין, להעריך ולשלב אותם באתיות — שינוי ש"מגדיר מחדש את משמעות היות מורה". כיצד לדעתכם הגדרה מחדש זו צריכה לשנות את מה שתכנית הסמכה מלמדת?
• מסגרות כמו AI-TPACK מרחיבות את מודל TPACK הקלסי על ידי הוספת ממד בינה מלאכותית ואתיקה. מה לדעתכם אמור "ממד בינה מלאכותית" של ידע טכנולוגי-פדגוגי-תוכני להכיל מעבר לאופן הפעלת צ'אטבוט?
• סקירת היקף של 55 מחקרים המובאים בעמוד מוצאת שבינה מלאכותית משפרת את התכנון ההוראה, ההרהור והחשיבה הביקורתית של מורים טרום-שירות. אך אם בינה מלאכותית יכולה לעשות חלק מזה עבורם, מתי השימוש בה בהכשרת מורים בונה מיומנות ומתי הוא מחליף את השיפוט עצמו שיידרש להם?
• אם הייתם מתכננים מחדש תכנית הכשרת מורים לעידן הבינה המלאכותית, מה הייתם דורשים שכל מורה עתידי יחווה — וממה הייתם מונעים ממנו במכוון להאציל לבינה מלאכותית?

מבוא

הכשרת מורים יושבת במפגש של כמה קווי מאגר הידע: היא תחום דעת (כמו רפואה ומדעי הרוח), אך היא גם נשענת על המושגים הכלליים של תפקיד המורה, TPACK, כשירות המורה בבינה מלאכותית ואוריינות בינה מלאכותית. בעידן הבינה המלאכותית, הכשרת מורים חייבת להכין מורים לא רק להשתמש בכלי בינה מלאכותית אלא להבין, להעריך ולשלב אותם באתיות — שינוי שמגדיר מחדש את משמעות היות מורה. מדעי הלמידה מספקים את הידע שההתהוות הזו חייבת לשאת: כשהשדה הזה חוקר כיצד אנשים לומדים וכיצד יש לתכנן סביבות למידה, הכשרת מורים היא ההתהוות המקצועית שבה ראיה כזו חייבת לנחות כיכולתו של המורה עצמו לתכנן, ללמד ולהעריך.

ראיה חוצת-רמות מחדדת את סדרי העדיפויות בעיצוב: מחקר רב-רמות של 46 מורים ו-2,832 תלמידי תיכון מצא שידע פדגוגי על בינה מלאכותית (TPAIK) — ולא ידע טכני על בינה מלאכותית — הניע את תפיסות התלמידים את בינה המלאכותית לטובת החברה ואת כוונתם ללמוד בינה מלאכותית. הכשרת מורים צריכה לכן לתת עדיפות לכיצד מלמדים עם ואודות בינה מלאכותית על פני מיומנות בכלים, בהתאם להנחיה "פדגוגיה קודם, טכנולוגיה שניה".

הכשרת מורים טרום-שירות

הכשרת מורים טרום-שירות (ראשונית) מכינה מורים עתידיים במהלך תכניות ההסמכה שלהם. מחקר בינה מלאכותית בקו זה כולל:

• מוכנות AI-TPACK ו-Intelligent-TPACK. כלים ומסגרות מודדים ובונים את המוכנות של מורים טרום-שירות לשלב בינה מלאכותית, ומרחיבים את מסגרת TPACK בממד בינה מלאכותית/אתיקה.(Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach)(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs)

• פרופילי קבלה, ופרדוקס קלות-שימוש/כוונה. Chen et al. (2026) פיללו 128 מורים טרום-שירות לארבע קבוצות קבלה של ChatGPT: Skeptics דוחים (14.06%) דיווחו על קלות שימוש נתפסת גבוהה אך על כוונה התנהגותית נמוכה מאוד, ולכן הדרכת מיומנויות תפעולית בלבד אינה משנה אותם.

• יישומים ותועלות. סקירת היקף של 55 מחקרים מראה שבינה מלאכותית משפרת את התכנון ההוראה, הוראת המקצוע, כישורי ההוראה המעשיים, ההערכה, הפרקטיקה ההמהגת, החשיבה הביקורתית, שילוב הטכנולוגיה והחדשנות הפדגוגית של מורים טרום-שירות.(Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges)

• גישת genAI ללא פיגום קיבלה ציון נמוך מללא genAI. בניסוי-כמעט עם 52 מורים טרום-שירות לאורך 11 שבועות, כיתת ה-genAI ללא פיגום הפיקה תכניות שיעור שדורגו לפי רובריקה בציון נמוך יותר מכיתת ללא genAI (מותאם 86.54 לעומת 81.87, F = 8.348, p = 0.006, η² = 0.146), ללא הבדל קבוצתי בלמידה עצמית מוסדרת או בחשיבה ביקורתית (Zhang et al. (2026)).

• רובוטיקה חינוכית ולמידת מכונה. הכשרת מורים ראשונית מטמיעה פעילויות קוד, רובוטיקה ולמידת מכונה (למשל micro:bit) לבניית חשיבה חישובית אצל מורים עתידיים.(Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training)

• הערכה אותנטית ומטאקוגניציה. מודלים של הערכה בתיווך בינה מלאכותית (למשל AAIWA) משלבים הערכה אותנטית מבוססת רובריקה, משוב בינה מלאכותית מגיב להקשר, והרהור מטאקוגניטיבי בתכניות טרום-שירות.(AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model)

• חקר נתמך בינה מלאכותית בהוראת מדעים. ניסוי-כמעט עם 48 מורי מדעים טרום-שירות בטורקיה (Aydın) שילף למידה מבוססת בעיות ומבוססת תכנון בתכנית חקר מודרך בת שמונה שבועות בתמיכת בינה מלאכותית על פוטוסינתזה ונשימה. הוא הפיק שיפורים משמעותיים בהבנה הקונספטואלית של שני התהליכים הביולוגיים, אך לא השפעה מובהקת על אוריינות בינה מלאכותית או על חשיבה חישובית נתפסת עצמית — תזכורת ש-AI-IBL יכול להעמיק הבנת תוכן אצל מועמדים להוראה בלי לבנות אוטומטית את כשירות הבינה המלאכותית/החשיבה החישובית שלהם, הדורשות תכנון מפורש וממוקד.

• בינה מלאכותית יוצרת לתכנון הוראה קונסטרוקטיביסטי. מודל SAHAB הוא התערבות פיתוח מקצועי בניסוי-כמעט שבה בינה מלאכותית יוצרת מעצימה מורים לתכנן הוראה קונסטרוקטיביסטית, עם שיפורים גדולים (d = 1.18). הוא מראה ש-GenAI יכולה לפוג את תכנון ההוראה עבור מועמדים להוראה ומורים עובדים כאחד — לא רק לספק תוכן, אלא לתמוך בתכנון פעילויות למידה ממוקדות תלמיד.

• הדרכת כיתה חכמה לתלמידי מתמטיקה לתארי M.Ed. Zhu, Liang, Mao, and Wang (2026) מראים כיצד קורס מתמטיקה ל-M.Ed. יכול להשתפר בעזרת טכנולוגיות חינוכיות חכמות (ניקוד אוטומטי, המלצות מותאמות אישית, משוב מרובה מודלי AI) לאורך שלבים שלפני השיעור, בתוכו ואחריו, ומניב שיפורים מובהקים סטטיסטית במיומנות תכנון מטרות הוראה. מודל D-T-E הנגיש להעברה (Disciplinary Demand–Technological Empowerment–Evaluation Loop) מציע למחנכים מסגרת ספציפית לתחום לשילוב חינוך חכם בהכשרה אקדמית של מורים.

• אימוץ תחת מדיניות מתירה הוא דליל יותר ממה שסקירות מראות, ואוריינות הערכה אינה מועברת. Zou et al. (2026) סקרו 85 סטודנטים להוראה בשלושה קורסי הכשרת מורים בהונג קונג שבהם בינה מלאכותית יוצרת הותרה במפורש בהערכה: 62.4% (53) בחרו שלא להשתמש בה כלל, והשימוש של המאמצים היה שטחי ומתקן (הגהה 43.8%, בדיקות בהירות 34.4%, יצירת טקסט 18.8%, סיעור מוחות 12.5%). פחד מלהיות מואשם לשווא בפלגיאט (41.5% מהלא-מאמצים) והעדפה לעבודה יחידנית (77.4%) עלו על כישורים חסרים (13.2%), ותשעה מאחד עשר מרואיינים קראו למדיניות המתירה כ"מלכודת" אפשרית — ראיה שמורים טרום-שירות מביאים איתם חרדת יושר אקדמי, לא רק מוכנות לכלים, לקורסים שבהם בינה מלאכותית מותרת.

• כתיבת מדיניות בינה מלאכותית לכיתה כעדשה על חשיבת טרום-שירות. Nash & Burriss (2026) ביקשו מ-27 מורים טרום-שירות להוראת אנגלית בתיכון, בשנה הסיניורית של תכנית הכשרה להוראת אנגלית בתיכון, לכתוב את מדיניות הבינה המלאכותית שישמשו בכיתות 6–12 שלהם עצמם, במדינה ללא הדרכה ברמת המדינה. 26 מתוך 27 התירו שימוש מסוים בבינה מלאכותית, כמעט תמיד מוגבל למשימות, זמנים ומקומות שצוינו על ידי המורה, ורק אחד אסר אותו לחלוטין על רקע אתי הקשור לפרקטיקות עבודה ולזכויות יוצרים; 22 התירו בינה מלאכותית להפקת רעיונות בעוד 22 אסרו או השאירו לא ברור את השימוש בבינה מלאכותית להרכבת משפטים, פסקאות או עבודות, וההרהורים הנלווים נקראים כמשא ומתן בין מחויבויות פדגוגיות לחובה מורגשת לשלב בינה מלאכותית. בקשת מורים טרום-שירות לחקוק מדיניות — במקום לדון בבינה מלאכותית באופן מופשט — חשפה את הפילוסופיות, האמונות והנחות התכנית שלהם, והופכת את כתיבת המדיניות לפעילות בעלת ערך גבוה בקורסי מתודולוגיה.

• מדיניות אינה שולטת בפרקטיקה. ארבעה סמסטרים של נתוני סקר מתכנית הכשרת מורים בארה"ב מראים שימוש ב-GenAI להכנה להערכה עולה מ-57% ל-83% וללמידה מ-44% ל-76%, גם כשמוסדות שקלו תוכנת גילוי בינה מלאכותית, ואי-ודאות אתית עולה לאורך הגלים (Parker et al. (2026)).

פיתוח מקצועי תוך-שירות

פיתוח מקצועי תוך-שירות תומך במורים עובדים בשילוב בינה מלאכותית. מחקר בינה מלאכותית כאן כולל:

• מסגרות פיתוח מקצועי מבוססות Intelligent-TPACK. מסגרת המבוססת מחקר מיישרת את חמשת תחומי הידע של i-TPACK עם ארבעה מסלולי פיתוח מקצועי מבוססי ראיה (למידה פעילה, מודלים/דוגמאות, אימון, משוב/הרהור).(Designing effective AI professional development: A framework grounded in intelligent-TPACK)

• ידע טכנולוגי פדגוגי (TPK) ספציפי ל-GenAI. מחנכי מורים עצמם זקוקים ל-GenAI-TPK — חשיבה פדגוגית, מודעות אתית ותכנון הוראה מוגבר בבינה מלאכותית — כדי להכין מורים.(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)

• אוריינות בינה מלאכותית אנושית-מרכזית וביקורתית. מחקר מבוסס עיצוב מפיק תכניות למידה מקצועיות המבצעות אורייות בינה מלאכותית ביקורתית באמצעות פעילויות בינה מלאכותית אנושיות-מרכזות, כולל משימות עם מחנך בלולאה.(Human-centered AI for teacher educators: Designing professional learning for critical AI literacy)

• קיבולת נבנית בעשייה, לא בלמידה. מודל מבני מבוסס TPACK של 122 מורים תוך-שירות מצא ששימוש ממשי בבינה מלאכותית במשימות מדע ואנרגיה ירוקה ומעורבות בפיתוח חומרים המיושרים עם ESD חזו יכולת שילוב בינה מלאכותית, בעוד ידע מופשט על בינה מלאכותית וגישות אליה לא חזו (Riandi et al. (2026)).

• הערכה משותפת של תוכן שנוצר על ידי בינה מלאכותית כפיתוח מקצועי. Gat, Usher, and Barak (2026) מדווחים על סדנה שבה 60 מורי מדעים חטיבת ביניים דרגו שאלות הערכה שנוצרו על ידי ChatGPT באמצעות שיפוטם התחומי, הפדגוגי והתכני. ההערכה המשותפת עצמה פעלה כפיתוח מקצועי, ועזרה למורים ליישם קריטריוני דיוק קונספטואלי על פלט בינה מלאכותית ולחשוף את הסיכון שתוכן בינה מלאכותית מחזק תפיסות שגויות — וממקמת מורים כמעריכים ביקורתיים של חומר GenAI ולא כצרכנים פסיביים.

• פיתוח מקצועי מובנה למחנכי שפה נדיר אך יעיל. סקירה שיטתית של 23 מחקרים (Li et al. 2026) מצאה שרק שלושה מחקרים נכללו דיווחו על פיתוח מקצועי מובנה — מודול מוטבע בקורס דקדוק, תכנית EMI ממשלתית וחקר צ'אטבוט מוטבע — ובכל זאת כולם התכנסו לרוויחות בידע, בביטחון ובמסגור מחדש של הזהות, ושנעו בהשקפות המחנכים על GenAI מ"סיכון החלפה" לעוזר/מגביר. הסקירה טוענת שפיתוח מקצועי צריך לשלב בניית מיומנות טכנית עם חוכמה מעשית, ולעבור מהעלאת מודעות ומאתיקה דרך שליטה מעשית בכלים ועד לתכנון משותף של שיעורים מוגברים בבינה מלאכותית, וממליצה על אסטרטגיית יישום דו-שלבית "קודם קצה אחורי, אחר כך כיתה".

הדוגמה הברורה ביותר של פיתוח מקצועי GenAI מונח מסגרת למתמטיקה היא מחקר של שמונה מורים תוך-שירות ממחוזות כפריים וחסרי משאבים שהשלימו עשרה מודולים אינטראקטיביים הבנויים על מסגרת 4P של Rhodes (How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). הוא מספק שני מנגנוני תכנון שעיצוב פיתוח מקצועי תוך-שירות חסר כאן אחרת: פיגום שדועך בכוונה (הדרכה מפורשת בתחילה, ואחר כך בקשות להצדיק, להכליל ולתכנן משימות) וחשיבת תלמיד מדומה לאורך מודולים 6-10, לצד הממצא ש-MC, CK ו-PCK נעו יחד — תוך מדידת מעורבות בלבד, לא ידע מורים ולא למידת תלמידים.

• תכניות לאחר הסמכה. אוריינות ושימוש בבינה מלאכותית של מחנכי מדעים תוך-שירות מניעים את תכנון תכניות שלאחר הסמכה הקשורות לבינה מלאכותית.(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)

• תמיכה והדרכה של בינה מלאכותית בעבודת התכנון של המורים. Pishtari, Gnadlinger & Ley (2026) ביקשו מ-13 מורים בהשכלה גבוהה לתכנן פעילויות בתנאי ללא בינה מלאכותית, צ'אטבוט בינה מלאכותית, ובינה מלאכותית פלוס הדרכה בתכנית של חצי יום. גישה לבינה מלאכותית הגבירה השגת משימות מסדר גבוה (בלום) וצמצמה מאמץ קוגניטיבי נתפס, בעוד שסדנת ההדרכה שבה והתערבות שאחריה התייצבה באיכות אך העלתה מעט את המאמץ (עומס רלוונטי לעומת זר נותר בלתי נפתר). המחקר מעצב פיתוח מקצועי להוראה בעידן הבינה המלאכותית כזקוק גם למסגרות תכנון מעוגנות פדגוגיה (בלום, ICAP) וגם לאסטרטגיות מובנות של אינטראקציה עם צ'אטבוט, ומזהיר שרוויחות איכות עלולות להסתיר פריקת עומס קוגניטיבי של החלטות פדגוגיות לבינה מלאכותית.

ידע, אמונות ופרקטיקה

ממצא מרכזי לאורך מחקר הכשרת מורים הוא הפער בין מה שמורים מביעים למה שהם מבצעים: מורים לעתים קרובות טוענים למיומנויות תפעוליות בבינה מלאכותית אך מתקשים ליישם ידע בעל משמעות פדגוגית בפרקטיקה.(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) ההבחנה נעשית עמוקה עוד יותר כשניסיון נצלב עם מיומנות בינה מלאכותית: Choi et al. (2026) מצאו שמתחילים שוטנים טכנית עדיין מקבלים פלט בינה מלאכותית באופן פסיבי בתכנון שיעור, בעוד מורים מנוסים — אפילו בעלי מיומנות בינה מלאכותית מדודה נמוכה יותר — מנסחים מחדש באופן ביקורתי ומתאימים הצעות בינה מלאכותית לתלמידים ולהקשר שלהם. המשמעות היא שפיתוח מקצועי תוך-שירות אינו יכול להתייחס ל"בניית מיומנות בינה מלאכותית" כאל מספיק; הוא חייב להיות מובחן לפי פרופיל הניסיון והמיומנות של המורה — פיגומי הערכת-תגובה והתאמה-ביקורתית למתחילים, בניית מיומנות בינה מלאכותית מעשית למורים מנוסים עם מיומנות בינה מלאכותית חלשה יותר. שיפוט מומחה של תכניות שיעור שנוצרו על ידי בינה מלאכותית מסמן את העמדה הביקורתית-מתאמת הזו כנורמה, לא כיוצא דופן: Karaismailoglu, Surmeli and Yildirim (2026) מצאו שאחד עשר מומחי הוראת מדעים טורקים דרגו תכניות של ChatGPT-4 ושל Teacher's Buddy עבור יחידת כיתה ו' כטיוטות שמישות — 7 מתוך 11 שפטו אותן "ניתנות ליישום בתיקון", רק 3 "ניתנות ליישום" ישירות — וההעדפות שלהם סטו מהציונים הגלמיים, והעדיפו תכונות אפקטיביות וקונטקסטואליות על פני נאמנות מבנית. הכשרת מורים צריכה לכן לבנות את היכולת להעריך, להתאים ולמקם מקומית חומר הוראה שנוצר על ידי בינה מלאכותית ככשירות מקצועית ליבה, בתכניות טרום-שירות ותוך-שירות כאחד. גורמים פסיכולוגיים גם חשובים — מסוגלות עצמית חוזה בחיוב AI-TPACK, בעוד אמונות הוראה מסורתיות חזקות יכולות לשמש כמחסום קוגניטיבי.(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) אמון בבינה מלאכותית נעצב הן על ידי ידע טכני והן על ידי תפיסות אתיות (שקיפות, הוגנות, אחריות, הכלה).(Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust) מדידת אוריינות הבינה המלאכותית של מורים היא בעצמה חזית פעילה: מכיוון שרוב הערכות אוריינות הבינה המלאכותית מכוונות לתלמידים או למשתמשים כלליים, סולם אוריינות הבינה המלאכותית של המורים (TAILS) — המעוגן במסגרת ED-AI בעלת שישה מימדים — פותח ואומת באופן ספציפי למורי שפה טרום-שירות באמצעות EFA ו-CFA, וממלא את פער המדידה בתוך הכשרת מורים. שאלה מוזנחת בהיקף דומה היא האם המצב של ההכנה משנה את המוכנות לבינה מלאכותית. Mnguni et al. (2026) סקרו 186 סטודנטים להוראת מדעים בשנה סופית בדרום אפריקה ומצאו TPACK מדווח עצמית להוראה משולבת בינה מלאכותית גבוהה יותר באוניברסיטה המבוססת פנייה (64.0%) מאשר באוניברסיטת חינוך מרחוק (47.4%), עם ידע פדגוגי החלש ביותר בשתיהן, והדרכת בינה מלאכותית קשורה ל-TPACK המדווח עצמית רק במוסד המרוחק, שבו קורס קצר בן חמש נקודות זכות חזה TPACK מדווח חלש יותר מאשר אי-הדרכה. הכשרה מרחוק זקוקה לכן לבסיס הראיות שלה עצמו במקום להניח שהדרכה שתוכננה לתכניות פנייה מועברת.

פרקטיקת הוראה מדומה

מעבר לתוכן ולאמונות, הכשרת מורים משתמשת יותר ויותר בכיתות מדומות לתרגול מעשי שנקלט בקנה מידה. EducaSim משתמשת בסוכני תלמידים יוצרים (עם פרסונות, זיכרונות מעוגני קורס ואורקל דיבור של מודל לשוני כשופט) כדי לדמות מגמה קטנה למורים בהכשרה בקורס CS1 התומך ב-~20,000 סטודנטים. פרוס ככלי הכנה אופציונלי לאורך 254 מפגשים (ממוצע ~16 דקות), הוא מספק תרגול משחק תפקיד בעלות נמוכה (\$0.05–\\$0.10 למפגש) עם משוב מובנה לאחר המפגש (סטטיסטיקות זמן דיבור, התנהגויות הוראה שזוהו על ידי מודל לשוני) והנחיות להרהור עצמי. זה משלים את פרדיגמת סימולציית סטודנטים: לומדים מדומים משרתים לא רק הערכה אלא הכשרת מורים חווייתית בתדירות גבוהה, במיוחד לקורסים מקוונים המוניים שבהם אימון חי אינו נקלט בקנה מידה. דוגמה ספציפית לתחום היא Student GPT (Zhuang & Zhang 2025), צ'אטבוט ChatGPT מותאם שמשחק תפקיד תלמיד חטיבת ביניים מחזיק תפיסות שגויות נפוצות בחתירה פרופורציונלית; מורי מתמטיקה טרום-שירות בתיכון תרגלו אבחון ותיקון אותן תפיסות שגויות באינטראקציות מותאמות אישית בסיכון נמוך בתוך קורס מתודולוגיה, ומראים כיצד משחק תפקיד קל של GenAI יכול לתמוך בהוראה מבוססת פרקטיקה.

השלכות למחנכי מורים

• בניית אוריינות בינה מלאכותית ו-AI-TPACK ביקורתי כאחד. מורים טרום-שירות ותוך-שירות זקוקים למוכנות לשלב בינה מלאכותית — כלים מרחיבים את TPACK בממד בינה מלאכותית/אתיקה (AI-TPACK, i-TPACK PD); לימדו חשיבה אתית, שקיפות והוגנות לצד שימוש בכלים.

• צמצום פער ההבעה-מול-הביצוע. מורים לעתים קרובות טוענים למיומנויות תפעוליות בבינה מלאכותית אך מתקשים ליישם אותן פדגוגית; תכננו פיתוח מקצועי שעובר מידע לפרקטיקה מבוצעת (תכנון שיעורים).

• שימוש בתרגול מדומי להגדלת הכנה. כיתות מדומות בסגנון EducaSim מעניקות למורים בהכשרה תרגול בתדירות גבוהה ובעלות נמוכה עם משוב — משלים לאימון חי מוגבל.

• טיפול באמונות ובאמון. מסוגלות עצמית חוזה AI-TPACK בעוד אמונות הוראה מסורתיות חזקות יכולות לשמש כמחסום, ואמון נעצב על ידי שקיפות/הוגנות — שימו לב לגורמים הפסיכולוגיים האלה, לא רק לכישורים.

• נסיגה מדילמות בכיתה. Kohnke et al. (2026) ריאיינו 17 מורים טרום-שירות באוניברסיטה בהונג קונג ועבדו אחורה מדילמות כיתה צפויות לצרכי תכנון הכשרת מורים. מורים טרום-שירות העלו חששות לגבי יושר אקדמי, פרטיות, ושימור כישורים אנושיים חיוניים בסביבה מונעת GenAI, והצביעו על השלכות תכנית לימודים הטוות אתיקה, פרטיות ואוריינות בינה מלאכותית (עם כישורי חשיבה ביקורתית) לאורך הכשרת מורים במקום להתייחס לשימוש אחראי כתוספת.

• בינה מלאכותית כממתווך קוגניטיבי בהרהור המורה (2026): מודל משולש מהגה מבוסס פרקטיקה משתמש בבינה מלאכותית כממתווך בין הרהור מורה פרטני לידע מקצועי משותף בקהילות למידה, ומטפל בכשל הנפוץ של הרהור שלא מתגבש ללמידה מקצועית קולקטיבית (The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development).

• הפיכת תכנון הערכה של GenAI לחלק מעבודת התכנית המקצועית. סטודנטים להוראה בZou et al. (2026) הראו כוונה מועטת לעצב מחדש את הערכות בית הספר שלהם בעתיד בתגובה לבינה מלאכותית יוצרת, ומשתתפי גן ילדים ובתיכון שיוו במידה רבה את הטכנולוגיה כבלתי רלוונטית להקשר ההוראה שלהם עצמם — ממד לא מפותח של אוריינות הערכה ולא פער ידע. תכניות הכשרת מורים צריכות לכן לשלב שימוש אתי ב-GenAI בתכנון הערכה כחלק מתכנית לימודים מקצועית, ולשלב עקביות של מדיניות ברמת התכנית עם דוגמאות קונקרטיות של שימוש מקובל ובלתי מקובל ומשוב בזמן על השימוש בפועל של הסטודנטים בבינה מלאכותית.

• הפרדת עבודה ניתנת להאצלה מעבודה שאינה ניתנת להאצלה. O'Byrne (2026) מצא ש-23 סטודנטים לתואר ראשון, רובם מורים טרום-שירות, הפיקו תוצרים דומים בין אם שמרו על עבודת גבולות ובין אם האצילו אותה מוקדם, ו"מתח הרמאות" על ייחוס היה החזק ביותר בקרב העושים את עבודת הגבולות הרבה ביותר — ולכן מטרת ההוראה היא לשפוט איזו עבודה פרשנית לא למסור.

• הפיכת כתיבת מדיניות בינה מלאכותית לכיתה לפעילות ליבה בהכשרת מורים, וטיפול בעמימות כבעיה במדיניות. Nash & Burriss (2026) מצאו שבקשת מורים טרום-שירות לכתוב את מדיניות הבינה המלאכותית לכיתה שלהם פועלת כבניית עולם רטורית על מטרת הכתיבה — חלון לאמונות מתגבשות שדיון מופשט אינו פותח. מכיוון שבינה מלאכותית מפרידה בין כתיבה-כמוצר לכתיבה-כתהליך, תכניות צריכות לעזור למורים לאתר היכן חשיבה, למידה וערך באמת נמצאים לאורך סיעור מוחות, טיוטה, עריכה והגהה במקום למקם חשיבה רק בטקסט הסופי, ולתמוך בהם בתרגום אמונות לכללים תפעוליים חד-משמעיים בשילוב עם הוראת אוריינות בינה מלאכותית: סתירות כמו איסור טקסט שנוצר על ידי בינה מלאכותית תוך הפקת סטודנטים לאחראיות על התוכן שנוצר בבינה מלאכותית שהם מגישים משאירות סטודנטים שאינם מסוגלים לציית.

מושגים מחוברים

• הוראה
• ידע טכנולוגי-פדגוגי-תוכני (TPACK)
• כושר AI של המורה
• אוריינות AI
• פיתוח חינוכי
• חינוך גן ותיכון (K-12)
• אתיקה
• בינה מלאכותית בחינוך
• מדעי הלמידה
• חינוך כימיה — הוראת כימיה ובינה מלאכותית: מעבדות, הערכה מעצבת, מגבלות מודלים לשוניים, פילוסופיה של הניסוי

מאמרים מחוברים

• How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge — How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge

• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Preservice English teachers authoring classroom AI policies: permitted, limited, and banned uses (Nash & Burriss 2026)

• "Is this a trap?": Student teachers' perceptions and adoption of GenAI in assessments in three teacher education courses — 85 student teachers: shallow GenAI adoption, integrity anxiety, and assessment literacy that doesn't transfer

• When Teachers Use AI Chatbots and Are Trained for It: Impact on Learning Design Quality and Cognitive Effort — AI chatbot support and training in teachers' learning design

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Pedagogical AI knowledge as the priority lever for teacher professional learning (Shen 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)

• Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges — Scoping review of AI in preservice teacher development

• Designing effective AI professional development: A framework grounded in intelligent-TPACK — Intelligent-TPACK-based professional development framework

• Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — Professional learning for critical AI literacy in teacher educators

• Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education — GenAI-specific TPK in teacher education

• Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning — Teachers' AI knowledge in GenAI lesson planning

• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Teacher-AI interaction patterns across teaching experience and AI proficiency in lesson design (Choi et al. 2026)

• Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach — Pre-service intelligent-TPACK readiness

• Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs — AI-TPACK in mathematics teacher education

• Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust — Ethics domain and in-service teachers' trust

• Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training — Micro:bit robotics in initial teacher training

• AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model — AI-mediated authentic assessment in pre-service education

• Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs — Science educators' AI literacy and post-qualification programs

• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Instructors report institutional AI-skills consensus and assessment gaps

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Teachers essential for relational/higher-order work in hybrid arrangements

• Using Context-Based and AI-Enhanced Approaches to Improve Student Engagement and Achievement in Secondary Chemistry Education — Context-based 7E + AI instruction in secondary chemistry

• Instructor and AI Roles in the Chemistry Classroom: Future Science Teachers' Perceptions in a ChatGPT-Enhanced Formative Assessment — Instructor and AI roles in ChatGPT-enhanced formative assessment

• EducaSim: Interactive Simulacra for CS1 Instructional Practice — EducaSim: interactive simulacra for CS1 instructional practice

• Unpacking the Heterogeneity of Pre-service Teachers' ChatGPT Acceptance: A Latent Profile Analysis Across STEM and Non-STEM Disciplines — Pre-service teacher ChatGPT acceptance profiles

• Motivation to shape the future of education with Artificial Intelligence: An international comparison between Switzerland and China — Motivation to shape the future of education with AI

• AI-Supported Inquiry-Based Learning in Photosynthesis and Respiration: Implications for Sustainable Science Teacher Education — AI-supported guided inquiry in science teacher education

• The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Reflective Triangle Model: AI as cognitive mediator

• Evaluating the Effectiveness of Generative Artificial Intelligence in Empowering Teachers for Constructivist — SAHAB model: GenAI constructivist instructional design

• Teacher Involvement in Developing Sustainable Education Materials for AI Integration in Green Energy Education — Teacher involvement in AI integration for green energy education (Riandi et al. 2026)

• Perceived Utility Moderates Motivational Intervention Effects in Learning to Teach Responsibly with GenAI — Utility-value intervention effects in learning to teach responsibly with GenAI (Boos, Eder & Lachner 2026)

• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — Pre-service teacher agency during GenAI interactions in design for learning (Krushinskaia, Elen & Raes 2026)

• Longitudinal Insights into AI in Education: Usage, Ethics, and Policy Development in Higher Education — Longitudinal GenAI usage, ethics, and policy in teacher education (Parker et al. 2026)

• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Smart-classroom model and D-T-E loop improving M.Ed. instructional design proficiency in mathematics (Zhu et al. 2026)

• A Systematic Review of Language Educators' Practices and Development with GenAI — Language educators' practices and development with GenAI

• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching

• Suitability of Artificial Intelligence Supported Lesson Plans from the Perspective of Science Education Experts

• Teachers' Collaborative Evaluation of AI-Generated Content: Insights from a Professional Development Workshop — Teachers' collaborative evaluation of AI-generated content as professional development (Gat, Usher & Barak 2026)

• AI training and science student teachers’ TPACK in campus-based and distance education: a comparative study — Campus versus distance comparison of 186 science student teachers' AI-related TPACK and training levels

• Co-Constructing AI Boundaries: Agency, Judgment, and Ethical Literacy in AI-Mediated Meaning-Making — traces pre-service teachers building AI boundaries in a semester-long literacy ethnography

• The Impact of Unscaffolded GenAI Use on Pre-Service Teachers' AI Readiness, Self-Regulated Learning, Critical Thinking, and Instructional Design Performance: A Quasi-Experimental Study — Unscaffolded genAI lowered pre-service teachers' lesson-plan quality below the no-genAI class