הוראה

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

הוראה — כיצד בינה מלאכותית מהדסת מחדש את העבודה, הזהות והסוכנות של מחנכים. עם למעלה מ-50 מאמרים החוקרים ממד זה, מאגר הידע מתעד שינוי בסיסי: מסמכות הידע הבלעדית למי שמנצח על סביבות למידה אנושיות-בינה מלאכותית. עמוד זה חורג מתיאור השימוש הזה — הוא מפרט מה מורים בעצם עושים אחרת, כיצד הם יכולים להתאים את תרגולם, וכיצד הם מתחברים לעיצוב למידה, לאוריינות AI וליושרה אקדמית.

Malyn-Smith ואח' (2026) מכנים זאת הפרדוקס האנושי-יתר: בשישה תרחישי 2030 שנבנו בשיתוף עם 20 חוקרים מ-13 מדינות, רווית הבינה המלאכותית מגבירה את העבודה הפדגוגית האנושית במקרת לדחוף אותה הצידה. התרחישים מתארים את הבינה המלאכותית כ"מערכת מיזוג האוויר של אקוסיסטת הלמידה" — שמים לב אליה רק כשהיא מקולקלת.

שאלות לשימת לב

• העמוד מתאר את מעברו של המורה 'מסמכות הידע הבלעדית למי שמנצח על סביבות למידה אנושיות-בינה מלאכותית.' מה מרוויחים ומה מפסידים כמחנכים כאשר מפסיקים להיות מקור התוכן העיקרי?
• הוא טוען שבינה מלאכותית מחלקת מחדש את המשאב הנדיר ביותר של המורה — קשב — מהיוצרות חומרים לפרשנות הלומדים. האם המסגור הזה מתאים למציאות, ומה הייתם עושים בפועל עם הזמן המשוחרר?
• מחקר המובא בעמוד מציג מורים כמעצבי בינה מלאכותית פעילים — כותבי הפרומפטים והפיגומים שמעצבים כיצד הבינה המלאכותית מתנהגת כלפי תלמידיהם — ולא כמשתמשים סבילים. מה היה נדרש מכם (או ממורים שאתם מכירים) כדי להרגיש כמעצבי בינה מלאכותית ולא כמשתמשים בה?
• בקצה הרחוק של ספקטרום 'הצוותות מורה-בינה מלאכותית', המורה מנצח על צוות של לומדים אנושיים, מוריAI חיווי (tutors) ומשאבי תכנית לימודים. היכן שיפוט האדם נותר בלתי-החלף בצוות זה, ומה עלול להיחלש בשקט אם הניצוח יוטל ברובו על הבינה המלאכותית?
• אם קשבו של המורה מועבר מהיוצרות חומרים לפרשנות הלומדים, אילו מיומנויות וסיכונים חדשים נובעים מכך — ומי תומך במורה בפיתוחם?

מבוא

הוראה כאן מכנה את תפקיד המקצוע כפי שהבינה המלאכותית מהדסת אותו מחדש: פחות מסירת תוכן, יותר ניצוח של משתתפים אנושיים ומכונתיים, פרשנות של מה שהלומדים באמת מבינים, ותכנון התנאים שבהם שימוש בבינה מלאכותית לגיטימי. הדפים שנאספו תחת מושג זה מתעדים צוותות מורה-בינה מלאכותית ושינוי תהליכי עבודה, את המיומנויות שהתפקיד דורש כיום, ואת המתח בין רווחי יעילות לבין הקשב שהתמיכה האישית דורשת. הוא עומד לצד פיתוח חינוכי, אוריינות AI והערכה כאחד התפקידים שקובעים אם שילוב הבינה המלאכותית משנה את התרגול או רק מקשט אותו. מדעי הלמידה הם שדה המחקר שעדותו מהדסת מחדש את העמדה הזו: הם מתארים ובודקים כיצד למידה מתרחשת ואילו תכניות משנות אותה, ואילו עמוד זה מכסה את תפקיד הכיתה שעליו לפעול על בסיס העדות הזו ברגע נתון.

כיצד בינה מלאכותית משנה את ההוראה

• ממלגן (מנחה) למנצח: חמישה שלבים של צוותות מורה-בינה מלאכותית ומחקר ניצוח הסוכנות ממפים את הספקטרום מבינה מלאכותית ככלי ועד בינה מלאכותית כשותפת הוראה. בקצה הרחוק, המורה מנצח על צוות הכולל לומדים אנושיים, מוריAI חיווי (tutors), ומשאבי תכנית לימודים, במקר לספק בעצמו את כל התוכן.

• שהפך התהליך העבודה: How AI Is Changing Teaching Workflows מתעד כיצד בינה מלאכותית מעבירה את זמנו של המורה ממסירת תוכן לפעילויות בעלות-ערך גבוהה יותר כמו תמיכה אישית, משוב ועיצוב עיצוב תוכנית לימודים. המשאב הנדיר ביותר של המורה — קשב — מוקצה מחדש מהיוצרות חומרים לפרשנות הלומדים. סקירה שיטתית של מחנכי שפה (Li ואח' 2026) מגבירה זאת: מחנכים מעריכים את GenAI בעיקר לעבודת הכנה (תכנון שיעורים, יצירת חומרים, תמיכה בכתיבה) ונמנעים משימוש בשיעור חי, ואימוץם מעוצב על ידי גורמי זהות מקצועית, פדגוגית, טכנית, מוסדית ושלמות אקדמית — עם פערי מיומנות הממופים ל-episteme (הבנת יכולות הבינה המלאכותית ומגבלותיה), techne (הנדסת הנחיות, עיצוב משימות/הערכה מוגברים בבינה מלאכותית, זיהוי טקסט מיוצר על ידי בינה מלאכותית), ו-phronesis (שיפוט אתי, טיפול בהטיה ובפרטיות, שיפוט רגיש להקשר). מתעד כיצד בינה מלאכותית מעבירה את זמנו של המורה ממסירת תוכן לפעילויות בעלות-ערך גבוהה יותר כמו תמיכה אישית, משוב ועיצוב עיצוב תוכנית לימודים. המשאב הנדיר ביותר של המורה — קשב — מוקצה מחדש מהיוצרות חומרים לפרשנות הלומדים.

• דרישות מיומנות: מסגרות מיומנות מורה-בינה מלאכותית מגדירות מה מחנכים צריכים לדעת, משוטטות בכלים בסיסית ועד ניצוח מעוגן פדגוגית. מחקרי אימוץ מזהים את המחסומים האמיתיים: ביטחון, תמיכה מוסדית, ודאגות עומס עבודה. Bai & Hsieh (2026) מוסיפים משקל אמפירי: במודל SEM על 898 מורים באוניברסיטאות סיניות, חדשנות הוראה נתמכת GenAI תלויה פחות בידע טכנולוגי בודד ובמידה רבה יותר במיומנות AI משולבת פדגוגית ותחומית (אוריינות AI וזהות מקצועית), ששתיהן תיווכו חלקית את קשר המיומנות→חדשנות — אות לבניית התפתחות סגל סביב מיומנות AI משולבת, מקושרת לזהות, ולא סביב הכשרת כלים בלבד.

• נכונות כיכולת תכנון, לא כעמדה: Charles (2026) טוען שנכונות המורה ללמידה אינטראקטיבית עשירת בינה מלאכותית אינה ניתנת לקריאה מאימוץ, ביטחון או מיומנות דיגיטלית, כיוון שאף אחד מאלה אינו חוזה את אופן ההדפסות שהמורים מייצרים בפועל. נכונות-בתכנון היא ממוקדת ביצוע: מורים מפעילים ידע פדגוגי הקשור לבינה מלאכותית, אמונות פדגוגיות, יעילות עצמית ונכונות אתית באמצעות תיווך תכנון (בחירת כלים, עיצוב משימות ופרומפטים, פיגום, שקיפות, אימות, עיצוב הערכה מחדש, תכנון נגישות, ופיקוח אנושי) בתוך אקולוגיה מוסדית ומדיניותית שמאפשרת וממתינה את התרגום. שתי תביעות נושאות משקל מעשי. העצמה-עצמית היא משאב הפעלה ולא אינדיקטור איכות, כך שביטחון ללא ידע פדגוגי הקשור לבינה מלאכותית או נכונות אתית עלול להאיץ הדפסה גרועה. ושקיפות מדיניות ותמיכה חומרית הן מתווכים נפרדים, כך שבית-ספר עם משאבים טובים יכול עדיין להשאיר מורים מנחשים מה מותר. Charles מסרב גם להשוות אי-שימוש לחוסר נכונות: החלטה מנומקת להשהות בינה מלאכותית יכולה עצמה להצדיק נכונות.

• תכנון משותף וסוכנות: פרומפטים שנכתבו על ידי מורים וvibe coding למורים מציגים מחנכים כמעצמי בינה מלאכותית פעילים, לא כמשתמשים סבילים — כותבי הפרומפטים והפיגומים שמעצבים כיצד הבינה המלאכותית מתנהגת כלפי תלמידיהם. בתכנון שיעורי STEAM אמנותיים לילדים, Luo and Tahir (2025) אישרו בניסוי שכיצד המורה מאציל ל-ChatGPT משנה: מילוי פערי תוכן בשיעור שהוצע על ידי המורה עצמו (השיטה שאימצו 60% והמליצו עליה) שמרה על עצמאות התכנון של המורה תוך כדי העלאת איכות התכנית לפי מומחים (חציון 20.5 לעומת 17.6, p = .002, אפקט גדול), ועלה על מתן AI לייצר תכניות שלמות או רק לבדוק תכנית מוגמרת. AI שירתה בעיקר כמשתפת השראה וגילוי פערים ולא כמקור לחדשנות מקורית לחלוטין — מחזקת את העובדה שהמורה נשאר סוכן התכנון והשופט על התוצר, כולל זיהוי ליקויי בטיחות ילדים והטיה תרבותית שהכלי החמיץ. סקירה שיטתית של תכנון משותף מורה-בינה מלאכותית של משימות למידה (Wang, Liu & Islam 2026) מוצאת שהעמדה המשותפת הזו נותרה לא אחידה — המצב הדומיננטי הוא עדיין AI כעוזר/מחולל תוכן — וTalebzadeh (2026) מראה שהסוכנות של המורה כ"דו-לשוני מעצב למידה" היא מה שהופך פעילויות קבוצתיות מעוצבות AI להוראה מובחנת ומלוכדת ב-ZPD.

• כתיבת בוט אינה זהה לשליטה במה שהוא מלמד. 27 מורים בחטיבת ביניים שקבעו כלי כתיבת צ'אטבוט מטרה-וכללים ראו נאמנות חלקית בלבד בהתנהגות הנוצרת — היישור ירד מ-88.9% לרספונסיביות ו-81.5% לפרסונה ל-70.4% לכללים ו-59.3% למטרה, וציות לכללים השתנה לפי המודל שנבחר — הפער בין ביצוע להערכה שהופך את תפקיד המורה-כמעצב לחזרה על כוונה ולא להבטחתה (Riahi ואח' (2026)).

• הכנה קדם-שירותית: הכשרה מבוססת TPACK ותוכניות פיתוח חינוכי מכינות מורים עתידיים לכיתות מוגברות בינה מלאכותית לפני שהם נכנסים אליהן. דמות משחק-תלמיד מדומה מרחיבה זאת לתרגול מעשי: בוט ChatGPT מותאם (Student GPT) שמגלם תלמיד חטיבת ביניים מורכב מהשגות מתמטיות מאפשר למורים קדם-שירותיים לחזור על אבחון והנחיית חשיבת תלמידים בסביבה בטוחה, ומכין אותם למשיבת הוראה מרכזית — קריאה ותיקון חשיבת התלמיד.

• חזית חיצונית שהבסיס הראייתי חדר אליה בקושי: Štefánik ואח' (2026) מרכיבים Edustories, 1,492 מקרי בוחן שנכתבו על ידי מורים מכיתות אמיתיות בבתי ספר יסודיים ותיכוניים — התנהגות תלמידים מאתגרת, ההתערבות שניסה המורה, ומה עלה בגורלה — דווקא משום שרוב מחקר AI-בחינוך התמקד בסיוע מותאם אישית לתלמיד, בעוד שרוב ההוראה מתרחשת בכיתות קולקטיביות. בנצ'מרקינג ארבע משפחות מודלי שפה על חיזוי אם ההתערבות הצליחה, המודלים החזקים ביותר הגיעו ל-58% דיוק לעומת 64% אצל מומחים אנושיים; המחברים קוראים את הפער בשני הכיוונים, כמגבלה על סיוע חיצוני נוכחי וכתסמונת לפוטנציאל מתגבש. מה שהעמוד מרוויח ממנו הוא תקרה נמדדת ולא תביעת יכולת: עצה למורים צריכה להיות טובה משיפוט מומחים לפני שאפשר לבטוח בה, והיום הסדר הוא הפוך. פער מקביל מופיע בסקירת PRISMA של Yalçın ואח' (2026) על 46 מחקרים אמפיריים של GenAI בהשכלה גבוהה בתכנות: תפקידי מרצה ופרקטיקות מוסדיות היו מהתחומים שנחקרו פחות בשדה, ו-26 מתוך 46 המחקרים לא נתנו תיאור ניתן לקידוד של גישת ההוראה שלהם, כך שהחלטות התכנון שייצרו את התוצאות המדווחות אינן נראות לעתים קרובות אפילו למרצים אחרים.

• היכן AI נכנס למעשה לעבודה, לפי משימה: Holster (2026) מפריד אימוץ מהקצאה באמצעות נתוני TALIS 2024 מ-56,669 מורים, עם דגימת הקצאה של 24,058 משתמשי AI ב-46 מערכות חינוך. משימה שדורגה נקודה אחת מעל הביקוש הממוצע של המורה עצמו הייתה סביר יותר שתקבל עזרת AI (OR = 1.163), אך הכיוון משתנה לפי משימה: תכנון עולה עם הביקוש (OR = 1.084), הערכה וציונים יורדים (OR = 0.921), ותמיכה והתאמה בחינוך מיוחד עולים בחדות (OR = 1.442, פריד ניבויי מ-34.0% ל-50.3% לאורך טווח הביקוש). קריאת המיומנות והמדיניות היא שמורים כבר שומרים ציינים בעלי-המרה גבוהה לאדם תוך שהם נגמרים ל-AI בעבודת התאמה מותאמת אישית, כך שהנחיה שמתייחסת לשימוש מורה ב-AI כהתנהגות בודדת תפספס היכן התמיכה נחוצה בפועל.

איך התפקיד המשתנה נראה בפועל: דוגמאות קונקרטיות

ההפשטה "מנצח" קלה יותר לתפיסה באמצעות שינויים קונקרטיים, יומיומיים בעבודת המנחה:

• מכתיבת כל חוברת לאוצרת טיוטות שנוצרו על ידי AI. מנחה שפעם בילה ערב בבניית גיליון עבודה מובחן מעודד כעת AI לייצר שלוש גרסאות ברמות קושי שונות, ואז מבלה את אותו ערב בסקירתן והתאמתן — מעבר מכתיבה לשיפוט עריכתי. תהליכי עבודה של Curriculum-as-Code הופכים את הצינור הזה למפורש, והסקירה השיטתית של Kibar & Ilgaz מראה את AI פועל כ"עמית עבודה" שמנסח תוכן שהמתכנן מכין לאחר מכן. אימות מומחים של תכניות שיעור מדעיות שנוצרו על ידי AI הופך למפורש את מה שהשיפוט העריכתי צריך לשקול: Karaismailoglu, Surmeli and Yildirim (2026) מצאו שאחד-עשר מומחי הוראת מדעים דרגו תכניות כיתה ו' של ChatGPT-4 ושל כלי ממוקד חינוך כטיוטות שמישות — 7 מתוך 11 שפטו אותן "ישימות בתיקון", רק 3 "ישימות" ישירות — וההעדפות סטו מהציונים הגולמיים (7 העדיפו את הכלי הממוקד-חינוך שקיבל ציון גבוה יותר, 4 את התכנית הכללית) כיוון שהשיפוט שקל ממדים אפקטיביים וקונטקסטואליים מעבר לנאמנות מבנית. מורים נשארים השופטים האם וכיצד טיוטה של AI הופכת לשיעור בר-הוראה ומעוגן הקשר.
• מהרצאה לאימון בזמן אמת. במקר להעביר את אותה ההסברה לכל הכיתה, מורים מנתבים יותר ויותר שאלות שגרתיות למורהAI חיווי (tutor) וממוקדים זמן פנים-אל-נים בתלמידים הזקוקים לשיפוט אנושי — מחקרי תהליך עבודה מתעדים בדיוק את הקצאת הקשב מחדש הזו.
• מציונים לתכנון הערכות ש-AI לא יכול לנצח. מנחים מפסיקים להסתמך על משימות מבוססות-זיכרון שLLMs פותרים בקלות ולתכנן במקר זאת הערכות אותנטיות, סולמות הערכה, ומשימות פורמטיביות השומרות על רווחי למידה.
• מהוראת תוכן להוראת שימוש. תפקידו של המורה כולל יותר ויותר הדמיית כיצד לכתוב פרומפטים, להעריך ולהשתמש באחריות ב-AI — תכנית לימודים אוריינות AI שמולכת בכל קורס, לא נושא נפרד.
• מקריאת לוחות מחוונים לפעולה על פיהם — קונטקסטואלית. Mejia-Domenzain ואח' (2026) מראים שכיצד מורים משתמשים בפועל בלוחות מחוונים אנליטיים סטה לפי הקשר: מורים בכיתה הפוכה (אוניברסיטה) עקבו אחרי חקירה סדרתית והעדיפו התאמה ברמת הקורס והצגת לוחות מחוונים בכיתה, בעוד שמורים מקצועיים חזרו לדפי סיכום והשתמשו בכלי בעיקר למפגשי אימון אישיים. הפעולות שהמורים הציעו נעצבו על ידי התוכן המיוצג ורמת ההוראה שלהם יותר מאשר על ידי סוג הגרף — מורים אוניברסיטאים העדיפו מבחנים שבועיים והתאמת קורס, מורים מקצועיים אימון ישיר ומותאם אישית. זה מתאים לתכנון לוחות מחוונים מודע-הקשר ולצרכי תמיכה מובדלים במורים יותר מאשר לממשק אנליטי אחיד.
• מקבלת התראות לשיפוטן. Swidan (2026) עקבו אחרי מורה אחת ושמונה תלמידי תיכון בעלי הישגים גבוהים בשיעור גאומטריה ב-GeoGebra שבו Dash4Emotion מסמן תלמידים במלבנים אדומים שמסמנים רגש שלילי, ומצאו שההתראות לא הניעו תוצאות — המהלך של המורה אחרי כל התראה כן: מסגור מחדש של משימתה של Mira מחיפוש ערך מינימלי למקום הגאומטרי של הנקודות המינימליות פתח מחדש את החקירה שלה, שלוש התראות בו-זמנית עוררו מסגור מחדש לכיתה כולה, וחוסר-התערבות מכוון של שיעור אחד היה עצמו החלטה פדגוגית. העמדה של המחקר היא שהתראת רגש מיוצרת AI היא רמז לפרשנות לצד מה שהמורה רואה, לא הוראה שיש לציית לה.
• משומר-שער למנחה עקרוני של משוב שיתופי. פיילוטים בכיתה של Community Builder (CoBi) מראים שתפקיד המורה מהדס באופן מכריע את שלמות המימוש: מורים שהשתמשו בתצפיות ובהמחשות של ה-AI לעורר מטאקוגניציה והגות ביקורתית על שיתוף פעולה השיגו שימוש בשלמות גבוהה, בעוד שאלה שהשאירו את המערכת להסתדר למעקב ביצועים — או לסטות לדיונים כלליים על AI — לא השיגו. מורים דאגו גם להיות "על הכוונת" על ידי משוב בזמן אמת והעדיפו סקירה לפני/אחרי הפעולה על פני תצוגה חיה, ומדגישים שניצוח שיתוף פעולה בכיתה-כולה דורש למידה מקצועית נרחבת, לא רק שוטטות בכלים.
• מהוראה עם AI לעמידה במקומה. היכן הפער הדיגיטלי לא משאיר מכשיר לכל תלמיד, המורה יכול להפוך לממשק הפיזי למערכת — פרוקסי ולא מנצח שלה. במודל "AIED unplugged" של Rodrigues ואח' (2026), תלמידים ממשיכים לעבוד עם נייר ועט בעוד המורה מצלם את הפתרונות שלהם, וה-AI מחזיר רשימות תרגיל מותאמים אישית ומשוב משוב ספציפי-שגיאות שיש להעביר בחזרה. זהו קוואזי-ניסוי מקובץ על פני 19 כיתות יסוד ברזילאיות אותנטיות ולא הדגמת אב-טיפוס, ושתי תוצאותיו נוגעות ישירות לתפקיד. ראשית, היתרון הלמידתי על התרגול הרגיל בא מסשן אימון מורה אחד של 50 דקות, לא מהטכנולוגיה: תנאי האימון והאימון-פלוס-מערכת לא נבדלו ברווחים (−4.33, 95% CI [−17.29, 7.23]), כך שההכנה, לא הכלי, הוא המרכיב הפעיל. שנית, התועלת של המערכת עצמה פעלה בעקיפין, באמצעות המורה — הפחתת המאמץ תיווכה אפקט חיובי על הרווחים (3.649, 95% CI [1.097, 6.398]) — כך שהאפקט מגיע לתלמידים שה-AI לא נגע בהם לעולם, ועבודת הלכידה-והאימות שתיארו המורים (צילום גיליונות, המתנה לעיבוד, תיקון שגיאות זיהוי) היא חלק מהעלות הפדגוגית של הרחבת AI לכיתות עם משאבים מועטים.
• מספקית מידע למעצבת למידה. Hochberg and Waitzman (2026) עקבו אחרי 93 מורים בתכנית AI בת שמונה שבועות ומצאו שהתרגול עובר לעבר תכנון היויטגוגי לסוכנות הלומד, אם כי המעברים המדווחים-עצמית לא היו מובהקים לאחר התאמה ותוצאות הלומדים לא נמדדו.

המטפורה של הניצוח

המטפורה הדומיננטית במאגר הידע היא ניצוח: מורים מתאמים לומדים אנושיים, מוריAI חיווי (tutors), ומשאבי תכנית לימודים. זה מתנשא לסיפורי החלפה — AI מגדיל ולא מחליף הוראה אנושית. עדות אמפירית תומכת בעמדה הזו: סקירה שיטתית מודרכת PRISMA של 42 מחקרים (2023–2025) מצאה ש-LLMs תואמים לדירגים אנושיים במשימות קצרות ומבניות היטב אך שהביצועים יורדים בעבודה ארוכה, רב-לשונית ועמוקה — ומסיקה ש-LLMs לא יכולים להחליף מורים לחלוטין ושמערכות הערכה היברידיות, אנושיות-בזרימה, משיגות את אפקטיביות הציונים הגבוהה ביותר (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). עדשת הניצוח ממסגרת מחדש את המיומנות המרכזית של המנחה כשיפוט: החלטה מתי אנושי, AI, או פעילות למידה מתוכננת הוא הכלי הנכון עבור לומד ורגע נתונים. סקירת PRISMA של 2026 על 29 מחקרים של Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects מחדדת את המטפורה למחזור ארבע-שלבי — ניטור, שיפוט, התערבות, ניצוח — ומראה מדוע אף שלב אינו ניתן להנחה. מורים העדיפו שליטה משותפת, קיבלו, שינו, דחו או עקפו הצעות AI; חלקם דחו התערבות בכוונה כדי שתלמידים יוכלו להיאבק פרודוקטיבית קודם; ולוחות מחוונים שהרחיבו מודעות יכלו גם להעמיס על קשב או לערור על מה שמורה אחד יכול לפעול בפועל. שלושת האסטרטגיות שלה — תרגום פדגוגי של פלט AI, תכנון תמיכה בלמידה, ושחזור מבני אינטראקציה — מתארות את העבודה כrecontextualization ולא כאיוש, מה שממקם את המורה קרוב יותר למתווך מאפשר לתפקיד הבודק-אנושי-בזרימה. תצפית כיתה מכנה את those התנהגויות כסוגים. שיעורים עם מורה מנוסה הוסיפו שלושת סוגי ניצוח לארבעה של Drijvers — ניטור לוח מחוונים, תיקון AI ותיווך AI — עם התפקידים התוכניים והאתיים של המורה הנם גלויים ביותר כאשר הוא תיקן משוב מיוצר AI (Noh & Kim, 2026).

תפקידי מורה מתפתחים וביקורתיים

עבודה אחרונה מרחיבה את מטפורת הניצוח לקונספטואליזציות תפקיד עשירות יותר:

• מנצח-משותף על פני מעברי פעילות. Yang ואח' (2026) משתמשים ב-speed dating participativo עם 17 מורים ו-13 תלמידים כדי למפות כיצד יש לחלק שליטה על פני שלבי פעילות כיתתית — המעברים לפני, תוך כדי ואחרי בין עבודה אישית לשיתופית — בכלי ניצוח-משותף התומך בצימוד דינמי בזמן אמת. עקרון התכנון המתגבש הוא שהשליטה אינה נקודה קבועה: מורים ותלמידים רוצים כמויות שונות של סוכנות בכל שלב, והכלי צריך לאפשר למורה להתאים קיבוץ, מעברי פעילות ותזמון התערבות בזמן אמת תוך שמירה על עקיפה של מורה. זה ממקם את המורה כמנצח-משותף של סביבת הלמידה החיה כולה — תפקיד ספציפי יותר ממטפורת הניצוח הכללית, ממוקד בהחלטות הגרגרניות, רגע-אחר-רגע של מי עובד עם מי, מתי ועם איזו תמיכה — והוא מחבר מחקר ייעוץ אישי לתכנון ברמת הכיתה.
• הכוריאוגרף הקוגניטיבי. מסגרות פוסט-הומניסטיות מהדסות את המורה ככוריאוגרף קוגניטיבי המנצח קוגניציה מופצת על פני מערכות ביולוגיות ומלאכותיות, וחותרת מעבר מודלים אינסטרומנטליים כמו ידע טכנולוגי-פדגוגי-תוכני (TPACK) ו-SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
• מנחה, חוקר-משותף, אתי מפקח. בלמידת מדע, תפקידי המורים עוברים ממשדרי ידע למנחים וחוקרים-משותפים, ומקבלים אחריותיות חדשות כמפקחים אתיים על השימוש האחראי של תלמידים ב-AI.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
• מתווך של עקרונות למידה. מחנכים מפעילים עקרונות למידה עתיקים (קוגניציה חווייתית, סיטואטיבית ומופצת) באמצעות AI, ומתייחסים ל-AI ככלי שמשפר ולא מחליף את תפקיד ההדרכה של המחנך.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
• מתווך ביקורתי שהופך פלט AI לחפץ ביקורת. Canonigo (2026) עקבו אחרי עשרה מורי מתמטיקה תיכוניים בהתערבות ChatGPT-4 בת שמונה שבועות וזיהו חמש פרקטיקות תיווך: הצגת בעיות מיוצרת AI, פיגומי רמזים מתוכננים לדעיכה, השוואה ביקורתית של פלט AI לעבודה של התלמידים עצמם, פרומפטים מובדלים (אנלוגיה ויזואלית לתלמיד מתקשה, הרחבה קובית לעמית), ו-AI כשותף דיאלוג מהגה. היכן מורים יישמו את אלה, הפלט הפך למשהו שמתנצחים אתו ולא למפתח תשובות, ותלמידים עברו לכיוון שעזום וחקירה מטאקוגניטיבית; היכן התיווך נעדר, הסמכות נדדה כלפי האלגוריתם, עם תלמידים שמתייעצים ב-AI לפני מורם וחוזרים רק לאימות, מה שגרם למורה אחת לתאר את המעבר מ"אורקל" ל"עורך." ממצא השוויון של המחקר הוא החד: על פני 300 תגובות מודל, המודל ברמה החינמית היה לא מדויק ב-32.7% מהמקרים לעומת 12% במודל הפרמיום (χ²(1) = 17.5, p < .001), כך שמורים בבית הספר עם משאבים מועטים כינוהו "שולי-כמעט-מיותר למתמטיקה." איכות הכלי, לא רק גישת הכלים, הופכת למשתנה פדגוגי, ומדיניות השימוש המקובלת של בית הספר של מורה אחת הייתה בת עשור ושתקה על AI, והשאירה את פער הממשל לכיתה.
• זהות מקצועית מוטרדת ופגיעה. Farazouli ואח' (2026) מתעדים את הצד הרגשי של קונפיגורציה מחדש של תפקיד: 24 מורים באוניברסיטאות שוודיות חוו את הופעתו של GAI כמלחיצת ומציקה, ודיווחו על "מצב פגיעות" (ביטחון נמוך, חוסר ביטחון, פחד מ"לא להיות לפני התלמידים") ותחושת "להיות תקועים" בין דיסקורסים אוטופיים לדיסטופיים. GAI גרם להם להעריך מחדש את סדרי העדיפויות שלהם — טיפוח חשיבה ביקורתית, שיפוט הערכתי, ושימוש אתי ב-GAI — ולהטיל ספק בתפקיד העתידי שלהם ושל האוניברסיטה בנוף שהרגיש "מחוץ לשליטה." זה ממסגר את מעבר תפקיד המורה כזהותי-וריגש, ולא רק כשינוי כישורים או תהליך עבודה.
• מפתחים אקדמיים כמתווכים דיגיטליים, כולל כבלם. Sithole (2026) ריאיינו שנים-עשר מפתחים אקדמיים ומתכנני למידה בשתי מוסדות היסטורית-מחוסרי-יתרון בדרום אפריקה ומוצאים את התפקיד עובר מסיוע להוראה מהגהית לבין מתווך טכנולוגי ופותר בעיות, עם תיווך החוצה פדגוגיה, אתיקה ופוליטיקה מוסדית. המהלך הייחודי הוא התייחסות להאטה כחלק מהעבודה: משתתף אחד מתאר תרגום בין "מה שהנהלה רוצה, מה שהטכנולוגיה יכולה לעשות, ומה שמרצים דואגים באמת," ומינוח פלגיאט, תלות תלמידים ויצוא חשיבה לפני שההתלהבות קובעת את הקצב — "זו לא רק תמיכה טכנית; זו גם מו"מ." אותו מחקר מתעד את העלות האפקטיבית ("אני מרגיש כמו מתחזה. אני לומד AI בדרך, אבל המוסד מצפה למומחיות") ואת תגובת הלמידה המקצועית: מרחבי עמיתים שבוחנים ושוברים כלים בכוונה, מכוונים לשיפוט ולא למיומנות, וסירוב מפורש לבינארית אימוץ-התנגדות — "אני לא אנטי-AI; אני פרו-הקשר."
• סלקטיביות עקרונית במקום אימוץ או התנגדות. Adiozaman and Segar (2026) ריאיינו שני אקדמאים עם יותר מעשור ניסיון שלוש פעמים לאורך סמסטר בודד ומצאו עבודת זהות מאורגנת סביב שלוש מתחים קשרים זה לזה — פדגוגיה לעומת פלטפורמה, מחנך לעומת מנחה, וטיפול לעומת ציות — שהתגלו לא לעמדה מיושבת אלא לסלקטיביות עקרונית: החלטות רגישות-הקשר המונחות ערכים פדגוגיים, מחויבות אתית ושיפוט מקצועי. הם מתארים מסלול מהתמצאות משתמעת, דרך אסטרטגיות אמצע-סמסטר כמו בקשת תלמידים להסביר את חשיבתם ותכנון מחדש של משימות והערכה, לעמדות שנשארו מכוונות-פתוחות ולא קבועות, עם סירוב של שימוש מסוים מטופל כתרגיל לגיטימי של שיפוט ולא ככישלון לאמץ. זה מספק את הנתיב הבנאי לפגיעות המתועדת לעיל: מה שמעבר התפקיד דורש הוא שיפוט, כך שמענות מוסדיות הבנויות סביב הדרכת כלים מתייחסות לבעיה הלא-נכונה.
• חצי-אוטונומיה כנקודת התפעול המועדפת. Dai ואח' (2026) סקרו 287 מורים מנוסי-GenAI ב-27 מדינות ואזורים ומצאו אותם ממקמים את הכלי בשלבים חצי-אוטונומיים של סולמת אוטומציה — 130 בחרו שלב 2 ("סיוע מורה"), 94 שלב 3 ("אוטומציה חלקית"), ובחירה אחת בדיוק שלב 6 — ומתארים אותו כ"עוזר", "פיגום", "משלים" או "שותף." שימושיות נתפסת שלטה בכוונת האימוץ שלהם (β = .832, p < .001), בעוד שאוטונומיה מלאכותית נתפסת השפיעה על הכוונה בעקיפין בלבד דרך שימושיות, וסלידת סיכון דיכאה את הכוונה ללא פגיעה בשימושיות כיוון שהדאגות שלהם נצמדו לשימוש של התלמידים — רמאות ושלמות, ידע בסיסי וחשיבה מסדר-גבוה מוחלשים, הזיות, אינטראקציה אנושית מופחתת, וסיכונים אתיים, משפטיים ושוויון שוויוניים. התווית "frenemy" של המחברים תופסת את העמדה במדווק: GenAI מוערך ככלי תמיכה אך לא-מהימן כסוכן אוטונומי. התוצאה לתפקיד ההוראה היא שמורים רוצים להישאר הסוכן הקובע ולהתייחס לכל מקרה לגופו — תחום, צרכי תלמידים, סוג משימה, תזמון — כך שכלי ניצוח צריכים להיבנות סביב פיקוח אנושי ושיפוט ברמת-מקרה ולא סביב הבטחות אוטונומיה.
• הסמכות נשארת עם המורה; היכולת מתרחבת רק בתוכה. Reichert, Briceno, Tabarsi & Barnes (2026) נתנו לשישה מורים תיכוניים בכיתות 6-12 (לימודי חברה, מתמטיקה, מדע בעלי חיים, מדע, ומדעי המחשב ורובוטיקה) את משיבת אב-טיפוס-נייר של צ'אטבוט LLM לכיתה שלהם, ומצאו שכל אב-טיפוס קידד את אותה העמדה: המערכת הייתה מומחה מגודרת, מומחית אך מוגבלת לתחום מוגדר ובפיקוח המורה. מורים ציירו שתי גבולות. גבולות סמכות נבעו מאחריות מקצועית ומשפטית — שליטה במה שתלמידים לומדים וכיצד הם נשמרים לא ניתנת להאצלה, כך שפיקוח (יומני שיחה מלאים, התראות בזמן אמת לשאילתות בלתי-הולמות, ועקיפה ידנית) טופל כחובת התפקיד ולא כבדיקה על הכלי. גבולות מומחיות נבעו ממה שהמודל אינו יכול לדעת: היסטוריות תלמידים בודדים, דינמיקות כיתה, ונורמות מוסדיות. האצלה הוקצתה אז באופן סלקטיבי על פני הוראה — מורים קיבלו בברכה AI להציג תוכן, לספק בעיות תרגול, לפיגום, ולתת משוב משוב פורמטיבי, אבל שמרו על הודעת תלמידים במטרות והערכה הערכה סוכמת בעצמם. זה מספק להעדפת החצי-אוטונומיה המתועדת לעיל ארכיטקטורה קונקרטית: סמכותו של המורה היא האלמנט הקבוע ויכולת ה-AI גדלה רק בתוכה.
• מורים כדרגים טעוני-ערך. Luo & Dawson (2026) מראים שציונים של עבודה בסיוע GenAI אינם מעשה נייטרלי, מבוסס-קריטריונים אלא שיפוט ערך המונח בשערורית של המורים על מי התלמיד (יושר, השתדלות), במה הוא מסוגל (עצמאות, מיומנות GenAI, שליטה תחומית), כיצד הוא מתייחס לאחרים (אמון), ואם ההחלטה מובילה לתוצאות טובות (הוגנות, טובת-הנאה). מורים לרוב חסרים מודעות לכיווני הערך המרקעים את הציינים שלהם, ואלה משתנים לפי תחום (מדעי-הרוח יותר ביקורתיים על שימוש ב-GenAI; מדעים קשים/יישומיים פחות אתגרי ציינים) ולעמדה אפיסטמולוגית (אבסולוטיסטית/מגוונת/מעריכה). זה ממקם את המורה כמקצוען הערכה שהשיפוט שלו — לא רק שימוש בכלים — צריך תמיכה ושקיפות.
• המורה כשופט הסברים בעלי-משמעות פדגוגית. כיוון שהאמון של מורים בהמלצות AI עולה כאשר ההסברים ממוסגרים בשפת התכנית/הפדגוגיה שלהם ולא בעובדות גולמות של המודל, כלים אפקטיביים צריכים "לדבר" את התחום של המורה. בניסוי intra-subject, Feldman-Maggor ואח' (2025) מצאו שהסברים מונחי-תחום של כלי קיבוץ AI נאמנו ואושרו הרבה יותר מאלה מונחי-נתונים/חשיבות-תכונות, מה שממקם את אוצר המילים הפדגוגי של המורה כממשק שבו AI מרוויח אמון ושימוש — ואת שיפוטם האם הסבר הוא פדגוגית-סאונד כגורם קובע באימוץ.
• מנחה שהפונקציה שלו ניתנת להאצלה חלקית. Kuhail ואח' (2026) הובילו 32 תלמידי STEM להתווכח תחת מנחה אנושי, צ'אטבוט AI (GPT-4, עם פרומפטים להתנהגויות הצפויות מסגל: נייטרליות, זמן דיבור שווה, הוראות קצרות, אכיפת נושא, שאלות המשך, פיחות), או כל אחד בתורו, ומצאו הבדל מובהק אין באפקטיביות, הנאה, שביעות רצון, שימושיות, או כוונה לשימוש חוזר (t = 0.23 עד 1.30, p = 0.198 עד 0.818). המחברים קוראים את תוצאת ה-null כנורמליזציה של שיתוף פעולה אנושי-AI בדייון קשור-כללים, ולא כשוויון. המסלול לשימוש חוזר כן נבדל: תחת ניהול אנושי שביעות רצון הניעה כוונת שימוש, בעוד תחת ניהול AI שימושיות נתפסת כן (0.806 לעומת 0.495), כך שפעילות מנוהלת AI שורדת על שימושיות מוגשת ולא על כמה מהנה היא מרגישה. הקריאה המעשית היא ניהול AI כסיוע קנה-מידה לקורסים גדולים או קלים-סגל תחת פיקוח אנושי, עם שוויון לא-מאומת לסרקזם, שפה עקיפה, וסגנונות תקשורת מיעוט.
• קובע מטרות, לא רק מיומנויות. Fagerlund ואח' (2026) ריאיינו 13 מורים פינים מגן ילדים עד כיתה ט' על מדוע תלמידים צריכים ללמוד על AI ועם AI, וקראו את החשבונות שלהם דרך qualification, socialization ו-subjectification של Biesta. Qualification הייתה המטרה הברורה והקונקרטית ביותר, ומכסה AI כמטרת למידה וגם ככלי לה; socialization הופיעה כטיפוח עמדות חיוביות כלפי AI והכנת תלמידים כעובדי-עתיד מיומני-AI; subjectification, מעורבות עצמאית ואישית-משמעותית, אושרה כחשובה אך ללא אסטרטגיות הוראה קונקרטיות מאחוריה, ונחה על "דיון והגות." המחברים מציעים סוכנות AI מודעת, subjectification במרכז עם מיומנויות כיסודה, מה שנותן לתפקיד ההוראה חובת-קביעת-מטרה: הפיכת ה"מדוע" למפורש כדי שמיומנויות ירכשו הקשר ולא יעמדו כמטרות בעצמן, והשלמת מסגרות טכניות כמו ידע טכנולוגי-פדגוגי-תוכני (TPACK) בתשומת לב מתמשכת למטרה חינוכית.

התפקידים האלה מחברים עבודת מורה לקוגניציה מבוזרת, למידה מוצבת, למידה מגולמת, ופדגוגיה ביקורתית, ומסגרים מחדש את המורה כמעצב ומדריך אתי של למידה מתווכת AI ולא כמשתמש בלבד.

• החלטות נתמכות AI מתקבצות היכן שנתונים התנהגותיים זמינים. Köroğlu ואח' (2026) סקרו 27 מחקרים אמפיריים (2016–2025) וזיהו שמונה סוגי החלטת מרצה, ומצאו תמיכת AI ממוקדת בהחלטות הוראה, משוב והערכה בעוד שהחלטות תכנית לימודים, סביבת למידה, רגשיות, אתיות ואדמיניסטרטיביות היו נתמכות לעתים רחוקות. לוחות מחוונים של אנליטיקת למידה היו המערכת הנפוצה ביותר, מעבדים נתוני טקסט ויומן לאינדיקטורים התנהגותיים של ביצועים ומעורבות; נתונים בינה מלאכותית רב-מודאלית ומבוססי-אינטראקציה, מערכות סוכניות ותוצאות קוגניטיביות, מטאקוגניטיביות, מוטיבציוניות ואפקטיביות היו כולם יחסית-נדירים בקורפוס הנסקר. הקריאה המעשית למנחים היא שמרחב ההחלטה שכלי AI פותח מוגבל על ידי הנתונים שהוא מציג, כך שבחירת כלי היא גם בחירה אילו החלטות הוראה מקבלות משאבים.

כיצד מנחים צריכים להתאים את תרגולי ההוראה שלהם ל-AI

העדות של מאגר הידע מתכנסת לערכת התאמות קונקרטיות:

תכננו את העטיפה הפדגוגית של ה-AI, לא רק את הכלי. אותו AI מייצר רווחי למידה גדולים או נזק נטו לפי אופן תכנון הפעילות סביבו. Kibar & Ilgaz ועדות הרווחי למידה עקביות: תפקידו של המנחה הוא לתכנן את חוויית הלמידה, ולהתייחס ל-AI כרכיב בתוך פעילות מבנית ולא כמנוע התשובות. פיגמו ניסיון תלמיד קודם, ואז תנו ל-AI לאמן — זה ההבדל בין הערכה והשפעת ביצועים.

דרשו נקודת ביקורת בינה מלאכותית עם אדם בלולאה. במקר לקבל פלט AI כפי שהוא, לימדו תלמידים להעריך, לתקן ולקחת בעלות על עבודה בסיוע AI. אוריינות AI לשימוש הוגן ממסגרת זאת כאיזון בין הפרודוקטיביות של AI לבין שגשוג וקיום אנושיים ואמיתיים. תכננו משימות כך ש-AI יעזור בניסוח אך הלומד יישאר סוכן ההערכה והתיקון.

אצרו טיוטות משוב AI; אל תעבירו אותן כמו שהן. Chen ואח' (2026) נתנו ל-64 מורים קדם-שירותיים סיניים משוב בסיוע ChatGPT על כתיבה טוענית ומצאו שהתייחסות לפלט כחומר טיוטה ולא כהערה מוגמרת הזיזה חשיבה ביקורתית היכן שמשוב של מורה בלבד לא (Cohen's d של 3.74 במבחן שאחרי לעומת 0.25 בטרום-מבחן, p < .001). מה שהמורים עשו עם הטיוטה הוא החלק הניתן להעברה: הם העתיקו תוכן מתאים ברמה דומה לשלהם (28%), הרחיבו אותו עם קלט עמוק יותר (16%), סיפקו אותו (16%), תיקנו אותו (14%), או זרקו אותו לחלוטין (14%), עם עוד 9% שדרש תיקון. המשוב בסיוע נטה להדמיה (הדגמה, 33.1% לעומת 10.9%) ולחקירה (שאל-מקורב, 21.5% לעומת 6.0%), ותלמידים תיקנו אותו לכיוון ניתוח, הערכה ויצירה ולא הכרה, אבל שישה מתוך שמונה ריאיונויים עדיין דיווחו על חוסר דיוק וחוסר מקצועיות. שלב האימות של המורה הוא מה שהופך את ההיברידי לבטוח.

התאימו את ההערכה לעידן ה-AI. עברו ממשימות ש-LLMs יכולות להשלים מילה-במילה להערכות אותנטיות, מבוססות-תהליך ובאופן אישי. סולמות הערכה נותנים למנחים רובריק להחלטה כמה סיוע AI לגיטימי בכל שלב, ועדות מטא-אנליטית מראה ש-AI יכול לתמוך בחשיבה מסדר-גבוה כאשר תכנון ההערכה דורש זאת.

הגנו על התנאים ללמידה עמידה. כיוון שתשובות AI הופכות למידה לקלה במראה, מנחים חייבים לתכנן כדי להתמודד עם פער הביצועים-למידה. Lodge & Loble מזהירים שהצלחה קלה עם AI עלולה להסתיר את היעדר הלמידה; מנחים צריכים לבנות מאבק פרודוקטיבי, לדרוש הדגמה בלתי-מסוייעת של שליטה, ולהתייחס לתשובות בסיוע AI כנקודת התחלה ולא כתוצאה הסופית.

תכננו עבור אמצעי המסירה. התאמה אינה ניטרלית לאמצעי: הוראה מקוונת עם AI מכפילה הן את ההזדמנויות (התאמה אישית בקנה-מידה, תמיכה זמינה תמיד) והן את הסיכונים (שלמות, פריקת-עומס). תכננו את עטיפת ה-AI במודע במהלך-מקוון כמו בהקשרים פנים-אל-פנים.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

שילוב אוריינות AI בהוראה

אוריינות AI אינה מודול נפרד — היא מולכת באופן שבו מנחים מתכננים כל קורס. גישות אפקטיביות כוללות:

• הדמיית אוריינות AI בתרגול. מורים שמשתמשים, מעריכים ומבקרים AI בעצמם קובעים את הנורמה לתלמידים. רציפות אורייות AI מתארות את ההתקדמות משוטטות כלים להערכה ביקורתית שמנחים צריכים לפיגום.
• לימדו הערכה וכיול, לא רק שימוש. תלמידים צריכים לדעת מתי AI אמין ומתי הוא מהלל — חשיבה ביקורתית על פלטי חשיבה ביקורתית AI היא אוריינות ליבה. זה מתחבר לשימוש אחראי ולאופן מסגור שימוש AI לתלמידים.
• בנו נורמות שימוש AI יחד עם התלמידים. גישות עקרוניות לחינוך AI ופרומפטים שנכתבו על ידי מורים מראים שציפיות מפורשות, מתוכננות-משותף עובדות טוב יותר מכללים עונשיים.

הבטחת שלמות אקדמית בעידן ה-AI

שלמות אקדמית עם AI היא בעיה של תכנון, לא בעיה של אכיפה. מנחים מתאימים על ידי:

• מסגור מחדש של שלמות סביב תהלוק וקיום. במקר זיהוי, הדגישו יושרה אקדמית כשימוש שקוף ומתועד. מחקר על AI סוטני ותלמידי-רוח מראה שסיכון השלמות משתנה כאשר תלמידים מפריסים סוכני AI מטעמם, כך שמנחים חייבים להגדיר מה קיום פירושו כאשר ה"רוח" היא AI.
• שימוש בחשיפה ובמסגור. אופן מסגור שימוש AI לתלמידים — האם כקב או ככלי לגיטימי — מהדס האם הם יחשיפו אותו. נורמות שקיפות (למשל, חשיפת שימוש AI) מפחיתות את התמריץ להסתיר שימוש AI.
• תכנון החוצה של התמריץ לרמאות. הערכות אותנטיות, מבוססות-תהליך ובאופן אישי (בחינות בעל-פה, תיקים, פתרון בעיות פתרון-בעיות נצפה) הופכות יצוא פחות אטרקטיביות מכלי זיהוי AI. סולמות הערכה והערכה אותנטית הם החלופה הבנאית למרוצי-התחמשות של זיהוי.
• רגולציה של בינה מלאכותית בחינוך ברמת-משימה היא אופן שבו מנחים שולטים בפועל ב-AI. מחקר של Chirikov (2026) על למעלה מ-31,000 סילבוסים של קורסים מראה מנחים פועלים יותר ויותר כרגולטורים ברמת-משימה ולא מיישמים כללים כלליים: הם מגבילים AI לניסוח/תיקון (79% מהקורסים) ולהנמקה/פתרון-בעיות (65%), מתירים אותו לעריכה/הגהה (83%) ולתמיכת לימודים (80%), ומשאירים חקר/תכנון שנוי במחלוקת ביותר (46% מתירים / 54% מגבילים). ההבחנה הזו — הבנויה על אילו משימות AI דוחק ואילו מגדיל — היא חלופה קונקרטית, מונחית-מנחה למדיניות אימוץ-או-איסור, ונותנת לתפקיד-המורה מקום מרכזי במדיניות.

חיבור הוראה לתכנון למידה

הוראה ועיצוב למידה הן שני צדדים של אותו מטבע — שיפוטי היומיום של המנחה הם הביצוע החי של חוויית הלמידה המתוכננת. AI מחזק את החיבור הזה:

• מורים כמעצבי למידה. LearnAI ותכנון פרומפטים שנכתבו על ידי מורים מראים מנחים הפועלים כמעצבים: ציון הפעילות, תפקיד ה-AI, והפיגומים שמבנים למידה. זה עיצוב למידה בפעולה בנקודת השימוש.
• עקרונות תכנון-למידה שולטים בפדגוגיית AI. אותם עקרונות עיצוב למידה — מטרות ברורות, הערכה מיושרת, פיגום, ומשוב — קובעים אם AI עוזר או פוגע. ISD-Agent-Bench מאמת אמפירית שעיגון תכנון AI במודלים פורמליים של תכנון הוראה גובר על פרומפטים בלתי-תיאורטיים.
• תכננו לניצוח של המורה. סביבות למידה AI אפקטיביות מתוכננות כשהמורה בראש — הכלים שAI ממוקד-אדם מספקים צריכים להפחית עומס מורה ולהגביר שיפוט, לא להוסיף קופסה שחורה אטומה נוספת. כאשר מנחים מתכננים-משותף פעילויות למידה AI (נקודות מבט של תורת פעילות), אימוץ ואיכות משתפרים שניהם.

קשר לזהות הלומד

תפקיד המורה וזהות הלומד הם פנים הדדיות של אותו תהליך אנושי, ו-AI מהדס את שניהם.

• זהות המורה היא זהות מקצועית; זהות הלומד היא זהות למידה. עמוד תפקיד-המורה מתעד כיצד AI מהדס את העבודה, הזהות והסוכנות של מחנכים — ההבנה-העצמית המקצועית המתפתחת שלהם (ראו מסגור Laidlaw של GenAI כמשבר זהות). זהות הלומד היא המבנה המקביל לתלמידים: מי הם ונעשים כלומדים, במונחים של תחום, מקצוע, יצירתיות ואקדמיות.
• הן קשורים סיבתית. מורים שחווים שיבוש זהות (אי-ודאות לגבי מטרתם המקצועית בתוך GenAI) פחות מסוגלים לתמוך בפיתוח הזהות של תלמידיהם — מורה שמספק בתפקידו מתקשה לאמת את תחושת-העצם המתפתחת של תלמידים בתחום הזהה. ולחילופין, מורים שמקיימים זהות מקצועית בטוחה ממוקמים טוב יותר לפיגום שייכות וקיום של תלמידים.
• מצבי כשל מובדלים. זהות המורה מאוימת על ידי מיושנות תפקיד ומטרה (שאלת "מה הטעם בהוראה?"). זהות הלומד מאוימת על ידי אובדן קיום ומיומנות (שאלת "האם זה באמת שלי / האם אני טוב מספיק?"). שתיהן תגובות ברמת-זהות (לא רק ברמת-כישורים) ל-AI.
• שתיהן דאגות פדגוגיות של התפתחות מקצועית. תמיכה בזהות המורה שייכת לפיתוח חינוכי ולכושר AI של המורה; תמיכה בזהות הלומד שייכת לחוויית הסטודנט, הערכה אותנטית, ולסוכנות הלומד. מערכת AI משולבת מעוצבת היטב מתייחסת לשתיהן — כיוון שזהותו של המורה היא התנאי שבתוכו זהויות הלומדים מתעצבות.

תכנון משותף של אורייות AI מוקדמת עם מורים

• תכנון משותף של מורים באורייות AI מוקדמת. Lee (2026) מראה ששני מורי גן-ילדים ושני מורייי גן שתוכננו משותף את תכנית Play With AI (PL-AI) חוו צמיחה משמעותית בביטחון ובסוכנות פדגוגית, עם תכנון-משותף מטפח בעלות על התכנית, תרגול מהגה, והתאמה משמעותית. זה ממקם מורים כמעצבי-תכנית-משותפים מרכזיים — לא רק מיישמים — של תכניות אורייות AI מותאמות-התפתחותית, מודל עם השלכות להכנת מורים בגיל הרך חינוך AI.

מורים מתכננים-משותף משאבי למידה AI

• תפקיד המורה מתרחב לתכנון משותף של משאבי למידה AI: סימולציות שתוכננו משותף מורה-AI להוראת STEM ברימונים שמרו על פלט GenAI פדגוגית-תקין וקונטקסטואלית-רלוונטי, ומורים הם המוטבים המיועדים של סולמות אורייות AI של מורים. שילוב GenAI אפקטיבי תלוי יותר ויותר במעורבות מורים בתכנון.

מערכות הגיה AI צריכות להסתדר לניסיון המורה

• אנליטיקת הגיה מול-מורה צריכה להיות מותאמת-מומחיות, לא אחידה לכולם. סקר של 100 מורים אמריקאיים K–12 (פיצול חציון בתשע שנים; מבחנים בינומיאליים; 15% הבדלי בחירה ניתנים לזיהוי ב-~83% עוצמה) מצא פיצולי העדפה שיטתיים. מורים פחות מנוסים מציינים חוסר זמן להגיה כמכשול מוביל בשלושת-כפל השיעור לעומת מנוסים (37% לעומת 12%, p < .001) ורוצים אנליטיקה על חוסר-מעורבות תלמידים (48% לעומת 33%, p = .028) ועל רגשות (31% לעומת 18%, p = .036).
• כלל התכנון שנגזר מהפיצול הוא מצבי המלצה מותאמי-ניסיון. מורים מנוסים רוצים אנליטיקה על למידה משופרת לאחר עזרה לתלמיד (40% לעומת 26%, p = .019) ועל שיטות ההוראה שלהם (42% לעומת 26%, p = .012); המכשול המוביל שלהם הוא מעקב ביצועים (28% לעומת 15%, p = .009). כלל תכנון: מצב מתחיל = פרומפטים מבניים ואנליטיקת מעורבות; מצב מומחה = ניתוח אורכי גמיש — טיעון ישיר נגד לוחות מחוונים אחידים. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

מושגים מחוברים

• שיתופי פעולה פדגוגיים — שותפויות פדגוגיות
• זהות הלומד — זהויות לומד מתפתחות בתחום, מקצוע, יצירתיות ואקדמיות
• חינוך עסקי
• פיתוח חינוכי
• כושר AI של המורה
• אוריינות AI
• חינוך גן ותיכון (K-12)
• השכלה גבוהה
• פיגום
• עיצוב למידה
• חונך אינטליגנטי
• מודלי שפה גדולים (LLM)
• למידה במקום העבודה
• קוגניציה מבוזרת
• למידה מוצבת
• פדגוגיה ביקורתית
• הכשרת מורים
• מדעי הלמידה
• יושרה אקדמית
• פדגוגיות ואסטרטגיות הוראה — מטרייה: פדגוגיות ואסטרטגיות הוראה בחינוך AI
• בעלי עניין — מטרייה: אנשים וקהלים בחינוך AI (לומדים, מורים, מתכננים, מנהלים, יוצרי מדיניות)

מאמרים מחוברים

• Navigating AI's educational future: expert scenarios and implications for teaching and teacher preparation — הפרדוקס האנושי-יתר: תרחישי מומחים ל-2030 מוצאים רווית AI מגבירה ולא דוחקת עבודה פדגוגית אנושית (Malyn-Smith ואח' 2026)
• Exploring Teachers' Instrumental Orchestration and Roles in High School Mathematics Classes Using AI-Based Digital Tools — שיעורי מתמטיקה תיכונית נצפו מרחיבים ניצוח אינסטרומנטלי בשלושת סוגים חדשים (Noh & Kim 2026)
• Responding to AI-generated emotional alerts: teachers' intervention and students' engagement in the mathematics classroom — תגובה להתראות רגשיות מיוצרות AI: התערבות מורים ומעורבות תלמידים בכיתת המתמטיקה
• Edustories: A Collection of Real-world Case Studies from Classroom Practices — Edustories: אוסף מקרי בוחן מעולם-האמת מתרגולי כיתה
• Human-Centered Design of LLM-Powered Educational Chatbots: A Study with Secondary Teachers — מורים מתכננים צ'אטבוטים לכיתה כמומחים מגודרים ושומרים סמכות
• GenAI as a Frenemy in Teaching: Perceived Autonomy and Risks — GenAI כ"frenemy": מורים מעדיפים חצי-אוטונומיה, שימושיות מניעה אימוץ, סלידת סיכון מכוונת לשימוש התלמידים (Dai ואח' 2026)
• AI-Supported Lecturer Decision-Making in Higher Education: A Socio-Technical Perspective — החלטת מרצה נתמכת AI בהשכלה גבוהה
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — כיצד מנחים רגולט AI ב-31,000 סילבוסים של קורסים; רגולציה ברמת-משימה (Chirikov 2026)
• AI Teaching Innovation Behavior Among College Teachers: A Structural Equation Modeling Analysis Based on the AI-TPACK Framework, Teaching Self-Efficacy, Professional Identity, and AI Literacy — התנהגות חדשנות הוראה AI בקרב מורי מכללות (AI-TPACK SEM; Bai & Hsieh 2026)
• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence
• Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing
• How AI Is Changing Teaching Workflows
• Teacher-Authored Prompts for Configuring Student-AI Dialogue: K-12 Classroom Implementation
• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI כמשבר זהות, לא כפער כישורים
• Artificial intelligence, cognitive offloading and implications for education — AI, פריקת-עומס קוגניטיבי והשלכות לחינוך (Lodge & Loble 2026)
• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — AI ותרגול תכנון הוראה: סקירה שיטתית (Kibar & Ilgaz 2026)
• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — האם AI יכול לספק תמיכה מתאימה לפרופילי תלמידים מגוונים? הערכה בקנה-מידה גדול
• The Devil is in the Details: AI Agents, Ghost Students, and the Crisis of Verified Presence in an Agentic AI World — תלמידי-רוח ו-AI סוטני בהערכה
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — תכנון משותף מורה-AI של משימות למידה: מגמות ונקודות מבט (Wang ואח' 2026)
• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — חוויות ותפיסות מורים באוניברסיטה על GAI: פגיעות, חשיבה מחדש על הערכה, למידת תלמידים בסיכון (Farazouli ואח' 2026)
• Exploring value judgements in grading: will teachers mark down student work assisted by GenAI, and should they? — שיפוטי ערך בציונים של עבודה בסיוע GenAI: יושר, אמון, תקפות, ושקיפות דו-כיוונית (Luo & Dawson 2026)
• Making machine learning findings accessible to teachers in blended classrooms — הפיכת ממצאי ML לנגישים למורים בכיתות משולבות
• A Systematic Review of Language Educators' Practices and Development with GenAI — תרגולים והתפתחות של מחנכי שפה עם GenAI
• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations
• Suitability of Artificial Intelligence Supported Lesson Plans from the Perspective of Science Education Experts
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• ‘Resistance is futile?’: identity tensions and principled selectivity in AI-integrated teaching — מתחי זהות וסלקטיביות עקרונית בהוראה המשולבת AI (Adiozaman & Segar 2026)
• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — התערבות מורה בהוראה מבוססת-AI K-12: סקירה שיטתית
• Beyond the algorithm: academic developers as digital mediators in Global South higher education — מפתחים אקדמיים כמתווכים דיגיטליים: קונפיגורציה מחדש של תפקיד, עבודה אפקטיבית ושיפוט ב-HDIs דרום-אפריקאיים
• Where Artificial Intelligence Enters Teacher Work — היכן בינה מלאכותית נכנסת לעבודת המורה
• AIED unplugged, teacher workload, and numeracy learning: a clustered quasi-experimental mixed-methods study — AIED unplugged: המורה כפרוקסי בין לומדים ל-AI, קוואזי-ניסוי 19-כיתות שבו אימון והפחתת מאמץ עקיפה מניעים רווחים (Rodrigues ואח' 2026)
• Instructional Governance by Design: A Framework for AI in Computing Education — Instructional Governance by Design: A Framework for AI in Computing Education
• Will It Teach as Intended? How Teachers Configure Educational AI Chatbots — האם זה ילמד כמתוכנן? כיצד מורים מגדירים צ'אטבוטים חינוכיים AI
• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — תיווך מורה במתמטיקה: חמש פרקטיקות תיווך ביקורתיות, הזזת סמכות, והפער האלגוריתמי חינמי-לעומת-פרמיום
• Teacher Readiness-By-Design for AI-Rich Interactive Learning — נכונות מורה-בתכנון: נכונות כיכולת תכנון, לא כאימוץ או ביטחון (Charles 2026)
• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — משוב מורה בסיוע ChatGPT: מורים מאצרים טיוטות AI במקר להעביר אותן
• From Competency to Agency: Teachers' Views of the Purposes of AI Education — ממיומנות לסוכנות: תפיסות המורים על מטרות חינוך AI
• The Great Debaters Meet the Great Facilitators: How Debate Students Evaluate Human Moderators and Their AI Counterparts — מנחי דיונים אנושיים לעומת AI: דירוגים שוויוניים, מסלולי שימוש-חוזר שונים
• Mapping Research on Generative Artificial Intelligence for Programming Education: A Systematic Review — GenAI בחינוך תכנות: סקירה שיטתית שבה תפקידי המרצה נחקרים פחות
• From information providers to learning designers: heutagogical teaching practices in AI-enhanced education — מספקי מידע למעצבי למידה: תרגולי הוראה היויטגוגיים בחינוך מוגבר AI
• How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment — How Expertise Levels Shape Preferences and Reflection Needs: Towards AI Reflection Systems for Teacher Empowerment (Falhs ואח' 2025)
• A Conversational AI Framework for Teacher Training — אבחון שיחה AI לתפיסות-הוראה מוטעות עם דיאלוג מונחה-ראיות (Miranda & Calvani 2026)