ידע טכנולוגי-פדגוגי-תוכני (TPACK)

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

ידע טכנולוגי-פדגוגי-תוכני (TPACK) — המסגרת (Mishra & Koehler, 2006) המתארת את הידע המשולב שהמורים זקוקים לו כדי להשתמש בטכנולוגיה ביעילות בהוראה: ההשפעה ההדדית של ידע טכנולוגי (TK), ידע פדגוגי (PK), וידע תוכני (CK), ואת הצמתים ביניהם. בעידן הבינה המלאכותית, TPACK הורחב לAI-TPACK / GenAI-TPACK, ומדגים כיצד מורים משלבים בינה מלאכותית יוצרת בהוראה בתחום-תוכן. זו העדשה התיאורטית הדומיננטית להבנת האופן שבו כשירות המורה בבינה המלאכותית מבוּנת ונבנית דרך פיתוח מקצועי.

דומיננטיות זו היא גם חלקית תוצאת אחזור: בסקירת היקף PRISMA של 195 מחקרי הכשרת מורים נתמכת-טכנולוגיה, מיומנות דיגיטלית, TPACK ו-DigCompEdu היו מתארי חיפוש מפורשים, ולכן ה-46.5% מסגמות המיומנות מתארים את הקורפוס שנאחז ולא את התחום (Patiño Hernández et al. (2026)).

שאלות למחשבה

• TPACK טוענת שהוראה יעילה עם טכנולוגיה אינה סכום של מיומנויות נפרדות (ידיעת התחום שלך + ידיעת ההוראה + ידיעת הכלי) אלא תוצר ההשפעה ההדדית ביניהם. חשבו על שיעון שעבד באמת עם טכנולוגיה. אילו שילובים של ידע תוכני, פדגוגי וטכנולוגי — ולא אף אחד מהם לבדו — נראו כעושים את העבודה?
• הנחה נפוצה היא שמורה "טכנולוגי" הוא איפוא מוכן ללמד עם בינה מלאכותית. היכן עשויה הנחה להיכשל — למשל, כאשר מורה בעל-שליטה טכנית עדיין משתמש בבינה מלאכותית באופן פדגוגית רדוד או בלתי-מדויק בתוכן? איך תיראה "כשירות" שמבחן כישורי-טכנולוגיה פשוט מפספס?
• עידן הבינה המלאכותית ממסגר מחדש את הטכנולוגיה ב-TPACK מכלי פסיבי לסוכן פעיל שיכול לתכנן, להפיק ולחנך. אם תפקידו של המורה משתנה מהפעלת כלי לתזמור בינה מלאכותית הפועלת מעצמה, איזה ידע חדש הדורש — והאם רשימת בדיקה סטטית כלשהי מסוגלת לתפוס אותו?
• העמוד מציע שפיתוח מקצועי צריך לאמן את הצמתים, לא רק את הכלים. חשבו על אימון הטכנולוגיה האחרון אליו נכנסתם או שתוכננתם. האם זה היה בעיקר "כיצד להשתמש בתוכנה", או האם הוא בנה תוכן ופדגוגיה יחד עם הטכנולוגיה? איזו גישה הייתם מצפים שתשנה את פרקטיקת הכיתה יותר, ומדוע?
• מחקר מצא "ארכיטיפים שונים של מורים" — מייעלים, יוצרים, צופים פסיביים — נהנים מסוגי תמיכה שונים. לאיזה ארכיטיפ אתם דומים ביותר בעת שימוש בבינה מלאכותית בהוראה, ואיזה סוג של פיגום אתם חושבים יעזור לכם ביותר? האם הלומדים שלכם יתארו אתכם באותה דרך שבה אתם עושים זאת?
• כמה חוקרים טוענים שיִשום יעיל של בינה מלאכותית צומח מאמונותיו של המורה ומתחושת המסוגלות שלו, ולא רק מהידע שלו. מה אתם מאמינים לגבי תפקידה של בינה מלאכותית בלמידה, וכיצד עשויה אמונה זו — יותר מכישור הטכני שלכם — לעצב אם וכיצד תשתמשו בה בפועל?

מבוא

• Crompton et al. DBR מפעיל הנחיות אינטגרציית טכנולוגיה של סגל המרחיבות את מסגרת TPACK אל פרקטיקה מוסדית.

המסגרת

TPACK מחזיקה שיִשום יעיל של טכנולוגיה אינו סכום של תחומי ידע נפרדים אלא תוצר ההשפעה ההדדית הדינמית ביניהם. המסגרת מורכבת משלושת תחומי היסוד וארבעה צמתים:

• ידע תוכני (CK) — ידע בחומר הנושא שיורשה.
• ידע פדגוגי (PK) — ידע בשיטות הוראה, באסטרטגיות ובאופן שבו סטודנטים לומדים.
• ידע טכנולוגי (TK) — ידע בשימוש בכלים וטכנולוגיות, כולל בינה מלאכותית יוצרת.
• ידע פדגוגי-תוכני (PCK) — כיצד ללמד תוכן ספציפי ביעילות.
• ידע טכנולוגי-תוכני (TCK) — כיצד טכנולוגיה מעצבת ומייצגת תוכן.
• ידע טכנולוגי-פדגוגי (TPK) — כיצד טכנולוגיה תומכת או מגבילה אסטרטגיות הוראה.
• TPACK — הידע המשולב, המתעורר במרכז, שבו שלושת התחומים מתמקמים זה עם זה כדי לאפשר הוראה תוכן-ספציפית מוגברת-טכנולוגיה.

AI-TPACK ו-GenAI-TPACK

עידן הבינה מלאכותית דחף את המסגרת לקריאה של טכנולוגיה-בעלת-אינטליגנציה. במקום כלי פסיבי, בינה מלאכותית יוצרת היא סוכן פעיל שיכול לתכנן, להפיק תוכן, לחנך ולהסתגל — ולכן ידע היִשום כולל יותר ויותר תזמור: החלטה מתי וכיצד בינה מלאכותית פועלת, מבצעת פיגום או נכנעת לשיפוט אנושי.

• מעבר לידע דיסקרטי. מחקר הAI-TPACK טוען שיִשום יעיל של בינה מלאכותית צומח לא מהחזקת תחומים נפרדים אלא מההשפעה ההדדית הדינמית של חשיבה מערכתית, אמונות פדגוגיות ו**מסוגלות עצמית** — מאתגר מודלים סטטיים מבוססי-רשימת-בדיקה של כשירות מורה בבינה מלאכותית. ארכיטיפים של מורים (מייעלים שיטתיים, יוצרים פוריים, צופים פסיביים) מתעוררים מן האופן שבו מורים מעצבים זרימות עבודה הוראה מרובות-סוכנים.
• מה מסגרות היִשום מחסירות. ביקורת של סוכנות-משותפת מחזיקה ש-TPACK ו-SAMR מתייחסות לידיעת המורים ולרמות אימוץ אך משאירות כוח, בעלות נתונים ואחריות לא-מטופלות, ולכן ידע היִשום זקוק לגבול אתי מפורש ולא לתחום ידע נוסף (Poudyal (2026)).
• ראיה חוצת-רמות לליבה הפדגוגית. מחקר רב-רמות של 46 מורים ו-2,832 סטודנטים תיכוניים מצא שידע טכני בבינה מלאכותית בלבדו לא הספיק — ואף הדהד קלות לתפיסות הסטודנטים אודות בינה מלאכותית לטובת החברה — בעוד שידע בינה מלאכותית פדגוגי (TPAIK) הוא שטיפח את תפיסות הסטודנטים ואת הכוונה ההתנהגותית ללמוד בינה מלאכותית. התוצאה מתומצתת להנחיה "פדגוגיה ראשונה, טכנולוגיה שניה" שמהדהדה את ממצאי תפקיד-הגישור שלעיל.
• אתיקה כמגשרת אינטגרטיבית, לא כגבול. בסקר של 454 מורי אוניברסיטה, ידע טכנולוגי-בינה-מלאכותית מבודד היה בעל קשר ישיר שלילי עם AI-TPACK משולב (β = −0.303) בעוד שההשפעה הכוללת שלו נשארה חיובית (β = 0.639), רצה דרך ידע פדגוגי, תוכני ואתי (Chen et al. (2026)). ידע אתי העביר גם את ההשפעה הלאה, וניבא הן ידע פדגוגי (β = 0.353) והן ידע תוכני (β = 0.269).
• עדשת סקירה לכל התחום. סקירה שיטתית מזווית TPACK (Liu & Zhong, 2025) ניתחה 71 מחקרים אמפיריים של GenAI בלמידת סטודנטים, ומצאה השפעה כוללת חיובית (Hedges' g = 0.752) וזיהתה אוריינות GenAI לסטודנטים ופיתוח מקצועי של GenAI-TPACK למורים כשני העדיפויות הקריטיות של התחום.
• מיומנות בלבדה אינה מחיזת יִשום פדגוגי. Choi et al. (2026) מדדו Intelligent-TPACK של מורים כדי לפלח משתתפים, ותצפו שמתחילים מיומנים-בינה-מלאכותית הסתמכו פסיבית על פלט AI במהלך עיצוב השיעון, בעוד מורים מנוסים — עם AI-TPACK מדוד נמוך יותר — התערבו מחדש באופן ביקורתי והסתגלו הצעות AI להקשר פדגוגי. התוצאה מחזקת את הדפוס שלעיל: AI-TPACK עובר לשימוש כיתתי נשמע דרך שיפוט פדגוגי מנוסה, ולכן תמיכת ההכשרת המורים חייבת להתמקד ביישום של ידע בינה מלאכותית, לא בחזקתו בלבד.
• הקשר של הכשרת מורים. TPACK הוא חיוני בטיפוח כשירות המורים ליישם טכנולוגיה בהוראה תוכנית-לימודים-ספציפית, ולכן מחקר הכשרת מורים ופיתוח מקצועי (למשל, תוכניות פיתוח מקצועי GenAI אינטנסיביות, מוכנות AI-TPACK בקרב מורים טרום-שירותיים) מודדים אותה יותר ויותר כתוצאת העניין.
• ידע פדגוגי מגשר יִשום של GenAI. Mohebi and ElSayary (2026) סקרו 325 מורים תוך-שירותיים ב-26 מדינות וריאיינו שבעה, תוך שימוש בעיצוב שיטות מעורבות הסברי-רציף כדי למדל TPACK-GenAI. ידע טכנולוגי (TK), ידע פדגוגי (PK), וידע פדגוגי-תוכני (PCK) כל אחד קושר ל-TPACK-GenAI הכולל, אך ידע טכנולוגי-פדגוגי (TPK) גישר את הקשרים האלה — ראיה שמהלכו של "ממיומנות לפדגוגיה" חשוב: תרגום מיומנות GenAI לשימוש כיתתי נשמע רץ דרך ידע אינטגרציה פדגוגי-טכנולוגי, לא דרך היכרות עם הכלים בלבד.
• בהשכלה גבוהה, מומחיות תוכני אינה עוברת ליִשום של GenAI. Sutedjo, Chowdhury & Liu (2026) התאימו את מכשיר הTPACK-21 כדי לסקור 127 חברי סגל באוניברסיטת מחקר אמריקאית על שימוש ב-GenAI להוראת מיומנויות המאה ה-21. הסגל דיווח CK חזק (M = 5.15) ו-PCK (M = 4.70) אך ידע טכנולוגי-משולב נמוך — TPK (M = 2.62), TCK (M = 2.75), ו-TPACK כולל (M = 2.55, התחום הנמוך ביותר) — ו-CK הראה אין קשר מובהק עם TK או עם אף תחום טכנולוגי-משולב (r = .11–.15, ns). שלושת התחומים הטכנולוגיים-משולבים התואמו זה עם זה בחוזק רב כל כך (r = .81–.91) עד שהם עשויים לתפקד כגורר יִשום-GenAI בודד. התוצאה מחזקת את עיקרון העיצוב של אימון הצמתים: פיתוח סגל חייב לבנות בכוונה ידע יִשום-GenAI דרך פעילויות תחום-ספציפיות ולא להניח שמומחיות בתחום-המאמר תעבור, ולהתייחס לתחומים הטכנולוגיים-משולבים כיסוד משותף של אוריינות GenAI.
• מצב מוסדי ורמת אימון מתמקמים זה עם זה. Mnguni et al. (2026) השוו 186 סטודנטים למדעי שנה אחרונה בקמפוס אוניברסיטה דרום-אפריקאית (n = 85) ובאוניברסיטה של חינוך מרחוק (n = 97). TPACK שדווח-עצמית היה גבוה יותר בקמפוס (64.0% אל מול 47.4%), ידע פדגוגי היה התחום המדווח-בפחות בשתי הקבוצות (53% בקמפוס), ורמת האימון בבינה מלאכותית הייתה קשורה ל-TPACK שדווח-עצמית רק במוסד המרוחק, שבו השלמת קורס קצר בן חמש נקודות-זיכוי חזה TPACK מדווח חלש יותר מאף אימון כלל (p = .039, אל מול p = .607 בקמפוס). המוכנות עוקבת איפוא אחר הקשר האספקה המוסדית ולא אחר שעות אימון בלבד, והמחברים מזהירים שמוכנות שדווחה-עצמית אינה יכולה לעמוד במקום ראית ביצוע.

אזהרת מדידה משלימה מגיעה ממודל היכולת–החלטה של אותו מחבר: כאשר TPACK מדווח-עצמית ובקרה התנהגותית נתפסת נמדדת כמסוגלות עצמית, השניים עלולים לא להיות נבדלים באופן אמפירי, ולכן מחקר אינו יכול לקבוע אם יכולת או ביטחון כללי חוזה כוונה (Mnguni (2026)).

• TPACK משולץ זז ביותר כאשר בינה מלאכותית מפוגמת בתוך משימות בעיות אותנטיות. Chen and Osman (2026) השוו מודול CTD-PBL נתמך-בינה-מלאכותית בן שמונה שבועות עם הוראה קונבנציונלית עבור 130 מורי פיזיקה טרום-שירותיים בשנה שלישית בעיצוב קוואלי-ניסויי של כיתה שלמה (65 לכל תנאי), עם קבוצות המשתמשות ב-DeepSeek דרך תבניות הנחיה ספציפיות-משימה, וכל פלט AI נדרש לעבור אימות אנושי לפני כניסתו לחפץ הוראה. קבוצת המודול דיווחה TPACK עוקב-בחינה גבוה יותר (M = 4.04 אל מול 3.40, p < 0.001, d = 1.02) ופתרון בעיות שיתופי נתפס גבוה יותר (M = 3.62 אל מול 3.05, d = 0.88), עם אינטראקציות קבוצה × זמן מובהקות בשתי התוצאות. היכן שערכי הרווח נחתו הוא הפורט ה-TPACK-רלוונטי: ההשפעות הממדיות הגדולות ביותר היו בתחומים המשולבים — TPCK (d = 1.21), PCK (d = 1.06) ו-TPK (d = 0.95) — ורווחי השיתוף הפעולה היו הברורים בבניית ידע משותפת ובסדרה חברתית, כלומר בצמתים ולא בתחומי היסוד. המחברים מציגים את אלה כשינוי דיפרנציאלי המשויך לתנאי הוראה משולב, לא כהשפעת בינה מלאכותית: בינה מלאכותית לא בודדה אי-פעם משרשרת משימות ה-PBL, מהשיתוף המובנה, מפיגום המדריך, ממשוב עמיתים או מהעריכה מחדש רפלקטיבית, ושתי התוצאות היו תפיסות מיומנות מבוססות-שאלון ולא ביצוע כיתתי מוגשם.
• התערבות יכולה להזיז את תחום היסוד תחילה. תוכנית פיתוח מקצועי בת שישה חודשים שנבנתה ישירות על מסגרת ה-Intelligent-TPACK הגדילה ידע טכני בבינה מלאכותית ביותר (AITK: 3.92 ל-4.43, t(63) = 3.856, p < .001, d = .48), ידע טכנולוגי-פדגוגי לשניה (AITPK: d = .33) ו-AITPACK משולב בפחות (d = .26), עם מודעות אתית שנשארה יחסית קפואה (Tan, Cheng & Ling, 2025). הסדר הוא המראה ההפוך לרווחי התחומים המשולבים של Chen and Osman, ושניהם דיווח-עצמי.

AI-TPACK כמגשר בין אוריינות ליִשום כיתתי. מודל משוואה מבנית של מורי מדע טרם-שירותיים סינים (Zou, Li, Wang & Du, 2026) ממקם את AI-TPACK לא ככשירות מקבילה אלא כמוסד ההעברה שבו אוריינות בינה מלאכותית כללית הופכת לפרקטיקת הוראה. אוריינות בינה מלאכותית חזה AI-TPACK בחוזק, AI-TPACK בתורו חזה מסוגלות עצמית בהוראת מדעים (יעילות עצמית), ומסוגלות ההוראה הייתה החוזה הבודד החזק ביותר של הכוונה ללמד דרך חקר משולב-בינה-מלאכותית.

השרשרת הרציפה המלאה (אוריינות בינה מלאכותית → AI-TPACK → מסוגלות עצמית → כוונה) הייתה מובהקת, כמו גם המסלולים העקיפים הנפרדים דרך AI-TPACK ודרך מסוגלות עצמית; בצירופן, רוב הקשר של אוריינות בינה מלאכותית עם הכוונה רץ דרך הגישרים האלה ולא ישירות, והתוצאה נשמרה לאחר שליטה במגדר, בשנת הלמידים, בתאור המשנה ובתדירות השימוש בבינה מלאכותית. הטענה המעשית של המודל היא רצף עם נקודת כניסה: אוריינות בינה מלאכותית היא הכרחית אך אינה מספיקה, והעבודה של היִשום מתרחשת היכן שידע טכנולוגי, פדגוגי ותוכני משולבים — ושהוא גם המקום שבו נבנית הביטחון של המורים בהוראת התחום.

• אימות ככשירות רביעית. Orhon, Cekerol and Ugur (2026) מרחיבים את המודל בידע אימות-AI — הכנעת פלט הסתברותי של AI לאימות תחום-ספציפי לפני התייחסות אליו כראיה להחלטה לגיטימית — ומזווגים אותו עם תרשים ממוקד-תהליך לחינוך עיצובי.

מדוע זה חשוב בחינוך בינה מלאכותית

TPACK היא המסגרת המארגנת את צדו של המורה בבסיס הראיה של מאגר הידע. היא מסבירה מדוע כשירות מורה בבינה מלאכותית היא יותר משליטה בכלים: מורים חייבים לשלב ידע טכנולוגי, פדגוגי ותוכני יחד כדי להפוך בינה מלאכותית להישגי למידה. עמוד הכשירות המורה בבינה המלאכותית של מאגר הידע מכסה את ממדי הכשירות; TPACK היא מבנה הידע שמתחת להם. מחקר על ביטחון המורה, על פיתוח מקצועי, ועל תפקיד המורה המשתנה פועל כולם בתוך (או נגד) המסגרת הזו. המסגרת נמתכת כעת להערכת תוכניות שלמות: Wu & Li (2026) בונים מערכת הערכה AHP-Fuzzy-AHP עבור תוכניות הסמכה בינה מלאכותית על ממדי TPACK, ומוצאים שכשירות מקצועית של הסגל — ולא תשתית טכנית — היא הפער הגדול ביותר בין עדיפות המומחה לבין האספקה הנוכחית, ומסמנים שהסמכה צריכה להשקיע ביכולת הפדגוגית המשולבת של המורים.

השלכות עיצוביות

1. אמנו את הצמתים, לא רק את הכלים. פיתוח מקצועי צריך לבנות ידע טכנולוגי, פדגוגי ותוכני יחד ולא להציע אימון כלים מבודד — עיקרון העיצוב המרכזי של TPACK.
2. התייחסו לבינה מלאכותית כסוכן, לא כמכשיר. AI-TPACK מרחיב את המסגרת לעבר תזמור של סוכני בינה מלאכותית, ודורש חשיבה מערכתית ושיפוט פדגוגי לגבי מתי בינה מלאכותית צריכה לפעול.
3. פרסו פיתוח מקצועי לפי פרופיל המורה. ארכיטיפי מורים שונים (מייעלים, יוצרים, צופים) נהנים מפיגום שונה — מסגרות מתקדמות, משוב מהיר או מודליזציה מפורשת, בהתאמה.
4. העריכו כשירות משולבת. תוצאות מונחות-TPACK (למשל, רווחי AI-PCK) צריכות להימדד כמיומנות משולבת, לא כהיכרות עצמית-מדווחת עם הכלים.

מושגים מחוברים

• כשירות המורה בבינה המלאכותית
• פיתוח חינוכי
• תפקיד המורה
• בינה מלאכותית יוצרת
• עיצוב למידה
• אוריינות AI
• פיגום
• מטאקוגניציה
• השכלה גבוהה
• גן עד תיכון
• מטא-אנליזה וסקירה שיטתית
• הכשרת מורים

מאמרים מחוברים

• Evaluation Indicator System for AI Certificate Programs — Evaluation Indicator System for AI Certificate Programs
• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Cross-level study: 'pedagogy first, technology second' — TPAIK outweighs technical TAIK for student outcomes (Shen et al. 2026)
• From Proficiency to Pedagogy: A Mixed-Methods Study of In-Service Teachers' TPACK-GenAI and the Mediating Role of Pedagogical Knowledge — In-service teachers' TPACK-GenAI and the mediating role of pedagogical knowledge (Mohebi & ElSayary 2026)
• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education
• Designing faculty standards for technology integration in higher education institutions: a design-based research study — Faculty standards for technology integration (TPACK-related DBR)
• Integrating Generative Artificial Intelligence into Student Learning: A Systematic Review from a TPACK Perspective — Integrating generative AI into student learning: A systematic review from a TPACK perspective
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design — Modeling AI-TPACK through teacher multi-agent workflows
• AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study — AI-TPACK readiness among pre-service mathematics teachers
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — Teacher-AI interaction in lesson design: Intelligent-TPACK, experience, and proficiency interplay (Choi et al. 2026)
• 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 — Intensive GenAI professional development and AI-PCK gains
• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Five-level teacher-AI teaming framework
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Teacher confidence and AI adoption
• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Teacher education for AI literacy via 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 — Social-emotional competencies and AI literacy
• GenAI as a runaway object in higher education: A socio-cultural view on AI-influenced academic practice in mathematics — GenAI and mathematics in higher education
• How AI Is Changing Teaching Workflows — How AI is changing teaching workflows
• Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — Faculty self-perceived TPACK-21 knowledge for GenAI in higher education (Sutedjo, Chowdhury & Liu 2026)
• Towards a New AI-TPACK Framework: Evidence from China — Towards a New AI-TPACK Framework: ethics as an integrative mediator of technical AI knowledge (Chen et al. 2026)
• AI training and science student teachers’ TPACK in campus-based and distance education: a comparative study — Comparative survey of 186 South African science student teachers: campus advantage in self-reported TPACK, and AI training associated with weaker reported TPACK at the distance institution
• From AI literacy to AI-integrated inquiry-based science teaching: the serial mediating roles of AI-TPACK and science teaching self-efficacy among Chinese pre-service science teachers — AI-TPACK and science teaching self-efficacy serially mediate AI literacy's effect on inquiry-integration intention (Zou et al. 2026)
• Changes in pre-service physics teachers' TPACK and collaborative problem solving associated with an AI-supported CTD-PBL module: A quasi-experimental study
• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — Intelligent-TPACK professional development for university teachers: dimension-resolved gains, attendance over self-perceived engagement — AI-supported CTD-PBL module and pre-service physics teachers' TPACK and collaborative problem solving (Chen & Osman 2026)
• Assessing Human-AI Collaboration in Design Education: A Process-Oriented Rubric Grounded in an Extended AI-TPACK Framework — Assessing Human-AI Collaboration in Design Education: a process-oriented rubric grounded in an extended AI-TPACK framework
• A Capability–Decision Model of teacher readiness for AI integration in teaching — Ordered capability-first model of teacher AI readiness and its construct-overlap warning
• From digital competence to AI-responsive pedagogy: a scoping review of technology-supported teacher education — Scoping review warning that competence-framework dominance partly reflects search descriptors, not field prevalence