העברת למידה

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

העברת למידה — מידת ההתמדה של ידע או כישורים שנרכשו בהקשר אחד (למשל, תרגול עם כלי בינה מלאכותית) ומידת יישומם בהקשר שונה (למשל, ביצוע עצמאי ללא הכלי). בבינה מלאכותית בחינוך, העברה היא השאלה המרכזית הפתוחה: האם שיפורי הביצועים שהסטודנטים מציגים עם כלי בינה מלאכותית מתורגמים ללמידה עמידה שהם יכולים להדגים בלעדיהם.

שאלות למחשבה

• הנה דפוס מפתיע שהעמוד מתעד: סטודנטים מציגים לעיתים קרובות שיפור מיידי במשימות בסיוע בינה מלאכותית, אך שיפור זה יכול להיעלם — ואף להתהפך — כשמסירים את הבינה המלאכותית. לפני קריאת ההסברים, מדוע אתם חושבים שכלי שמסייע באופן ברור ברגע העשוי להשאיר את הסטודנטים במצב גרוע בלעדיו?
• זכרו משהו שלמדתם לעשות בעזרת חונך, מחשבון או עוזר ואז נאלצתם לעשות בעצמכם. הכישור עבר, או הרגשתם תלויים בעזר? מה היה שונה בחוויות שהועברו היטב לעומת אלו שלא?
• אינטואיציה נפוצה היא ש'תרגול הוא תרגול' — שעשיית משימה בעזרה בונה את אותו הכישור כמו עשייתה לבד. היכן האינטואיציה עלולה להטעות, במיוחד כשהעזרה היא בינה מלאכותית שמשלימה את הפעלת ההיגיון במקום להדריך אתכם דרכו?
• העמוד מבחין בין 'השפעות עם' טכנולוגיה ל'השפעות של' טכנולוגיה — ביצוע טוב יותר תוך שימוש בכלי מול הפיכה ליותר מסוגלים בלעדיו. אם אתם מרצה, מעצב או סטודנט, מה מהם הוא המטרה האמיתית שלכם, וכיצד הייתם יודעים שהשגתם אותה?
• הראיות מצביעות על כך שמידת העבודה הקוגניטיבית שהאצלים חשובה: הוצאת משימות שטחיות כמו דקדוק פגעה בהעברה פחות מהוצאת הפעלת היגיון עמוקה ומבנה. חשבו על הפעם האחרונה שהשתמשתם בבינה מלאכותית בעבודה. איזו 'שכבה' האצלתם, ומה הבחירה שלכם מנבאת על מה שתשמרו?
• העמוד מציע תנאים שעשויים לתמוך בהעברה חיובית — פדגוגיים מעקות בטיחות, דהייה של תמיכה, כיול למוכנות הלומד. אם הייתם מעצבים (או משתמשים ב) כלי למידה מבוסס בינה מלאכותית, על מה הייתם מתעקשים כדי שהשיפורים בזמן השימוש יהפכו ליכולת עמידה בלעדיו?

מבוא

העברת למידה היא דאגה יסודית במחקר חינוכי, וכלי בינה מלאכותית הפכו אותה לדחופה. הדפוס האמפירי המגדיר המתועד לאורך מחקרי בינה מלאכותית בחינוך הוא פרדוקס ההעברה: סטודנטים המשתמשים בבינה מלאכותית מציגים בדרך כלל שיפור מיידי וניתן-מדידה במשימות שבהן בינה מלאכותית זמינה, אך שיפור זה לעיתים קרובות אינו מתמיד — ואף מתהפך — כשמסירים את הבינה המלאכותית והסטודנטים צריכים להדגים הבנה בעצמם. הדפוס חושף הסתמכות יתר, תיאוריית העומס הקוגניטיבי, ומטאקוגניציה כמנגנונים הפועלים, ומתחבר ישירות לדיונים על עיצוב חונכות AI.

מוכנות אינה העברה: תרגול דיבור בסיוע בינה מלאכותית נלווה לחשש דיבור נמוך יותר ולנכונות גבוהה יותר לתקשר עם בני אדם, אך אף אחד משני המחקרים לא צפה בדיבור אנושי, כך שהדרך מתרגול מול AI ליכולת תקשורת אנושית נותרת הצעה פדגוגית שאינה נבדקה (Wang & Li (2026)).

פרדוקס ההעברה

סטודנטים המשתמשים בבינה מלאכותית מציגים בדרך כלל שיפור מיידי וניתן-מדידה במשימות שבהן בינה מלאכותית זמינה. עם זאת, כשמסירים את הבינה המלאכותית:

• ההשפעות הופכות מעורבות או שליליות
• השיפורים לעיתים קרובות אינם מועברים להגדרות לא-נמדדות
• סטודנטים עשויים להפוך לתלויים בכלי על חשבון הפעלת היגיון העצמאית

בסיס הראיות, המסונתז בסקירת Stanford Evidence Base on AI in K-12, עקבי בתחומים:

מחקר	הקשר	השפעה מיידית	השפעת העברה	מנגנון
Bastani et al. (2025)	מתמטיקה בתיכון	ציוני תרגול גבוהים יותר	גרועים ב~17% בבחינות סופיות בספר סגור	צ'אטבוט כללי עשה את העבודה
Chen et al. (2025)	שיעורי בית בתכנות	ציוני שיעורי בית גבוהים יותר	אין שיפור בבחינות ללא סיוע	מודלי שפה גדולים (LLM)-Tutor פתר בעיות במקום הסטודנטים
Lehmann et al. (2025)	תכנות	יותר נושאים כוסו	פגיעה בהבנה; הגדלת פערים	AI כללי ללומדים עם ידע קודם נמוך
Stadler et al. (2024)	מחקר אקדמי	השלמת משימות מהירה יותר	חשיבה באיכות נמוכה יותר לעומת חיפוש	הפחתת מעורבות קוגניטיבית בלמידה
Kosmyna et al. (2025)	כתיבת חיבורים	איכות חיבור גבוהה יותר	83% לא הצליחו לזכור את הציטוטים שלהם	העברת מחברות לחוץ

כל חמשת המחקרים מציגים דפוס העברה שלילית או אפסית כאשר בינה מלאכותית כללית היא ההתערבות.

מנגנונים שמחלישים העברה

עקירת מטאקוגניציה. בינה מלאכותית שמשלימה את הפעלת ההיגיון מפחיתה הזדמנויות לסטודנטים לפקח על ההבנה שלהם ולבחור אסטרטגיות. סטודנטים שהשתמשו בבינה מלאכותית היו פחות מסוגלים להסביר את תשובותיהם כשנשאלו. זה מתחבר למחקר מטאקוגניציה על פיקוח עצמי ולהראיות שקורסים מובנים מגבירים מיומנות מטאקוגניטיבית בעוד עוזרי LLM גולמיים לא.

דיכוי עומס תורם (germane load). בינה מלאכותית כללית מפחיתה לא רק עומס קוגניטיבי חיצוני (מסחרר) אלא גם עומס תורם — המאמץ המנטלי הפרודוקטיבי שמקודד ידע עמיד. תרגול קל יותר מרגיש טוב יותר אך מאחסן עקבות חלשים יותר. ראו תיאוריית העומס הקוגניטיבי וההבחנה בין חונכות ייחודית-לחינוך מול AI כללי.

הסתמכות יתר / היפוך מומחיות. מתחילים שקבלו תשובות אינם בונים סכימות. AI כללי מספק תשובות; חונכות אפקטיבית מספקת הדרכה מובנית. כאשר מתחינים מקבלים קיצורי-דרך ברמת מומחה, הלמידה נפגעת — עקרון הקשיים רצויים בעיוות.

ביצועים תלויים-כלי. סטודנטים עשויים למטב עבור התכונות הספציפיות של כלי ה-AI (הנדסת הנחיות, הסתמכות על מבנה קוד מיוצר) במקום לבנות הכללה בתחום — צורה של הוצאה קוגניטיבית שמרגישה פרודוקטיבית אך דוחה למידה עמידה.

כיתה מוגנת יכולה גם ללמד הרגל שגוי: Shi, Dai & Zhang (2026) מזהירים שסימולציות עם כללים שנקבעו מראש מסננות אי-ודאות ומחזקות עמידה בכללים, כך שהרגלי קבלת החלטות שנוצרו בתוכן עשויים להפוך לחוב קוגניטיבי ברגע שהסטודנטים פוגשים אינטרסים מתחרים ומידע חלקי בהגדרות אמיתיות. הוצאה קוגניטיבית רגישה-לשכבות והעברה. Chen (2026) בודק ישירות את ההבחנה של Salomon, Perkins & Globerson בין "השפעות עם מול השפעות של טכנולוגיה" בכתיבה בסיוע GenAI: ניסוי כמעט-ניסויי בן שמונה שבועות מצא ששיתוף פעולה פתוח עם AI מיקסם ביצועי כתיבה נתמכים אך הניב את תוצאות ההעברה-הקרובה העצמאיות ללא AI הנמוכות ביותר, בעוד שתמיכה חסומה עם השתקפות שמרה על מיומנות עצמאית. שכבות הוצאה עמוקות יותר (היגיון, מבנה) חזו העברה גרועה יותר משכבות שטחיות (דקדוק). זו ראיה ישירה מכיתה שהשיפורים בביצועים הנתמכים עם AI אינם מועברים לביצועים העצמאיים של-תמיכה — ושעומק ההאצלה, לא רק האם נעשה שימוש ב-AI, מעצב את ההעברה.

מקרה משלים, אם כי מעורב, מגיע מפיזיקה: בעיצוב מחדש של קורס מבוא לפיזיקה גרעינית וחלקיקים באוניברסיטת Ruhr Bochum (Mikhasenko et al., 2026), סטודנטים השלימו בהצלחה בעיות מחקר שיתופיות ועשירות-משאבים בסיוע בינה מלאכותית, אך אותם סטודנטים הגיעו לממוצע של 20.6/80 בבחינה כתובה קונבנציונלית ללא סיוע, כאשר מספר נסיונות רציניים לא הצליחו להשלים חישובים סטנדרטיים. המחברים קוראים זאת כראיה שביצועים נתמכים אינם מועברים אוטומטית לביצועים לא-מודרשים, והתרופה שלהם היא עיצוב מכוון: הפיכת הבחינה הכתובה לקובעת הציון היחיד, שחרור בעיות ההדרכה מראש כדי שזמן הכיתה יהפוך לדיון מוכן, והוספת הכנה קדם-דרושה, דוגמאות מעובדות וגיבוש סביב העבודה החקרנית המותרת-AI.

תנאים שתומכים בהעברה חיובית

הראיות המוגבלות מצביעות על כך שהעברה אפשרית כאשר:

• קיימים שומרי-מגן פדגוגיים — רמזים שלב-אחר-שלב, כוון תפיסה שגויה, שאלות סוקרטיות (הגרסת החונכות של Bastani et al., 2025)

• אסטרטגיות מסורתיות נשמרות — רישום הערות בצמוד לשימוש ב-AI שיפר שימור (Kreijkes et al., 2026)

• בינה מלאכותית משמשת לתרגול מעצב, לא מסכם — פיגום במהלך הלמידה, לא במהלך ההערכה

• פורמט התרגול מותאם לידע המועבר. Rachatasumrit, Koedinger & Carvalho (2025) מוצאים ששיפורי תרגול-שליפה לעיתים קרובות אינם מועברים לבעיות בלתי-מוכרות — הם מחזקים זיכרון להליך מבלי לאפשר את שימושו בהקשרים חדשים — ושהכללה עמידה ליישומים חדשים דורשת צימוד תרגול עם דוגמאות מעובדות התומכות בהיסק כישורים; היחס האופטימלי בין דוגמאות לבעיות תלוי אם התוכן הוא עובדה מילה-במילה או כישור בר-הכללה.

• המומחיות של הלומד מכוילת — הכלי מתאים את התמיכה למוכנות ולא מניח עזרה מלאה כברירת מחדל

• העברה כקרטריון שמפריד למידה מסיוע. Yan and Gašević (2026) בונים את תיאוריית הלמידה שלהם סביב למידה בין-אדם ל-AI סביב העברה בתנאי תמיכה מופחתת: ביצוע נתמך נחשב ללמידה רק אם היכולת מתמידת ברגע שהתמיכה נשללת, דבר שהופך את ההעברה למבחן ולא לתוצאה אחת מבין מספר. ההצעה שלהם דירקציונלית: דרישת בדיקת מקור או הצדקה במהלך עבודה נתמכת-AI צריכה לשפר ביצועים מעוכבים, בעוד האצלה חוזרת ונשנית בעלת חיכוך נמוך ללא שחזור צריכה לחלוש את כיול הלומדים על המיומנות שלהם.

• ההדרכה נמצאת במקום עם העבודה. נגד דפוס ההעברה השלילית בטבלה שלעיל, השוואה עם 36 משתתפים מצאה שלומדים שסייע להם רובוט שולחני שמרו על הציון שלהם ב-7.0/10 ברגע שהעזרה נשללה, בעוד שלומדים שסייע להם ChatGPT נפלו ל-4.4/10 — ציון העברה לטווח קצר גבוה יותר ב-60% (Orlando et al. (2026)). התוצאה היא העברה לטווח קצר שנמדדה כ-35 דקות לאחר המשימה, ללא מבחן שימור מעוכב, ב-36 משתתפים בקמפוס אחד.

זה מתיישר עם מחקר חונכות AI המראה שכלים ייחודיים-לחינוך עם שומרי-מגן פדגוגיים עולים על צ'אטבוטים כלליים, ועם עקרונות פיגום על דהיית תמיכה ככל שהמיומנות גדלה.

שאלות ללא מענה

1. קנה מידת זמן: האם ההעברה משתפרת לאורך שבועות/חודשי שימוש, או שההתלות מעמיקה?
2. הבדלים בין תחומים: האם ההעברה טובה יותר בתחומים מובנים היטב (מתמטיקה) מול תחומים בלתי-מובנים היטב (כתיבה)?
3. הבדלים בין-אנשים: האם סטודנטים עם ידע קודם גבוה סובלים פחות מאובדן העברה ממתחילים?
4. תיקון מיומנות: האם מפגשי תרגול מפורשים "ללא AI" יכולים להפוך את התלות בכלי?

קשרים למושגים קשורים

העברת למידה מתחברת למטאקוגניציה (פיקוח עצמי על ההבנה), לתיאוריית העומס הקוגניטיבי (עומס תורם מול חיצוני), לקשיים רצויים (מאבק פרודוקטיבי), לפיגום (דהיית תמיכה), להסתמכות יתר (תלות בכלי), וללמידה סוציו-תרבותית (AI כללי פועל מחוץ ל-ZPD על ידי השלמת העבודה עבור הסטודנטים). היא הגשר בין ביצוע נתמך ללמידה אמיתית — ההבחנה בין The Evidence Base on AI in K-12: A 2026 Review והשאלה המרכזית ליעילות חונכות AI.

מושגים מקושרים

• דפוסים פדגוגיים — התוצאה שלגביה רוב הרצפים האלה נשפטים בסופו של דבר
• מטאקוגניציה
• קשיים רצויים
• פריקת עומס קוגניטיבי
• פיגום
• למידה סוציו-תרבותית
• חונך אינטליגנטי
• חינוך גן ותיכון (K-12)
• למידה עצמית מוסדרת
• תיאוריות למידה
• כישלון פרודוקטיבי — Productive Failure

מאמרים מקושרים

• Agentivism: a learning theory for the age of artificial intelligence — תיאוריית למידה בטווח-בינוני לאינטראקציה בין אדם ל-AI, עם ארבעה מנגנונים ושישה טענות ברירות-מבחן (Yan and Gašević 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — הוצאה קוגניטיבית רגישה-לשכבות בכתיבה בסיוע GenAI (Chen 2026)

• The Evidence Base on AI in K-12: A 2026 Review

• Knowledge without Wisdom: Measuring Misalignment between LLMs and Intended Impact

• Cognitive offloading and the speedup illusion in human-AI interaction

• Vibe Compiler: A Research-Logic Synthesis Tool That Runs without Prompt Engineering -Toward Enhancing Metacognition for Sustaining Agency in the Age of Generative AI-

• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — הבחנת ביצועים-למידה והעברה עמידה

• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Pedagogical Steering of LLMs for Productive Failure

• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content

• AI in Particle Physics Education: Research Problems and Foundational Skills — AI in Particle Physics Education: Research Problems and Foundational Skills

• From Memorization to Experiential Learning: Reconfiguring Classroom Pedagogy in Management Education through Generative AI — טוען שסימולציות כיתתיות מוגנות יכולות ליצור הרגלי קבלת החלטות שנכשלים מחוץ להן

• AI-Assisted Speaking Practice and Human-Directed Communicative Readiness: Survey and Scenario Evidence on Anxiety, Self-Efficacy, and Evaluation Pressure — תרגול דיבור בסיוע AI הגביר נכונות כלפי בני אדם אך אף מחקר לא צפה בדיבור אנושי

• AIfred: Augmented Learning through Functional Robotic Embodiment at the Desk — AIfred: Augmented Learning through Functional Robotic Embodiment at the Desk