שאלות נפוצות
מהן שיטות העבודה המומלצות לפיתוח חונך בינה מלאכותית אפקטיבי?
תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.
חונך בינה מלאכותית אפקטיבי צריך להיות מעוצב כמערכת למידה, לא כמכונת ייצור תשובות בצורת צ'אטבוט. העוצה החזקה ביותר ברחבי מאגר הידע היא שהמבנה הפדגוגי — אבחון, פיגום, משוב, סוכנות הלומד והערכה — חשוב לפחות כמו המודל הבסיסי. שתי הדוגמאות המפורטות שלהלן (חונך חשבון דיפרנציאלי ואינטגרלי ומאמן כתיבה) מראות כיצד אותה ארכיטקטורת ליבה חייבת להיות מעוצבת לפי מה שהתחום דעת דורש מהלומד.
1. התחילו במטרות למידה מפורשות והגדירו את משימת הלומד
לפני בחירת מודל, ציינו:
- מה הלומדים צריכים לדעת או להיות מסוגלים לעשות לאחר מכן.
- איזו עבודה קוגניטיבית הם חייבים לבצע בעצמם.
- במה החונך רשאי לסייע.
חונך המיועד ל"סיים את הבעיה" יכול בקלות להחליש חונך המיועד ל"למד לפתור את הבעיה". מושג החונך אינטליגנטי מדגיש שהיעילות תלויה בעיצוב פדגוגי ולא ביכולת המודל בלבד.
2. אבחנו לפני שאתם מכתבים מרשם
שמרו על מודל לומד המבוסס על ראיות כמו ידע מודגם, תפישות מוטעות, נסיונות אחרונים, התנהגות חיפוש עזרה, וביטחון במידת ההתאמה. התאימו קושי וסיוע מתוך הראיות האלה במקום להגיב פשוט להנחיה האחרונה של הלומד. היזהרו באפשרות שמודלי שפה גדולים (LLM) יבצע אבחון בעצמו: מדידה מצאה שחונכי מודלים לשוניים גדולים יכולים לזהות הסקה נכונה בבירור, אך לפעמים דוחים חלופות תקפות או מקבלים הסקה שגויה. לתחומים בעלי תוצאות משמעותיות, ארכיטקטורה מועילה היא אבחון מובנה + דו-שיח גמיש עם מודל לשוני גדול. ראו Confirming Correct, Missing the Rest.
3. השתמשו בסולם רמזים במקום לתת את הפתרון מיד
רצף חונכות מועיל הוא: בקשו נסיון, חקרו את ההסקה של הלומד, תנו רמז קטן, תנו רמז מושגי חזק יותר, הדגימו שלב חלקי, ספקו פתרון מעובד רק כשמזה, ואז בקשו מהלומד להסביר או ליישם את הרעיון באופן עצמאי. הסיוע צריך לדעוך ככל שהמיומנות גדלה. זהו מרכוזו של מושג הפיגום. ניסוי שדה מרכזי מצא שממשק GPT לא מגונן העלה ביצוע חשבוני בסיוע אך הוריד ביצוע בבחינה מאוחרת יותר ללא סיוע, בעוד שחונך שנותן רמזים הסיר ברובו את קנס הלמידה הזה — ראו Generative AI without guardrails can harm learning.
ניסוי שדה אקראי גדול יותר עם יותר מ-6,000 תלמידי חטיבת ביניים בפלטפורמת תרגול מבוססת-שליטה מצא את אותו חתימה בפרטים יפים יותר: סטודנטים שהוקצתה להם תמיכת בינה מלאכותית התקדמו לאט יותר וניסו פחות שאלות, אך ענו ביתר דיוק ו — המנגנון הברור ביותר — שיפרו את נכונות נסיונם הבא לאחר טעויות, ונזקקו לפחות נסיונות כדי לחזור לתשובה נכונה. זו האטה פרודוקטיבית, לא תפיסת תשובות, וזו ההתנהגות שסולם הרמזים אמור לייצר. אותו מחקר מספק אזהרה על מתווים: דרישת שלוש תשובות נכונות ברצף העלה משמעותית שליטה כמוגדרת בפלטפורמה, אך לא הניבה רווחים ניתנים לגילוי במבחן מושהה שבוע לאחר מכן, והראיות המושההות החזקות ביותר הופיעו רק במקומות שהבינה המלאכותית ישבה בתוך תהליך השליטה (מקדם 0.085) ולא כגישה עצמאית. ראו Making AI Tutoring Productive.
4. הפכו את המשוב לספציפי, מיידי, מעשי, ומקושר להסקה
הימנעו ממשוב שאומר רק "נכון", "לא נכון", או "עבודה טובה". במקום זאת החונך צריך לזהות את שלב ההסקה הנוגע בדבר, להסביר מה צריך להישקל מחדש, לתת ללומד משהו קונקרטי לעשות הלאה, ולבקש מהלומד לחזות או להסביר לפני חשיפת המשוב במידת ההתאמה. מאגר הידע מתייחס למשוב כאל לולאת אספקה–ספיגה שלמה: משוב תומך בלמידה רק כאשר סטודנטים מבינים אותו ופועלים לפיו.
5. עגנו תוכן עובדתי במקום לסמוך על זיכרון המודל הלשוני הגדול
השתמשו בהפקה מוגברת באחזור (RAG) מול חומרים מהימנים כמו ספרי הוראה שאושרו על ידי המרצה, הערות קורס, דוגמאות מעובדות, מדיניות ומשאבים תכניותיים, וחשפו ציטוטים או מקור במידת התועלת. לתחומים עם תשובות הניתנות לבדיקה פורמלית, הוסיפו כלים דטרמיניסטיים כמו מחשבונים, מערכות מתמטיקה סימבוליות, הרצת קוד, גרפי ידע, מאמתים מבוססי-כללים, ופותרים ספציפיים לתחום דעת. RAG יכול להפחית את סיכון ההזיות, אם כי אינו מבטלו — ראו Retrieval-Augmented Generation.
6. תכננו למטאקוגניציה ולסוכנות הלומד
דרשו מדי פעם מהלומד לייצר, לבחור, להצדיק, להעריך או לשקף. עקרון עיצוב מועיל הוא הלומד קודם → הבינה המלאכותית שניה → הלומד שוב. המטרה ארוכת הטווח היא שהלומדים יפנימו את אסטרטגיות השאלה והפתרון הבעיות של החונך במקום להיות תלויים בו. ראו סוכנות הלומד ופיגום.
7. התייחסו לבטיחות פדגוגית כשונה מבטיחות צ'אטבוט רגילה
בדיקות בטיחות עבור חונך חינוכי צריכות לכלות יותר מחוסן רעילות והתנגדות ללרוקס. בדקו דליפת תשובות, חיזוק תפישות מוטעות, הסכמה מופרזת או חנופה, קושי בלתי-הולם, הפרלה קוגניטיבית, יחס מוטה, אובדן סוכנות הלומד, סחיפת הוראה, וביטחון-יתר בהסברים שגויים. חונך צריך להיות אדיב אך נכון, כולל כאשר הלומד מתעקש על תפישה מוטעה, והבדיקות צריכות לכלול שיחות ממושכות מכיוון שכשלים פדגוגיים מצטברים לאורך אינטראקציות מרובות. ראו בטיחות פדגוגית וAI Tutor Safety and Pedagogical Harms.
8. בנו פרטיות, נגישות ושוויון לתוך הארכיטקטורה
אספו רק נתוני לומד שנחוצים מבחינה פדגוגית. במקומות בהם נעשה שימוש בזיכרון מתמשך או במידול לומד, הפיכו את מטרתו לשקופה, תנו ללומדים שליטה הולמת, הגנו על מידע רגיש, הגדירו מדיניות שמירה, וספקו פיקוח אנושי למרצה במקרים בעלי תוצאות משמעותיות. בצעו ביקורת של התנהגות החונך לאורך רקעי שפה, רמות יכולת, הקשרים תרבותיים, צרכי נגישות, ורמות שונות של ידע קודם וניסיון בבינה מלאכותית. אל תהפכו הנחיה מתוחכמת לתנאי מוקדם להוראה טובה — החונך עצמו צריך לעזור ללומדים לנסח שאלות פרודוקטיביות.
9. מדדו למידה, לא רק איכות צ'אטבוט
מדדים כמו דיוק תגובה, אורך שיחה, העדפת סטודנט, שביעות רצון, השלמת משימה ומעורבות אינם מספיקים בפני עצמם. במקום זאת העריכו ביצוע ללא סיוע, שמירה מושהה, העברה לבעיות חדשות, תיקון תפישות מוטעות, עצמאות הלומד, ספיגת משוב, והשפעות דיפרנציאליות בין קבוצות לומדים. השאלה הקריטית היא האם הלומדים מסוגלים לבצע בהצלחה לאחר שהחונך מוסר. ראו הערכת מערכות בינה מלאכותית בחינוך וThe Missing Evaluation Axis.
שני מחקרים אחרונים מחדדים את הכלל הזה נגד דיווח עצמי ואופקים קצרים. פיילוט עם 38 סטודנטים תכנות מתחילים מצא שיוך חזק בין שימוש בבינה מלאכותית יוצרת ובין למידה נתפסת (rs=0.802, p<0.001), בעוד שהמחווים להתקדמות אוטונומית ללא תמיכת מרצה קיבלו את הציונים הנמוכים ביותר — הפער שהמחברים מזהירים שהוא מייצר אשליית מיומנות וחוב אפיסטמי, ובדיוק הפער שמדדי שביעות רצון מתגמלים. ראו Generative AI as an Informal Cognitive Tutor.
באופן מהותי יותר, רוב ההערכות נעצרות ברגע שהסיוע מסתיים. דינמיקות שחיקה קוגניטיבית מכנה את מרווח הפירוק הלא-נמדד ומפורמל את ארבע התוצאות האפשריות — קפיצה אלסטית, מישור חלקי, פיגום רדום, ושחזור יתר — עם מודל עקומת שחיקה שהפרמטרים שלו כוללים קבוע זמן ההתאוששות, שלמות ההתאוששות, ומודד היסטרזה המשווה מאמץ לימוד מחדש למאמק המקורי. מכיוון שהפיכות קובעת חומרה, המסגרת טוענת שתרגול מתוזמן וללא סיוע צריך להיות ממוין לעקומת ההתאוששות ולא להידון במוסריות. תכנית הערכת חונך צריכה לכלול לכן פאזה של פירוק, לא רק מבחן מיידי שלאחר מכן. ראו הראיות האקראיות שבריאות עזרה מדכאות ביצוע מאוחר יותר ללא סיוע.
10. שמרו מורים או מומחי תחום בלולאת אבטחת האיכות
לפני הפריסה, בקשו ממחנכים לבדוק פרופילי לומדים ריאליסטיים, תפישות מוטעות נפוצות, מקרי קצה, הנחיות עוינות, תגובות עמומות, ושיחות חונכות ממושכות. רשמו כשלים פדגוגיים והשתמשו בהם כדי לשנות הנחיות מערכת, מדיניות חונכות, מקורות ידע, מגנים, כללי מודל לומד, ובחירת מודל. פיקוח אנושי נשאר חשוב מכיוון שתגובת חונכות זורמה עשויה להיות עדיין בלתי-הולמת פדגוגית או שגויה.
הסקירה השיטתית של Lee על 29 מחקרי K-12 מראה ממה פיקוח הזה מורכב, והיכן הוא נשבר. התערבות המורה היא מחזור חוזר בן ארבע פאזות של ניטור, שיפוט, התערבות ותזמור; התראות, לוחות בקרה וציונים אוטומטיים של בינה מלאכותית "לא מובילים אוטומטית לפעולה פדגוגית"; והאסטרטגיה המובילה של המורים היא תרגום פדגוגי — בחירה, עריכה, השלמה, סיכום או מחיקה של משוב הצ'אטבוט במקום העברתו ללא שינוי. שתי אזהרות עיצוב נלוות לכך. יותר מידע של בינה מלאכותית אינו טוב יותר: מערכות שמפיקות אבחונים באופן מתמיד העמיסו על מורים ומשכו את תשומת הלב מהתצפית שלהם, לכן תעדפו מה שראוי לפעול לפיו והפכו אותו למובן, והציעו המלצות בצורה שהמורים יכולים לקבל, לשנות, לדחות או לדחות. יותר תמיכת מורים אינה טובה יותר גם היא: עיכוב התערבות כדי שסטודנטים יוכלו לעבוד באופן עצמאי הוא עצמו מומחיות, ותנאים מבניים — זמן לבדיקת נתונים, גודל כיתה, יכולת להגיע פיזית לקבוצות הזקוקות לעזרה — הם חלק מההתערבות ולא מלוגיסטיקת רקע.
ארכיטקטורת חונך בינה מלאכותית מועילה
ארכיטקטורת ייצור חזקה ניתנת לייצוג כך: מטרת למידה → ראיות/מודל לומד → מדיניות פדגוגית → תוכן מעוגן ומאומת → ייצור שיחתי → תגובת לומד → מודל לומד מעודכן (חוזר אחורה). בטיחות, פרטיות, נגישות, פיקוח מורה והערכה צריכות להקיף את כל הלולאה.
קריטריון ההצלחה החשוב ביותר
מדד הפיתוח החשוב ביותר אינו "האם הבינה המלאכותית פתרה את הבעיה?" אלא "לאחר אינטראקציה עם הבינה המלאכותית, האם הלומד מסוגל לפתור בעיה דומה באופן עצמאי?" הראיות לעקרון הזה חזקות ביותר בתחומי למידה מובנים כמו מתמטיקה ותכנות; ההכללה לתחומים פתוחים יותר נשארת פחות ודאית, מה שהופך הערכה ספציפית לתחום לחיונית.
למקום שבו חונך יושב בתוך רצף קורס ולא לבדו, ראו כיצד עליכם לעצב שילוב של בינה מלאכותית בחוויית הלמידה?; לכללי העיצוב ברמת התוכנה שהחונך חייב לעמוד בהם, ראו מהן השיטות הטובות ביותר והטיפים לעיצוב תוכנה חינוכית יעילה מבוססת בינה מלאכותית?; ולכיצד להעריך את ההתערבות הנובעת, ראו אילו אמצעי מדידה ושיטות מחקר יכול מרצה להשתמש בהם כדי להעריך התערבויות הקשורות לבינה מלאכותית?.
דוגמה 1: תכנון חונך חשבון דיפרנציאלי ואינטגרלי בבינה מלאכותית
שקלו חונך חשבון של סמסטר ראשון בקולג'. מטרתו צריכה להיות להגדיל מה שסטודנטים יכולים לפתור ולהסביר בעצמאות לאחר שהחונך מוסר, לא למקסם בעיות שהושלמו נכון. חונכות מתמטיקה פגיעה במיוחד לפיגום-יתר, שימוש מוקדם ברמזים, ואבחון שגוי של הסקת הסטודנט. ראו חינוך מתמטי, When Help is Unhelpful, Catching the Correct Answer Trap, ופיגום.
מטרות למידה. החונך עשוי לתחזק מפת מושגים (פונקציות וגרפים → שיעורי שינוי → גבולות → נגזרת כגבול → כללי נגזרות → יישומים → אנטי-נגזרות → אינטגרלים מסוימים → המשפט היסודי). עבור כל מושג הוא צריך להבחין בין כמה סוגים של שליטה. לדוגמה, "שליטה בנגזרות" לא צריכה להתיר רק ייצור הנגזרת הנכונה; היא יכולה לכלול זיהוי מתי נגזרת הולמת, פרשנותה כשיעור שינוי מיידי, בחירת הכלל הנכון, ביצוע הפרוצדורה, הסבר מדוע היא הולמת, בדיקת סבירות, ויישום על בעיה בלתי-מוכרת. הדבר עוזר למנוע את מלכודת התשובה הנכונה, שבה לומד מגיע לתשובה הנכונה דרך הסקה פגומה.
ארכיטקטורת מערכת. תכנון מעשי משישה שכבות: חומרי קורס + מדיניות מרצה → שכבת אחזור/RAG → (מנוע בעיות → מודל לומד) ו(מאמת סימבולי → מנוע אבחון) → מדיניות פדגוגית → מודל לשוני גדול שיחתי → סטודנט → מודל לומד מעודכן.
- שכבת עיגון קורס: מאחזרת מחומרים שאושרו על ידי המרצה (פרקי ספר, הערות הרצאה, דוגמאות מעובדות, טרמינולוגיה, שיטות מאושרות, סימון, כללי מטלות) כך שהחונך אינו מציג טכניקות מתמטית תקפות אך בלתי-הולמות לקורס.
- שכבת אימות מתמטית: משתמשת במערכת אלגברה ממוחשבת כדי לאמת שוויון אלגברי, נגזרות, אינטגרלים, פתרונות משוואות, נקודות קריטיות, וקירובים מספריים — המודל הלשוני הגדול מטפל בהסבר ובדו-שיח בעוד שהמערכת הדטרמיניסטית מטפלת בבדיקה המתמטית.
- שכבת מודל לומד: מתחזקת אומדנים לכל מושג (למשל גבול: בהתפתחות, כלל החזקה: בשליטה, כלל המכפלה: בהתפתחות, כלל השרשרת: לא הודגם) בתוספת השערות תפישות מוטעות עם ראיות וביטחון. הבינה המלאכותית צריכה להתייחס לתפישה מוטעה כהשערה, לא כעובדה מבוססת, מכיוון שמודלים לשוניים גדולים יכולים להזות ראיות או להסיק תפישות מוטעות באופן שגוי — נדרשת תהליכות זהה → אמת → הגב.
אינטראקציית חונכות. להבחנת , צ'אטבוט קונבנציונלי עשוי לחשוף מיד את התשובה. חונך מוכוון-למידה במקום מסיק פנימית: הסטודנט הבחין את שתי הרכיבים אך נראה שהכפיל את הנגזרות שלהם (תפישה מוטעית אפשרית של כלל-המכפלה-כ-), ולכן הוא שואל שאלה אבחונית תחילה ("איזה כלל אתם משתמשים כששתי פונקציות מוכפלות?"), ואז מבקש מהסטודנט לכתוב את כלל המכפלה סימבולית, ואז מציב ו-, ומאמת את הביטוי הסופי רק לאחר שהסטודנט מרכיב אותו מחדש.
מדיניות עזרה בהדרגה. סיוע יכול להתאים דרך סולם רמות: נסיון עצמאי → שאלה מטאקוגניטיבית → רמז מושגי → זיהוי הכלל הרלוונטי → הקמת חלק מהבעיה → שלב ביניים מעובד → פתרון מעובד → הסטודנט מסביר → הסטודנט פותר בעיית העברה באופן עצמאי. צפייה בפתרון מעובד אינה מדגימה שליטה, לכן לאחר סיוע משמעותי החונך צריך להנחות את הלומד לנסות בעיה דומה ללא עזרה.
הימנעות משימוש לא-פרודוקטיבי ברמזים. הממשק אינו צריך להפוך רמזים בלתי-מוגבלים לקיצור דרך נטול חיכוך, מכיוון שבקשות רמז מוקדמות וקריאה שטחית של רמזים מקושרות לרווחי למידה נמוכים יותר. במקום [Hint][Hint][Hint][Show Answer], המערכת עשויה לשאול "מה ניסיתם?" ו"איזה חלק חוסם אתכם?" (בחירת כלל, הקמת המשוואה, ביצוע האלגברה, הבנת המושג, משהו אחר) ולספק סיוע ממוקד.
תמיכה בחשבון מושגי. החונך צריך לחבר פרוצדורות סימבוליות לייצוגים מרובים (נוסחה, גרף, טבלה, פרשנות מילולית, הקשר פיזי של שיעור שינוי) כדי להבחין בין שטף פרוצדורי להבנה מושגית.
לוח בקרה של מורה. המערכת צריכה לחשוף ראיות מצטברות ולא שיפוטי בינה מלאכותית אטומים — למשל "כלל מכפלה — 62% שליטה מודגמת; דפוסים נפוצים: 18% משמיטים איבר אחד, 11% מכפילים נגזרות" — עם אבחונים בודדים המוצגים כהשערות שמבוססות על ראיות.
תכנית הערכה. מדדו ביצוע בזמן שימוש בחונך, ביצוע על בעיות דומות בלעדיו, שמירה מושהה, העברה לבעיות בלתי-מוכרות, איכות הסבר מושגי, תיקון תפישות מוטעות, חיפוש עזרה הולם לעומת מוקדם, דליפת תשובות, שיעורי חיוב/שלילית שגויים של אבחון, ותוצאות דיפרנציאליות. ההשוואה המרכזית היא ביצוע עם החונך לעומת ביצוע ללא הוא לאחר מכן — סטודנט שעובר מ-60% ל-95% בעודו בסיוע אך נשאר ב-60% בעצמאות לא קיבל חונכות אפקטיבית.
דוגמה 2: תכנון מאמן כתיבה בבינה מלאכותית
מאמן כתיבה בבינה מלאכותית דורש תכנון שונה מכיוון שלכתיבה אין תשובה נכונה אחת באופן אובייקטיבי. המטרה היא לעזור ללומד להשתפר בתכנון, טיוטה, הערכה ועריכה של הכתיבה שלו. מאגר הידע מעצב את הכתיבה כתהליך קוגניטיבי, חברתי רטורי, כלומר מערכת כתיבה בבינה מלאכותית יכולה לתמוך בלמידה אך יכולה גם לבטל בדיוק את החשיבה שהמטלה נועדה לפתח. ראו כתיבה, From Planning to Revision, Coach not Crutch, ומשוב.
מטרות למידה. מודל הלומד של המאמן עשוי לעקוב אחר טיעון (ספציפיות התזה, יישור טענה-ראיה, טענה נגדית), ארגון (מיקוד פסקאות, התקדמות לוגית, מעברים), ראיה (רלוונטיות המקור, שילוב הראיה, פרשנות), עריכה (עריכה גלובלית וברמת משפט, הערכת משוב), וסגנון (בהירות משפט, דקדוק, קול סופרי) — תוך מעקב אחר היכולות, לא רק אחר ציון החיבור.
עגנו את המאמן במטלה. אחזרו את הוראות המטלה, מבחן המרצה, קריאות הקורס, דרישות ציטוט, מוסכמות הז'אנר, דוגמאות המרצה, ומדיניות שימוש בבינה מלאכותית, כך שהמשוב יוכל להתייחס למטלה בפועל ("מבחן המרצה שלכם מבקש מכם לחבר כל טענה מרכזית לראיה לפחות מקריאות קורס שתיים") במקום להמציא ציפיות גנריות.
התייחסו לשלבי הכתיבה באופן שונה. מעורבות בינה מלאכותית בשלבים שונים משפיעה על בעלות נתפסת באופן שונה — תמיכה בתכנון מפחיתה בעלות פחות מתמיכה בטיוטה, וטיוטה מיוצרת על ידי בינה מלאכותית מייצרת את ההירידה הגדולה ביותר בבעלות. כך שמאמן יכול לתת הרשאות שונות לכל שלב: בתכנון הוא יכול לשאול שאלות, להשוות עמדות, לערער על הנחות, ולבקר מתארים אך להימנע מייצור הטיעון כולו; בטיוטה הלומד מייצר פרוזה תחילה (המאמן עוזר לפתח, לא לכבוש); בעריכה המאמן יכול לזהות טענות בלתי-ברורות, להצביע על ראיה חסרה, לבדוק אם הראיה תומכת בטענה, לזהות בעיות ארגוניות, ולהשוות טיוטה מול מבחן — לאבחן לפני לכתוב מחדש; בעריכה (לאחר סקירה) הוא יכול לתמוך בדקדוק, פיסוק, שמירת חלל, ועיצוב ציטוט.
אינטראקציית דוגמה. לחיבור על דרישת קורסים מקוונים, מערכת גנרית עשויה לשכתב את הפסקה של הסטודנט לפרוזה מלוטשת, ותבצע את העבודה האינטלקטואלית. מאמן כתיבה במקום אומר מה שעובד, שם את הבעיה המרכזית (הפסקה נותנת סיבות אך אינה מסבירה מדוע הם מצדיקים מנדט אוניברסיטאי כולל), מציב שאלת סקירה, ומבקש מהסטודנט להשלים משפט במילים שלו — ומשאיר את בניית הטיעון ללומד.
משוב צריך להיות מסודר בעדיפות. כל סבב משוב עשוי לכלות חוזק אחד לשימור, בעיה אחת בעלת השפעה גבוהה, שאלה אחת הדורשת שיפוט הכותב, ומטרת סקירה אחת קונקרטית — במקום להעמיס על הלומד בעשרות הערות.
גרמו לסטודנט להעריך משוב של בינה מלאכותית. אוריינות משוב היא עצמה מטרת למידה; המאמן צריך לשאול מדי פעם אם הלומד מסכים עם הצעה ומדוע, ולאפשר ללומד לדחות משוב של בינה מלאכותית — ובכך לפתח שיפוט הערכה, לא ציות.
שמרו קול סופרי. המאמן צריך להבחין בין שגיאות, בעיות בהירות, בחירות רטוריות, והעדפות סגנון, ואינו צריך "לתקן" אוטומטית את שתי האחרונות — אחרת הוא מסכן להומוגן את הכתיבה לכיוון הסגנון שהמודל מעדיף, במיוחד עבור כותבים רב-לשוניים וסגנונות רטוריים לא-סטנדרטיים.
מודל לומד של היסטוריית סקירה. במקום לאחסן רק חיבורים סופיים, המערכת יכולה ללמוד מהסקירות של הסטודנט (למשל דפוס חוזר של "ראיה שהוצגה אך לא פורשה" שמשתפר בין חיבורים), ולהתאים על בסיס ראיות למידה.
מעורבות מורה. המרצה שולט במבחן, במטרות המטלה, בצורות הסיוע המותרות של בינה מלאכותית, באיסוף המקורות, בציפיות הציטוט, אם טיוטה יוצרת מותרת, ומתי נדרשת סקירה אנושית. לוח בקרה של מורה עשוי להציג דפוסים ברמת כיתה (למשל 41% זקוקים לתמיכה בחיבור טענה-ראיה) כאות מעצב.
הערכת מאמן הכתיבה. מדדו איכות של כתיבה בסיוע בינה מלאכותית וכתיבה מאוחרת יותר ללא סיוע, יכולת לזהות חולשות בכתיבה בלתי-מוכרת, איכות סקירה, ספיגת משוב, יכולת להסביר סקירות, בעלות סטודנט, תלות בפרוזה של בינה מלאכותית, שימור קול, הטיה בין ניבים/כותבים רב-לשוניים/קבוצות, יישור עם שיפוט המרצה, והעברה מושהה. ניסוי חושף משווה קבוצה הכותבת בעצמאות, קבוצה שבה בינה מלאכותית מייצרת/עורכת טקסט, וקבוצת מאמן — כולן משלימות חיבור חדש ללא בינה מלאכותית: אם קבוצת הייצור-המלאכותית מבצעת את התוצאה הטובה ביותר בתרגול אך גרועה ללא בינה מלאכותית, המערכת שיפרה ביצוע ולא למידה.
השוואת שני התכנונים
|| שאלת תכנון | חונך חשבון | מאמן כתיבה | |---|---|---| | אובייקט הלמידה הראשי | מושגים מתמטיים ופתרון בעיות | טיעון ותהליך כתיבה | | אימות | לעתים קרובות ניתן לבדיקה אובייקטיבית | בדרך כלל דורש שיפוט הקשרי | | כלים דטרמיניסטיים | מנוע מתמטיקה סימבולית / מחשבון | דקדוק, ציטוט, בדיקות מבחן | | תפקיד הבינה המלאכותית הראשי | אבחון ופיגום הסקה | אבחון ופיגום סקירה | | הסיכון המרכזי | מסירת הפתרון | כתיבת הטקסט עבור הלומד | | פעולת הלומד החשובה | לפתור ולהסביר | לטייט, להעריך ולערוך | | מודל לומד | מושגים, פרוצדורות, תפישות מוטעות | טיעון, ראיה, ארגון, סקירה | | המגן המרכזי | נסיון לפני פתרון | פרוזת סטודנט לפני שכתוב מחדש של בינה מלאכותית | | מבחן העברה | בעיות חשבון חדשות ללא בינה מלאכותית | משימת כתיבה חדשה ללא בינה מלאכותית | | קריטריון הצלחה | הסקה מתמטית עצמאית | כתיבה עצמאית ושיפוט הערכה |
שתי המערכות משתמשות בהרבה מאותם טכנולוגיות של בינה מלאכותית, אך ממומשות במדיניות פדגוגיות שונות מכיוון שהתחומי דעת דורשים סוגים שונים של חשיבה. העקרון המשותף: זהו את הפעילות הקוגניטיבית שמייצרת למידה, ותכננו את הבינה המלאכותית לתמוך בפעילות הזו בלי לקחת אותה מהלומד — תוך שימור ההסקה המתמטית לחשבון, וקוריינות, קבלת החלטות רטורית, הערכה וסקירה לכתיבה. העקרון הזה מהותי יותר מכל מודל, הנחיה, מסגרת סוכנים, או ממשק משתמש מסוים.