כיצד לעצב פיתוח סגל שישנה באמת את התרגול?

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

אם אתם מנהלים פיתוח סגל, הלחץ שאתם נמצאים תחתיו הוא כנראה אחד מאלה: הפרובוסט שלכם רוצה תוכנית בינה מלאכותית השנה, ההשתתפות בסדר אך דבר לא משתנה בכיתות, או שהאנשים שזקוקים לה ביותר לא יבואו. שלושתם מצביעים על אותו פגם עיצובי. מה שמשנה את תרגול המורה אינו ללמוד מה כלי מסוגל לעשות; זה לבלות זמן נתמך ומבנה על בעיה בקורס שלהם עצמם, די זמן שהרגל חדש יחליף רגל ישן, כשהמוסד אומר במפורש כן לניסוי במקום רק מתיר אותו.

הגרסה המקוצרת. הפסיקו להריץ הדגות כלים. תקנו מחזור מפגשים שבו כל משתתף מביא ארטיפקט קורס אמיתי ויוצא עם ארטיפקט מתוקן, עטפו אימות, גילוי ובקרת סיכון בתבנית העבודה עצמה ולא כתוספת אתית, מתיחו את התוכנית מעבר ליום בודד וצרפו לה חונכות, הריצו קבוצות (cohorts) מתחומי דעת, ומדדו את הארטיפקטים שאנשים הפיקו בעיכוב ולא כמה בטוחים הם הרגישו בצהריים האחרונים. שאר העמוד הוא הראיות לכל אחת מהבחירות האלה, התנאים המוסדיים שקובעים האם הם מחזיקים, ומה לומר לדיקן ששואל אם זה עבד.

מדוע מודל הסדנה מתחת לביצועים

ההשוואה הישירה ביותר בספרות הזו היא Bi et al. (2026), שסקרו 568 חברי סגל בחמש אוניברסיטאות ואז הרצו קוואזי-ניסוי עם 160 מהם. שתי הזרועות קיבלו ארבע סדנאות של 90 דקות בשבועות עוקבים עם זמן מגע זהה, אותה פלטפורמה ואותה תמיכת מנחה. ההבדל היה בתוכן: זרוע אחת קיבלה פיתוח סגל קלאסי ל-GenAI, והשנייה עבדה מחזור מבנה של ניסוח הנחיות, סקירת פלט, עריכת חומרי קורס והגה כתובה נגד תבנית בת שבעה רכיבים הכוללת יעדים, מגבלות משימה, קריטריוני הערכה, אימות, גילוי ובקרת סיכון. הזרוע המבנית ציינה גבוה יותר בכל שבעת ממדי המוכנות, כאשר היתרון הגדול ביותר שלה היה בעיצוב ההנחיות בשיעור של שני סטיות תקן, והיא הייתה הזרוע היחידה שהרווח בעיצוב ההנחיות שלה שרד בדיחוי — הרווח הקטן יותר של הזרוע הקלאסית כבר ירד מתחת לקו הבסיס במעקב.

שתי תוצאות נוספות מסבירות מדוע הדגות לא עוברות. בBai and Hsieh (2026), שסקרו 898 מורי אוניברסיטה על סולמות AI-TPACK, מורים שהבינו כיצד כלים יוצרים עובדים, או הצליחו לתפעל אותם במיומנות, לא היו יותר סביר לדווח על המצאת ויישום של פרקטיקות הוראה חדשות מאשר אלו שלא הצליחו. למבנה המשולב AI-TPACK לא היה מסלול ישיר להתנהגות חדשנית כלל: ההשפעה שלו עברה כולה דרך אוריינות AI, יעילות עצמית בהוראה וזהות מקצועית. במילים אחרות, הכשירות מתווכת על ידי הדרך שבה המורה רואה את עצמו, וזה לא משהו שסיור כלי מתייחס אליו.

יש גם תקרה. במחקר תוך-נושאי עם 13 מורי השכלה גבוהה, גישת צ'אטבוט העלתה את השלמה של פעילויות המגיעות לשתי מטלות בלום או יותר מסדר גבוה מ-41.7% ל-91.7% (p = .01) וקיצרה מאמץ קוגניטיבי נתון מחציון של 6.33 ל-3.33 (p = .004) — אך אימון ההנחיה הפדגוגית שצורף עליו לא שיפר את איכות העיצוב עוד, והגדיל מעט את המאמץ. ובסדנה עם 60 מורי מדע בבתי ספר תיכון, היסוד הפרודוקטיבי היה סקירה שיתופית של שאלות הערכה שנוצרו על ידי ChatGPT, וזה מה שהוביל לבעיות דיוק מושגי ולסיכון של חיזוק תפיסות שגויות. מה שמשותף לשני המחקרים הוא שהלמידה באה מביקורת ומעריכה של חומר, לא מהצגת חומר.

מה לבנות במקום

ארכיטקטורת העיצוב שמתאימה ביותר לראיות שלעיל היא מסגרת i-TPACK של Dogan (2026), שנבנתה מסקירת PRISMA של פיתוח מקצועי לבינה מלאכותית בתוספת חיפוש שהעלה 17 מחקרים נוספים. היא מיישרת חמישה תחומי ידע — ידע טכנולוגי אינטליגנטי, ידע טכנולוגי-תוכני, ידע טכנולוגי-פדגוגי, i-TPACK משולב ואתיקה של בינה מלאכותית — עם ארבעה מסלולים מבוססי ראיות: למידה פעילה, מודלים ודוגמאות, חונכות ותמיכת מומחים, ומשוב והגה, המונחים בחמישה עקרונות הנעים מ-Collective Synergy Over Silos ועד Flexibility within Structure. את הביקורת שלה על התחום כדאי לקחת ברצינות לפני שתעתיקו תוכנית של מישהו: בהצעות קיימות רבות, אתיקה מטופלת בשטחיות או חסרה לחלוטין. מגבלת המסגרת היא שהיא קונספטואלית, ללא נתוני תוצאה ברמת תוכנית.

מתורגם לתוכנית שתוכלו להריץ בסמסטר הבא, זה אומר:

• כל מפגש מסתיים בארטיפקט מתוקן. משתתפים מביאים מטרה, מחוון או משימת הערכה ויוצאים איתה משתנית. Bi et al. (2026) מדדו בדיוק את המחזור הזה, וזה הגרסה שהחזיקה מעמד במעקב.
• התבנית נושאת את החלקים הקשים. אימות, גילוי ובקרת סיכון שייכים במסמך העבודה שהמשתתפים משתמשים בו כל השבוע, לא בקשת סיכום. זה גם הדרך שבה עצבנות מוצאת לה לאן מועיל ללכת, מה שחשוב להלן.
• התייחסו לעיצוב הערכה כיעד בעל התשואה הגבוהה ביותר. בתוכנית בת שמונה שעות של Talebzadeh (2026) לאורך ארבעה מפגשים של שעתיים עם 163 מורים ומורים לפני-השירות, AI-PCK כולל עלה מ-151.65 ל-220.14 (d = 2.36, p < .001) ואפקט הרכיב הגדול ביותר היה מחווני הערכה (d = 2.19) — שהיה גם התחום החלש ביותר בפריטסט. הפער היה צר יותר בשיטת ההוראה מאשר בהערכה.
• הקצו יותר מיום, והוסיפו חונכות. מורים לפני-השירות באותה תוכנית הרוויחו משמעותית יותר מהמנוסים (p = .033), בעיקר בעיצוב משימות מבוססות-תרחיש ובעיצוב מחוונים. המורים המנוסים אמרו ששמונה שעות הן קצרות מדי לשינוי הרגלים עמוקים, וביקשו תמיכה ארוכת-טווח מבוססת חונכות.
• חלקו את הקהל שלכם במקום להריץ סדנה אוניברסלית אחת. Sutedjo, Chowdhury and Liu (2026) מצאו בין 127 משיבים שידע תוכני-פדגוגי נתון היה גבוה (M = 4.70) וידע תוכני קרוב לתקרה (M = 5.15), בעוד ידע טכנולוגי-פדגוגי (M = 2.62), ידע טכנולוגי-תוכני (M = 2.75) ו-TPACK הוליסטי (M = 2.55) היו נמוכים באופן בולט. ידע תוכן לא הראה מתאם משמעותי עם אף תחום משולב-טכנולוגיה (r = .11–.15), כך ששליטה בנושא אינה עוברת, ושלושת התחומים הנמוכים התאימו זה לזה ב-r = .81–.91 — סביר שזו יכולת אחת להורות כיסוד משותף ולא שלושה מודולים נפרדים.
• החליטו אם מערכות יחסים נכללות בהיקף. Aponte et al. (2026) טוענים שבינה מלאכותית תורמת לפיתוח הסוציו-רגשי של המורים רק כאשר היא פועלת כתשתית מערכתית — זמן מוגן לחונכות, דיאלוג עמיתים, קהילות פרקטיקה — ומציעים צפיפות מערכתית כסטנדרט, בסיפור אמון, המשכיות תמיכה ו co-regulation במקום שעות מגע. שניים מטענותיהם מתורגמים ישירות: זמן משוחרר נספג מחדש כדרישה נוספת אלא אם המוסד דורש באופן רשמי שיושקע מחדש, וסוכנים שיחתיים עלולים להפוך בשקט לתחליף בעל חיכוך נמוך למשא ומתן האנושי הקשה שמייצר צמיחה. המסגרת שלהם היא היוריסטית, לא טענה סיבתית שנבדקה.

התנאים המוסדיים קובעים יותר משה קובעת תוכנית הלימודים

זה הממצא להביא לפגישת מנהיגות. באותו מחקר, סגל קזחי דיווח על מוכנות בסיס גבוהה יותר מעמיתיהם הסינים בכל שבעת הממדים, עם הפערים הרחבים ביותר במסירת תחום דעת, בעיצוב הנחיות ובהבנה בסיסית. עם זאת, ברגרסיה היררכית, מקדם קזחסטן — שהיה משמעותי בבירור בפני עצמו — ירד לחוסר-משמעותיות, קיצור של בערך ארבעה חמישיים, לאחר שנכנסו שימוש קודם ב-GenAI, אימון בינה מלאכותית מהזמן האחרון, תמיכה מוסדית, הרשאה נתפסת, גישת משאבים רב-לשוניים, בהירות מדיניות ורגישות סיכון. תמיכה מוסדית והרשאה נתפסת נשאו את המשקל החיובי הגדול ביותר. רגישות סיכון הייתה החוזה היחיד שפעל נגד המוכנות. יותר מפי שניים סגל קזחי מסיני דיווח על אימון הקשור לבינה מלאכותית בשישה החודשים הקודמים.

למנהל תוכנית, המנופים הם אפוא מקומיים וקרובים: פרקטיקה מעשית, הרשאה מפורשת לנסות, חומרים בשפות שבהן הסגל שלכם עובד בפועל, ותמיכה גלויה מהיחידה. ממסג מדיניות לאומית אינו נושא מוכנות מעצמו. היכן שרגישות סיכון נושכת, התשובה אינה לדבר זהירות כלפי מטה אלא לתת לה מקום להיות ממומשת — עיצוב מחוונים ושגרות אימות הן הדרך שבה עצבנות הופכת לשיפוט.

שני חיכורים מעשיים שייכים לאותו שיחה. כוונת שימוש מתמשכת הייתה ממד הסיפוק המדורג גבוה ביותר בBi et al. (2026) בעוד שמישות הכלי הייתה הנמוכה ביותר, ולכן חלק ממה שנראה כהססנות הוא חיכוך פלטפורמה. וAponte et al. (2026) ממוקמים את הגבול הקשה: בינה מלאכותית אינה יכולה לפצות על עומס כרוני, תרבויות אחריותיות ענישות, מנהיגות חלשה, או היעדר זמן מוגן. אם אלה התנאים שלכם, סדנה טובה יותר לא יתקן אותם.

הסקפטיים והחרדים הם הנקודה, לא המכשול

Laidlaw (2026) טוענת מחשבון אוטואתנוגרפי שהתנגדות אינה מחסור בכישורים. חברי סגל ששואלים מה טעם ההוראה בעולם של GenAI אינם שואלים כיצד להשתמש בכלי בבטחה; השאלה אונטולוגית. בקריאת GenAI כמושג סף — טרנספורמטיבי, טורבלנטי, בלתי-הפיך, אינטגרטיבי, מוגבל — היא מסיקה שחרדה, התנגדות ובלבול הם חלקים הכרחיים מחצייתו ולא בעיות לתיקון, וההמלצות שליה הופכות את הסדנה הסטנדרטית: לפתוח בשאלות זהות במקום בהדגות, להריץ קבוצות תחום-דעת, לאפשר צירי זמן שונים, ולהתייחס לאי-אימוץ עקרוני המבוסס על ערכי התחום כאל לגיטימי. היא מזהירה גם שהעברת כללים עלולה להחליק ל"אשליית אכיפה" שמחליפה מסרי ציות בתמיכה.

יש גם טיעון עיצובי להסתגלות כאן. בBai and Hsieh (2026), זהות מקצועית חזה התנהגות חדשנית כמעט פי שניים בקרב משתמשים לא-תכופים של בינה מלאכותית מאשר בקרב משתמשים יומיומיים — תוצאה בגבול, אך היא מציעה שעבודה על זהות משתלמת ביותר עם האנשים שבקושי נוגעים בכלים. Sutedjo et al. טוענים לתכנות מכוון של תחום דעת מכיוון שמומחיות אינה עוברת; Laidlaw רוצה קבוצות תחום-דעת כהקשר לשיחות זהות; וBai and Hsieh מציעים הבחנה לפי ניסיון, כאשר משתמשים מוגבלים זקוקים להכוונה בסיסית ומשתמשים תכופים מרוויחים יותר מפרויקטים בין-תחומיים.

למשתתף החרד, Aponte et al. (2026) מוסיפים תנאי ממשל ולא תנאי מוטיבציוני: להפריד תמיכת רווחה מהערכה מנהלית, למזער נתונים, להגביל מטרה, לשמור על השתתפות וולונטרית, ולהבטיח פיקוח אנושי. אלה מה שהופך את ההודיה באי-ודאות לבטוחה במרחב המתווך בבינה מלאכותית.

לשכבה האפקטיבית יש מכשיר משלה כעת. Vassallo (2026) סקר 109 אקדמים וזיהה "קומפלקס אשמה של בינה מלאכותית": 35% דאגו שהשימוש בבינה מלאכותית פוגע באמינות שלהם ו-26% דיווחו שהרגישו שהם "רימו", כאשר אשמה צפויה על אמינות עולה על חרטה לאחר השימוש, ולכן הסבל הוא סוציו-מקצועי ולא פרטי. ארבעה פרופילים צצו — Adopters נוחים (27%), Non-Users אשמים (29%), Users זהירים (28%) ו-Avoiders מוטה-מצוקה (16%) — מה שאומר שתוכנית בודדת מתייחסת לארבע בעיות שונות, וה-29% שמרגישים אשמה בזמן שאינם משתמשים בכלים זקוקים למשהו אחר מהדגמה. קנה המידה של המשימה המוסדית גלוי בסקירת AAC&U/Elon של 1,057 חברי סגל (Watson and Rainie 2026): 68% אמרו שהמוסדות שלהם לא הכינו את הסגל להשתמש בבינה מלאכותית יוצרת להוראה ולחינוך, ושלמה דומה למחקר, בעוד 26% מהמשיבים אינם משתמשים בכלים כלל — כולל 40% מחברי סגל לאמנויות ומדעי הרוח — ו-82% מציינים את התנגדותם של עמיתים כמחסום לאימוץ במחלקה.

הוכחה שזה עבד למישהו שמממן אותו

השלד המוסדי שכדאי ליישר אליו הוא Crompton, Burke and Nickel (2026), שמחקר מבוסס-עיצוב שלהם לאורך שני מחזורי-מאקרו ו-114 משתתפים — סגל מ-28 מוסדות בארצות הברית ו-11 מדינות, בתוספת מנהלי מרכזי הוראה ורכזי אקרדיטציה — הפיק שישה סטנדרטים החוצים את כל התפקיד האקדמי ולא רק את חיתוך ההוראה שלו: Instructor, Coordinator, Leader, Researcher, Learner ו-Contributor. הפער הוא אמיתי: מסגרות וסטנדרטים קיימים למחנכים מכוונים למורי חינוך גן ותיכון (K-12) או מתייחסים רק להוראה. סטנדרטים מסוג זה מאפשרים למרכז פיתוח ליישר את ההצעה שלו עם הערכה ואקרדיטציה במקום להריץ סדנות מנותקות, וזה גם הטיעון ששורד סקירת תקציב.

היזהרו כיצד אתם מעריכים, מכיוון שרוב הספרות הזו מודדת דיווח עצמי. Bi et al. (2026) מדדו מוכנות מדווחת עצמית, לא הוראה מיושמת או למידת סטודנטים, והקבוצות שלהם נוצרו על ידי הרשמה וולונטרית ותזמון מוסדי ולא על ידי סידור אקראי, ולכן תוצאותיהם הן שיוכים ולא אומדים סיבתיים. Bai and Hsieh (2026) הוא חתך-רוחבי ובחירה-עצמית, שאגב נתונים משמונה אוניברסיטאות במדינה אחת, ומדד כל מבנה מאותם משיבים בפעם אחת; סולם החדשנות שלהם שמר גם את הניסוח של מדד חדשנות כללי. Sutedjo et al. אינם יכולים לקבוע כיוון של סיבתיות, מה שחשוב מכיוון שהטענה החוזקת ביותר שלהם — שידע טכנולוגי פועל כשער — היא בדיוק מה שתכנון חתך-רוחבי אינו יכול להכריע. Talebzadeh (2026) מדווח אפקטים גדולים מאוד ללא סידור אקראי, מעקב או פירוט ברמת תחום דעת, ולכן d = 2.36 צריך להיקרא כקצר-טווח ולא כהוכחת תרגול מתמשך. Laidlaw (2026) היא הגה אוטואתנוגרפית, וAponte et al. (2026) מציינים שהמסגרת שלהם היא קונספטואלית.

הערכה הגנתית מודדת אפוא ארטיפקטים ולא דעות: חומרי הקורס שמשתתף ערך, המחוונים שנכתבו, המשימות שעוצבו. היא בודקת בעיכוב, מכיוון שהפער בBi et al. (2026) הופיע רק במעקב, שם הקבוצה הקלאסית דעכה והמבנית לא. היא מתייחסת לסיפוק ולבטחון כאותות חלשים — Pishtari et al. (2026) מציינים שרוויחי איכות בלבדם אינם מוכיחים internalization, מכיוון שעליית איכות העיצוב יכולה לשקף באותה מידה האצלת עבודה שגרתית או קבלת מבנה שנוצר בבינה מלאכותית. ושהיא מוסיפה לפחות אינדיקטור מערכתי אחד, לפי Aponte et al. (2026), מכיוון ששיפור ארטיפקטים תוך בידוד משתתפים אינו מה שהתוכנית טענה.

שלוש התנגדויות, בתשובות

"אין לנו את השעות." אז בזבזו אותן אחרת במקום להוסיף אותן. ההשוואה בBi et al. (2026) שמרה זמן מגוע קבוע בארבעה מפגשים של 90 דקות; הזרוע המבנית הביסה באותו תקציב. שש שעות מסודרות כמחזור ארטיפקט מביסות שש שעות של הדגות, ופורמט קצר יותר שהושקע במחווני הערכה מכוון לתחום החלש ביותר בTalebzadeh (2026).

"הסגל שלנו לא יבוא, או שהסקפטים יהרסו את זה." אל תגייסו את הסקפטים להדגמה. פתחו בשאלות זהות, הריצו קבוצות מתחומי דעת, אפשרו צירי זמן שונים, ואמרו בקול שאי-אימוץ עקרוני הוא עמדה לגיטימית — זו ההמלצה מLaidlaw (2026) והיא מסירה את הטיעון על ציות מהחדר. צפו שעבודה על זהות תשמש ביותר עם משתמשים לא-תכופים, לפי Bai and Hsieh (2026).

"אנחנו לא יכולים לגרום לאנשים לפעול על פי זה." ברובכם אינכם יכולים, אך אתם יכולים לשנות את מה שהמוסד מסמן. הרשאה נתפסת ותמיכה מוסדית נשאו את המשקל החיובי הגדול ביותר בBi et al. (2026) לאחר שאפקט הרקע הלאומי קרס, ולכן המהלכים המועילים הם הזולים: לציין שניסוי מורשה, להגן על הזמן באופן רשמי כדי שלא ייספח מחדש, לספק חומרים בשפות העבודה של הסגל, ולהסיר חיכוך פלטפורמה, שהיה הממד המדורג הנמוך ביותר באותו מחקר.

צ'ק-ליסט למעצבי תוכנית

• עגנו כל מפגש בארטיפקט קורס אמיתי — מטרות, מחוון או משימת הערכה — שהמשתתפים מביאים איתם ומעריכים לפני שהם יוצאים.
• שימו אימות, גילוי ובקרת סיכון בתוך התבנית העובדת במקום להוסיף אתיקה כיחידת סיכום.
• הריצו די זמן, וצרפו לתוכנית מעקב מבוסס חונכות; צוות מנוסה מדווח שפורמטים קצרים אינם יכולים לשנות הרגלים עמוקים.
• בנו קבוצות מתחומי דעת והבחינו לפי רמת ניסיון במקום להריץ סדנה אוניברסלית אחת.
• פתחו בשאלות זהות לפני הדגות, והתייחסו לאי-אימוץ עקרוני כאל עמדה מקצועית לגיטימית.
• אבטחו תמיכה מוסדית, הרשאה נתפסת, זמן מוגן וגישה בשפות העבודה של הסגל; אלה נושאים משקל רב יותר מממסג מדיניות לאומית.
• העריכו עם ארטיפקטים, מדידה בעיכוב ולפחות אינדיקטור מערכתי אחד; דווחו גדלי אפקט בכנות כנגד תכנוני דיווח-עצמי וחתך-רוחבי.

ליעד הכשירות עצמו ראו אילו כשירות חבר הסגל צריכות ביחס לבינה מלאכותית?; לבניית בינה מלאכותית לקורס במקום לסדנה, ראו כיצד עליכם לעצב שילוב של בינה מלאכותית בחוויית הלמידה?; ולתמונה המוסדית הרחבה, ראו מהם 10 הממצאים המובילים ממחקר בינה מלאכותית בחינוך שעל מורים לדעת?.