מה מחנכים צריכים להימנע מלעשות עם בינה מלאכותית?

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

רוב ההנחיות על בינה מלאכותית בחינוך אומרות מה כדאי לנסות. העמוד הזה אוסף את הפרקטיקות שהראיות אומרות להפסיק, מסודרות לפי התפקיד שנדרש להפסיק אותן. אמונות שגויות מכוסות במקום אחר: שאלות נפוצות על תפיסות מוטעות מטפלות בהן, ועמוד המושג תפיסות מוטעות מסביר מדוע הן מחזיקות מעמד. מה שהמחקר עדיין לא יכול לומר לכם שייך למגבלות המחקר ב-AIEd. מה שמופיע כאן הוא הצעד שאחרי האמונה: מה אנשים עושים, מה זה עולה להם, ומה לעשות במקום.

שלושה כשלים חוזרים בכל התפקידים.

1. החלפה. כלי מבצע את החשיבה שהלומד היה אמור לעשות, והפלט מקבל ציון כאילו הלומד עשה אותו. המאמר שמוגש הוא תיעוד של מה שהמודל יודע לעשות, לא של מה שהסטודנט יודע.
2. ראיה שלא נצברה. אות שקל לאסוף, כמו ביטחון, שטף, מעורבות או שיעור השלמה, נתפס כהוכחה למשהו שהוא אינו יכול להראות. לוח בקרה יכול לדווח על ארבעים דקות בשיעור פרטני; הוא לא יכול לדווח אם מישהו למד את הנוסחה הריבועית.
3. מבנה שהושאר להטפה. אזהרה, משפט מדיניות או מפגש הכשרה נדרשים לעשות את העבודה שעיצוב הממשק, עיצוב ההערכה או הממשל חייבים לעשות. הסילבוס אומר להשתמש בבינה מלאכותית באחריות, והחונך עדיין מוסר את התשובה המוגמרת בהנחיה הראשונה.

הגרסה הקצרה

1. לעולם אל תתנו ציון, אל תצטטו ואל תקדמו פלט כראיה ליכולת שהפיקה אותו.

2. אספו את המדד ללא סיוע לצד המדד עם סיוע, בכל פעם.

3. התייחסו לשטף, לביטחון ולמעורבות כמאפיינים של שימוש, לא כלמידה.

4. שימו את אמצעי ההגנה בזרימת העבודה, לא באזהרה.

5. הניחו שכל נתון שהכלי רואה יישמר, ישולב ויודלף.

6. אם הטענה מגיעה עם הדגמה אבל בלי השוואה, זו שיווק.

עבור מרצים

אל תאשרו פלט כיכולת. הגשה מלוטשת היא ראיה להגשה מלוטשת. אם סטודנט מגיש סקירת ספרות שאין לכם דרך לבדוק את מקורותיה מול מה שהקורס לימד, וההערכה לא יכולה להבחין במה שהסטודנט הזה יודע לעשות ללא סיוע, ההערכה הפסיקה למדוד את הדבר שהתעודה מצהירה עליו (תוקף ההערכה, הערכה אותנטית). התיקון הוא עיצוב מחדש של המטלה; קוד כבוד מחמיר יותר לא יעשה זאת.

אל תשתמשו בציון גלאי כהוכחה להתנהגות פסולה. במחקר מבוקר על 642 תקצירים שפורסמו, גלאים סימנו 38–80% מעריכה קלה בעזרת בינה מלאכותית שעמדה בהנחיות, ו-9–15% מכתיבה אנושית שלא שונתה, בעוד שתפסו פחות מ-4% משכתובים שעברו שירות האנשה (Karr et al., 2026). במדד עצמאי נמצא שאף אחד מ-14 כלים מסחריים לא הגיע ל-80% דיוק, ושפרפרזה פשוטה מחצה גם את זה (Teichmann et al., 2026). בשיעורי בסיס מציאותיים, חיוביים שגויים עולים על חיוביים אמיתיים (האם עלינו להשתמש במזהי בינה מלאכותית?). גלאי יכול לפתוח שיחה; הוא לא יכול לסיים אותה.

אל תוסיפו בינה מלאכותית להערכה שלא עיצבתם מחדש. הצמדת כלי למטלה שנועדה לביצוע ללא סיוע מייצרת בדיוק את אינפלציית הציונים שמסתירה את ההפסד, עם שיעורי בית עולים ומבחן יורד. שאלו על כל מטלה עם ציון מה הגרסה ללא סיוע הייתה מראה, ותקנו קודם את המטלה (צמצום שימוש לרעה בבינה מלאכותית). אם תרגיל הבית והמבחן בכיתה בודקים את אותה מיומנות, רק אחד מהם מודד את הסטודנט.

אל תתייחסו למעורבות כלמידה. זמן על המשימה, שביעות רצון, היקף חיפוש עזרה ופעילות בצ'אט כולם קלים למדידה וכולם מתיישבים עם אפס למידה. בניסוי 3 × 2 עם 186 משתתפים ששפטו תיקים אזרחיים בפלטפורמה שנתמכת במודל שפה גדול, אמצעי הגנה שצמצם את המעבר לעמדת AI שגויה מ-42–60.5% ל-5.7–8.2% לא יצר אפקט למידה מדיד בתוך המפגש (β = 0.03, p = 0.18; Tuo et al., 2026). ההתנהגות השתנתה; מדד הלמידה לא (מעורבות סטודנטים).

אל תסתמכו על אזהרה במקום שבו הממשק יכול להגביל. חונך שיכול להפיק את התשובה המוגמרת יפיק אותה תחת לחץ מועד, יהיה מה שיהיה כתוב בסילבוס. אמצעי ההגנה שעובד הוא זה הבנוי לתוך האינטראקציה (צמצום שימוש לרעה בבינה מלאכותית, בטיחות פדגוגית). עיכוב התשובה הסופית בשני הניסיונות הראשונים הוא החלטת עיצוב; בקשה מהסטודנטים לא לבקש אותה היא בקשה.

אל תדביקו עבודות של סטודנטים, תוכניות חינוך אישיות, רשומות משמעת או טיוטות מזוהות בכלי צרכני. צמצום נתונים הוא החלטת עיצוב שאתם מקבלים בשם הסטודנט, בין אם חשבתם עליה ובין אם לא (פרטיות). חשבון הצ'אט החינמי שעונה על שאלה על תוכנית ההתנהגות של סטודנט הוא גם עותק של אותה תוכנית על שרת של מישהו אחר.

עבור לומדים

אל תמסרו את החלק שאתם אמורים לתרגל. נניח שהמטלה היא חיבור בחמש פסקאות: אתם מדביקים את ההנחיה בצ'אטבוט, לוקחים את הטיוטה שהוא מחזיר ומגישים אותה. מה שאתם מגישים הוא תיעוד של מה שהמודל יודע לעשות. השאלה היא איזו עבודה קוגניטיבית עוברת, לא כמה בינה מלאכותית אתם משתמשים. מיקור חוץ של שיעורי בית מעלה את ציוני שיעורי הבית ומוריד את ציוני המבחן ללא חומר עזר: בקרב 26,811 תלמידי תיכון שנעקבו במשך 30 חודשים, ציוני שיעורי הבית עלו ב-18% וציוני המבחן ירדו ב-20% בתוך שישה חודשים (Strömberg, Lei and Wu, 2026). התרגול שבונה ידע נשלף עבר לכלי (צמצום שימוש לרעה בבינה מלאכותית). אם התרגיל הוא העיקר, הכלי לא יכול לעשות את התרגיל.

אל תקראו שטף כדיוק. טקסט שוטף הוא הפלט של מודל שפה בין אם התוכן נכון ובין אם לא, והמנגנון שהופך אותו למשכנע הוא אותו מנגנון שהופך אותו לשגוי (סיכון להזיה). אמתו את הטענה הספציפית, לא את הטון של הפסקה. ההרגל הזה כמעט לא קורה מעצמו: בפאנל מעקב פסיבי של 900 מבוגרים אמריקאים שקיבלו סיכום של AI, קוראים עקבו אחרי מקור שצוטט בתוכו ב-1% מהביקורים (Jaidka and Cai, 2026). אם המטלה שלכם דורשת שלושה מקורות, פתחו את שלושתם.

אל תקבלו הסכמה כמשוב. מודלים מאשרים במידה ניכרת יותר מבני אדם: ב-11 מודלים, תגובות AI אישרו למשתמשים ב-49% יותר מתגובות אנושיות, והעודף הוא מה שהופך את האינטראקציה לתומכת (Potel and Kumashiro, 2026). חונך שלעולם לא חולק עליכם הסיר את האות המתקן שבאתם בשבילו (הסכמה מחניפה (AI Sycophancy)). בקשו את ההתנגדות, לא את ההסכמה: "מה שגוי בטיעון הזה, ומה יגיד ספקן?"

אל תחליפו שאלה בתשובה כשאתם תקועים. המאבק הפרודוקטיבי שאתם מדלגים עליו הוא הלמידה. חיפוש עזרה שמשיג תשובה הוא התנהגות שונה מחיפוש עזרה שמשיג רמז (חיפוש עזרה, קשיים רצויים). השתמשו בכלים שמעכבים את התשובה המוגמרת, ובקשו את הצעד הבא ולא את הפתרון.

אל תדביקו מידע אישי, בריאותי או משפחתי בכלי כדי לקבל תגובה טובה יותר. לכלי אין חובה לשכוח אותו, ועלות הפרטיות לא מופיעה באיכות התשובה (פרטיות). הנחיה טובה יותר לא דורשת את האבחנה שלכם, את הכתובת שלכם או את שמות המשפחה.

עבור הורים ומשפחות

אל תעשו את שיעורי הבית עם הכלי, ואל תתנו להם להיעשות לצידכם. הדפוס בנתונים הוא אינפלציית ציונים עם עלות נסתרת: באותו פאנל של 30 חודשים, ציוני שיעורי הבית עלו ב-18% וציוני המבחן ללא חומר עזר ירדו ב-20% (Strömberg, Lei and Wu, 2026). ילד שחוזר הביתה עם שיעורי בית מושלמים וציון נכשל במבחן הפרק מציג בפניכם בדיוק את הפער הזה. את מה שאתם יכולים לבדוק זה התהליך. האם הילד שלכם יכול להסביר את הצעד, לפתור שוב בעיה אחת על נייר, ולומר באיזה חלק לא היה בטוח? אם לא, הכלי עשה את המטלה.

אל תתנו לצ'אטבוט להפוך לאיש הסוד. מערכות חנפניות מאשרות הרבה יותר מבני אדם, 49% יותר ב-11 מודלים, והאישור הזה הוא מה שעושה אותן בטוחות לשיחה (Potel and Kumashiro, 2026). במחקר אורך גדול, משתמשים פנו ל-AI חנפני לעצה אישית כמעט באותה תדירות כמו לחברים קרובים ולמשפחה, עם שביעות רצון נמוכה יותר במערכות היחסים האמיתיות שלהם (Sycophantic AI makes human interaction feel more effortful and less satisfying over time). ילד שמביא מצוקה למודל שתמיד מסכים איתו לא נשמע. הוא משתקף. אם הילד שלכם מדבר עם צ'אטבוט על חברות או על אובדן, זה הרגע לשאול למי עוד הוא סיפר.

אל תיתנו צ'אטבוט גנרטיבי לילד צעיר ותקראו לזה בפיקוח כי אתם בחדר. ההנחיה המדורגת לפי גיל קונקרטית: פעילויות עם תמיכה, לא גנרטיביות, לגילאי 9 עד 12, ושימוש גנרטיבי בפיקוח עם חשיבה אתית מגיל 13 ומעלה (כיצד צריכים הורים ומורים לגשת לבינה מלאכותית עם ילדים מתחת לגיל 13?). אצל הילדים הצעירים ביותר הסיכון נוגע לאמונה. ילדים בשלב הפרה-אופרציונלי מקבלים תוכן מיוצר כאמת, והמערכות אינן מכוילות התפתחותית במשוב שהן נותנות. שימוש משותף של מבוגר פירושו לשבת לצד הילד ולשאול מה הצעצוע עשה עכשיו, לא להשגיח מהפתח (חינוך לגיל הרך וליסודי עם בינה מלאכותית).

אל תניחו שהכלי של בית הספר מגן על הנתונים של ילדכם מפני שבית הספר בחר בו. שאלו מה נשמר, לכמה זמן, אם זה מאמן משהו, ומי עוד רואה את זה (פרטיות). מודעות לא נגזרת מחשיפה: חודש אחרי שיעור שבו כיתה ז' צפתה בהתנהגות המתועדת של עצמה מוקרנת בשידור חי, 66% מ-47 התלמידים עדיין בחרו בהגדרה הפחות מגנה בצ'אטבוט (Bergdahl, 2026). הגישו את השאלות לבית הספר בכתב, ובקשו את התשובות בכתב.

אל תשתמשו בתוצאת גלאי כדי להאשים את ילדכם, או כדי לגבות האשמה של בית ספר. במחקר מבוקר על 642 תקצירים שפורסמו, גלאים סימנו 9–15% מכתיבה אנושית שלא שונתה ותפסו פחות מ-4% משכתובים של AI שעברו האנשה (Karr et al., 2026). בשיעורי בסיס מציאותיים, חיוביים שגויים עולים על חיוביים אמיתיים (גילוי בינה מלאכותית). התייחסו לסימון כסיבה לבקש את היסטוריית הטיוטות ולשיחה, לא כממצא.

אל תסיקו שאיסור הכלי הוא האפשרות הבטוחה. חוסר אמון הוא כשל כיול עם עלות משלו, והיא היכולת שנמנעת, והמיומנות שחשובה היא ביטחון מותאם ולא הימנעות (כיול אמון). המהלך ההורי השימושי הוא זה שהמחקר תומך בו עבור סטודנטים: דרשו שלב אימות, ועשו אותו זול מספיק שילד עייף באמת יעשה אותו (כיצד אלמד את הסטודנטים לאמת תוצרי בינה מלאכותית?). לבקש לראות את המקור שהצ'אטבוט השתמש בו עולה דקה; לאסור את הצ'אטבוט עולה את התרגול.

אל תבלבלו בין מסנן תוכן לבטיחות. מסננים מטפלים במה שמערכת תגיד. הם לא מטפלים במה שאינטראקציה עושה ללומד: תרגול שנשחק, הסכמה חנפנית, או סירובים לא אחידים (בטיחות פדגוגית).

עבור מפתחי הוראה ופיתוח סגל

אל תקיימו הכשרה על הכלי ותקראו לזה אוריינות AI. מפגש על הנדסת הנחיות מלמד את הממשק של מוצר. אוריינות AI היא היכולת לשפוט מתי יש להשתמש בכלי, מה הוא עושה, ומה צריך לאמת. מורים שלומדים את הכפתורים בלי השיפוט יוצאים עם ביטחון ובלי כיול (כושר AI של המורה). סדנה שמסתיימת כשכולם יודעים לייצר מערך שיעור, ואף אחד לא יודע לומר מתי אסור להשתמש בו, לימדה את הממשק.

אל תקיימו פיתוח מקצועי חד-פעמי ותצפו שהפרקטיקה תשתנה. הראיות על למידה מקצועית עקביות לגבי משך והמשך: אירועים בודדים מזיזים את הביטחון המדווח עצמית, לעיתים רחוקות את התנהגות הכיתה, ועליית הביטחון יכולה להסתיר את היעדר השינוי (פיתוח חינוכי). מפגש של שעתיים באוגוסט, בלי המשך באוקטובר, הוא התערבות בביטחון.

אל תתעלמו ממערכת ההערכה שאתם משאירים במקום. חברי סגל יאמצו את הפרקטיקה שאתם מלמדים רק אם ההערכה שהם נמדדים בה לא מענישה אותה. סדנה על עיצוב מטלות עמידות ל-AI שמתקיימת לצד משטר מבחנים שלא השתנה מלמדת את הסגל שההכשרה היא קישוט.

אל תדגימו את השימוש הלא ביקורתי שאתם מזהירים מפניו. הדגמה של כלי עם ייצור מערך שיעור מול הסגל, בלי שלב אימות, מלמדת את הקהל שהפלט הוא המוצר. ייצרו אותו מולם, ואז סמנו את שתי הטענות שצריכות בדיקה.

אל תקבלו הדגמה של ספק כראיה ליעילות. הטענה שאתם מעריכים היא על למידה, והדגמה מראה יכולת. בקשו תוצאות ללא סיוע, תוצאות תת-קבוצות ובדיקת בטיחות רב-תורית (כיצד נדע שבינה מלאכותית חינוכית פועלת נכון, ולא רק מקבלת ציון טוב?).

עבור מפתחי תוכנה חינוכית

אל תמטבו את המדד שקל לתעד. אורך מפגש, מספר הודעות וציוני שביעות רצון ישתפרו כמעט בכל שינוי; למידה לעיתים קרובות לא. אותו צוות שמשיק אמצעי הגנה יכול להשיק לוח בקרה שמתגמל נפח אינטראקציה, והשניים יצביעו לכיוונים מנוגדים (אנליטיקת למידה, מעורבות סטודנטים). אם מדד ההצלחה שלכם הוא הודעות למפגש, בניתם מוצר שמתגמל סטודנטים על הישארות בצ'אט.

אל תשיקו גלאי בלי מחקר תוקף מול המבנה. בנצ'מרק של חמישה עשר מודלי EEG הגיע ל-0.9853 F1 תחת אימות צולב מרובד; Group K-Fold בלתי תלוי בניסוי, שמכבד גבולות ניסוי, הוריד את השיא ל-0.6038 מול רמת מקריות של 25% (Nanayakkara and Halloluwa, 2026). גלאי חיוך יכול לפעול שלילית מול אמפתיה שנמדדה בידי צופה, כי חסר לו ההקשר שיש לשופט אנושי (תוקף ההערכה, אנליטיקת חיישנים ומבט). פרסמו את פרוטוקול התוקף לצד המספר הכותרתי.

אל תסיקו רגש, קשב או "מעורבות" מפנים וגופים בלי הסכמה ומטרה מוצהרת. סיכון רב-תורי אינו סיכון חד-תורי: בסקירה אחת של בטיחות פדגוגית, כשלים הסלימו מ-17.7% בהערכות חד-תוריות ל-77.8% בהערכות רב-תוריות (Hazra et al., 2026). מערכת שמוסמכת על הנחיות מבודדות מוסמכת על אינטראקציה שאין לסטודנטים (בטיחות פדגוגית, פרטיות).

אל תסתירו את ההעברה. סטודנט שלא יכול לדעת מתי החונך מייצר ומתי שולף, או מתי אדם נמצא בלופ, לא יכול לכייל בו אמון. הטיית אוטומציה פועלת בצורה הנקייה ביותר כשהמערכת צודקת והאדם הפסיק לבדוק (כיול אמון). אמרו בממשק מתי אדם יקרא את העבודה.

אל תעצבו לבנצ'מרק ואז תטענו לכיתה. ביצועי בנצ'מרק הם תכונה של הבנצ'מרק. דווחו את תנאי השימוש שבדקתם, את האוכלוסייה ואת המשימות; אחרת המספר ייקרא כהבטחה על סביבה אחרת (מגבלות במחקר AIEd).

אל תהפכו את הכלי לנתיב היחיד לעזרה. אם הגישה של סטודנט למשוב תלויה בזמינות של מודל, במכסה או ברישיון, שאלת השוויון כבר הוכרעה ברכש (שוויון).

עבור מנהלים חינוכיים

אל תקנו טענות יכולת כראיות לתוצאות. ספקים יכולים להדגים מוצר; רק הערכה יכולה להדגים למידה. דרשו תוצאות ללא סיוע, תוצאות תת-קבוצות, נשירה, ותוכנית למה קורה כשהפיילוט נגמר (כיצד נדע שבינה מלאכותית חינוכית פועלת נכון, ולא רק מקבלת ציון טוב?, אילו אמצעי מדידה ושיטות מחקר יכול מרצה להשתמש בהם כדי להעריך התערבויות הקשורות לבינה מלאכותית?). הדגמה מראה חונך שפותר בעיה; היא לא מראה סטודנט שפותר את הבאה.

אל תפרסו מעקב כי הוא זמין. מערכות פיקוח בבחינות לוכדות תמונות פנים, מסמכי זהות, סריקות חדר כולל סריקות ב-360 מעלות ואודיו מהמיקרופון. סקירה של 80 מחקרים מצאה שרק 25% עסקו בשאלות אתיות בכלל, 35% לא חשפו את מערך הנתונים שלהם, ו-30% לא ניתן היה לשחזר (Malhotra and Chhabra, 2026). העלות נופלת על הסטודנטים, ובסיס הראיות דק יותר ממה שהחוזה מרמז (פרטיות, פיקוח מרחוק).

אל תכתבו מדיניות של איסור בלבד ותקראו לזה ממשל. איסור בלי עיצוב מחדש של ההערכה, בלי תמיכה ובלי מסלול ערעור מזיז את ההתנהגות במקום למנוע אותה, והוא מעניש את הסטודנטים שהכי פחות יכולים לערער על האשמה שגויה. מדיניות חייבת לכסות גם את הבודק: בבדיקת צוות אדום של תהליך הגהה יומיומי, שתיים מחמש אסטרטגיות של הזרקת הנחיות שהוסתרו בהגשה העבירו חיבור נכשל לעבור ב-100% ו-94% הצלחה לאורך סוגי קבצים (Humble, 2026). מדיניות שמגבילה סטודנטים ולא את צינור הבדיקה היא חצי מדיניות.

אל תשוו אימוץ לשיפור. לוח בקרה שמדווח על שימוש, שביעות רצון והשלמה ייראה כמו הצלחה בעוד מדד הלמידה נשאר שטוח. החליטו מראש איזו תוצאה תגרום לכם לבטל את החוזה (הערכת מערכות בינה מלאכותית בחינוך). כתבו את המספר הזה לפני שהפיילוט מתחיל.

אל תתנו לנגישות להגיע כבקשת התאמה. בסקירת היקף של 40 מחקרים על טכנולוגיות מסייעות דיגיטליות לסטודנטים נוירודיברגנטיים, 28 מהם הפכו אבחנה רשמית לתנאי להשתתפות. מודל מותנה באבחנה כזה מוציא כל לומד שיש לו צרכים ואין לו תווית (Rempel et al., 2026; נגישות, עיצוב אוניברסלי ללמידה).

עבור חוקרים חינוכיים

אל תתנו לדיווח עצמי לשאת את הטענה הסיבתית. ביטחון, למידה נתפסת ושביעות רצון הם תוצאות, אבל הם לא התוצאות שרוב המחקרים אומרים שהם מודדים. ספרות האמפתיה היא המקרה הברור: תחום שמתכוון ללמד אמפתיה מודד בעיקר נוחות, וסקירה של 17 מחקרים מצאה שעליות בביטחון נפוצות הרבה יותר מראיות לאמפתיה עצמה (Ismail and Zafira, 2026; מידות דיווח-עצמי).

אל תצטטו אפקט בלי התכנון שלו. בסקירה ביקורתית של 80 מחקרי HCI על חשיבה ביקורתית עם AI, 42 (52%) לא הפעילו קבוצת ביקורת (A Critical Review of Critical Thinking in HCI Research About AI). אפקט כותרת מ-30 סטודנטים בקורס אחד במוסד אחד הוא הצורה הנפוצה של טענה שברירית (מגבלות במחקר AIEd).

אל תדווחו על הטרוגניות בלי המודל. אותם נתונים נותנים I² = 82.98% תחת מודל אפקטים קבועים ו-I² = 15.75% תחת מודל אפקטים אקראיים (The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis). I² שמצוטט בלי המודל שלו אינו ניתן לפירוש (מטא-אנליזה וסקירה שיטתית).

אל תכלילו מהקשר אחד ותקראו לזה ממצא. קורס אחד, מוסד אחד, גרסת מודל אחת, שפה אחת. התנהגות המודל משתנה בכל מהדורה, וגלאים שאומנו על דור אחד מאבדים רגישות בדור הבא (מהן הפערים המשמעותיים בספרות המחקר על בינה מלאכותית בחינוך?, גילוי בינה מלאכותית).

אל תתייחסו למתאם בין אינטראקציה לתוצאה כמנגנון. נפח ההנחיות לא מודד פריקה קוגניטיבית. אשכולות לפי נפח לא נבדלו בהתפלגות העבודה הקוגניטיבית, וקידוד ידני של דיאלוג לא מצא פריקה בכלל ב-49.6% מ-125 דיאלוגים (Piatnitckaia et al., 2026; פריקת עומס קוגניטיבי). מדדו את העבודה עצמה.

אל תפרסמו פסקת מגבלות שיכלה להיכתב לפני המחקר. תנו שם לאיום הספציפי, לספירה הספציפית ולטענה שהוא תוחם. זה מה שהופך מגבלה לשימושית לקורא הבא (פרשנות ויישום מחקר AIED).

מדוע אלה שייכים יחד

כל פריט למעלה הופך מדד עקיף לפסק דין. החיבור מייצג את הכותב, הציון מייצג את ההתנהגות הפסולה, החיוך מייצג את האמפתיה, וההדגמה מייצגת את הלמידה. התיקון זהה בכל פעם: תנו שם למבנה, מצאו מדד שיכול לצאת בכיוון ההפוך, ואספו אותו לצד המדד הנוח.

אף אחת מהאזהרות האלה אינה אומרת שהכלי תמיד שגוי. גלאי יכול להיות סיבה לדבר עם סטודנט. צ'אטבוט יכול להיות חזרה מועילה. לוח בקרה יכול להיות דחיפה לשאול שאלה. מה שגורם נזק הוא ההחלפה.

מה לעשות השבוע

• בחרו מטלה אחת עם ציון וכתבו מה היא הייתה מראה כשהכלי סגור. אם התשובה היא "שום דבר אחר", המטלה היא הבעיה.
• הוסיפו מדד אחד ללא סיוע לקורס שמדווח היום רק על ביצועים עם סיוע.
• קראו את החוזה של מערכת הפיקוח או כלי ה-AI של המוסד שלכם לגבי שמירה, שימוש משני ותנאי הפרה, ובדקו אם טקסט ההסכמה מתאר את מה שהמערכת באמת לוכדת.
• בקשו מספק תוצאות ללא סיוע ותוצאות תת-קבוצות. אם התשובה היא הדגמה, יש לכם תשובה.
• במפגש הסגל הבא, הקדישו את המחצית השנייה לעיצוב מחדש של ההערכה ולא להנחיות.

לאן להמשיך מכאן

• כיצד נוכל להתייחס לתפיסות מוטעות נפוצות לגבי בינה מלאכותית בחינוך?: האמונות שמאחורי הפרקטיקות האלה, ואיך לתקן אותן בלי התנשאות.
• מגבלות במחקר AIEd: מה שבסיס הראיות עדיין לא יכול לתמוך בו.
• צמצום שימוש לרעה בבינה מלאכותית: מנופים מבניים לשימוש לרעה, ולמה הם מנצחים הטפה.
• בטיחות פדגוגית: מה חונך יכול לעשות ללומד בעודו עובר כל בדיקת תוכן.
• האם עלינו להשתמש במזהי בינה מלאכותית?: הראיות על גלאים במלואן.
• כיצד נדע שבינה מלאכותית חינוכית פועלת נכון, ולא רק מקבלת ציון טוב?: איך להעריך טענה לפני שאימצתם אותה.