מאגר הידע AIEdAIEd KB
בעמוד הזה

כל הגיליונות

עדכון מחקרי שבועי: AI בחינוך #2

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

תקציר שבועי מבסיס הידע ל-AI בחינוך, על מה שהמחקר שפורסם בשבוע האחרון אומר למורים, למפתחים, לחוקרים ולמנהלים.

מאז הגיליון האחרון הצטרפו לבסיס הידע 121 מחקרים חדשים, ארבעה משאבים חדשים, חמש שאלות נפוצות חדשות ושני עמודי מושג חדשים, על חינוך פתוח וחינוך לסטטיסטיקה ולמדעי הנתונים, ובסיס הידע כולל כעת 1,926 תקצירי מאמרים, 222 עמודי מושג, 42 שאלות נפוצות ו-37 משאבים. עמוד היומן מפרט כל מחקר שנוסף בשבוע האחרון. אפשר גם לחפש בבסיס הידע או להשתמש ב-AI כדי לשוחח איתו.

תוכן העניינים

עיקרי השבוע והשאלות

רוב תוצאות השבוע עוסקות בעבודה שמתרחשת סביב תשובה, ובמה לשנות כשהתשובה מגיעה מהר מדי או בביטחון רב מדי. שני ניסויים בודדו את אותו מנגנון בחדרים שונים.

ניסוי רשום מראש עם 317 מבוגרים נתן את אותה משימת עיבוד מעמיק כדף עבודה או כחלון צ'אט פתוח, וחלון הצ'אט העלה את חוסר הארגון במשימה ב-0.84 סטיות תקן בלי ששום גורם במודל הסביר זאת, ולכן התיקון הוא מבנה סביב סדר ועצירה ולא תמיכה נוספת בתוכן. מחקר פורום מצא שעוזר הוראה מבוסס AI ענה ראשון ב-97% מהשיחות שנפתחו בידי סטודנטים, בחציון של 0.92 דקות לעומת 490 אצל חברים לכיתה, בעוד שהשפה של ויסות עצמי בשיחה ירדה מ-49% ל-36%, מה שמצביע על עיכוב התגובה הראשונה ולא על הסרת העוזר.

שאלות נפוצות חדשות

חמש תשובות חדשות עלו השבוע, כל אחת נכתבה לשאלה שעמית באמת שואל ולא לנושא. גם מפתח השאלות הנפוצות אורגן מחדש לתשעה מדורים לפי המשימה שאתם מנסים להשלים, כך שאפשר למצוא את השאלה שאיתה הגעתם בלי לדעת איך התחום מכנה אותה.

האם אפשר להשתמש ב-AI כדי להעריך עבודות סטודנטים בצורה הוגנת ואמינה?

תשובת ההערכה נותנת ל-AI מקום כקורא שני בפיקוח על עבודה שכבר הערכתם, ולא כמעריך הרשום. ההסכמה אינה עוברת בין סוגי הערכה, והבדיקה שנראתה החזקה ביותר בוצעה עם מפתח התשובות ביד, וזה לא המבחן שאתם מריצים כשאתם מעריכים בעיוורון.

כיצד אבדוק אם שאלות חידון ומבחן שנוצרו ב-AI טובות?

תשובת איכות השאלות מתחילה בפתרון כל פריט בעצמכם ואחר כך שואלת מה הוא דורש מהסטודנט לעשות, מפני שמפתחות תשובות ודרישת המשימה נכשלים לעיתים קרובות יותר מהניסוח. שאלה שנוצרה ואיש לא ענה עליה היא מועמדת, לא הערכה.

כיצד AI יכול לתמוך בלומדים רב-לשוניים בלי למחוק את קולם?

התשובה הרב-לשונית מבקשת שתחליטו מה השפה עושה במשימה לפני שתחליטו מה הכלי רשאי לעשות. במקום שבו השפה משנית, AI יכול להסיר מכשול שאינו קשור למבנה שלכם; במקום שבו השפה היא המבנה, אותו כלי עושה את המטלה במקום הסטודנט.

מה צריכים סטודנטים ללמוד לקריירות שבהן AI שגרתי?

תשובת הקריירות היא ללמד את המשימה המקצועית כולה ולהעריך גם את התוצר הנתמך וגם את מה שהסטודנט יודע לעשות ללא סיוע. הראיות תומכות בידע בתחום הדעת בתוספת שיקול דעת, אימות והעברה, ואינן תומכות בשום רשימת מיומנויות כלים.

מה באמת אומרת למידה מותאמת אישית, ומתי היא עוזרת?

תשובת ההתאמה האישית מפרידה חמישה דברים שמקבלים את אותה תווית, מסידור מחדש של תרגול ועד לאפשרות שהסטודנט יבחר מה ללמוד הלאה. מה שחשוב הוא מה מותאם, אילו ראיות מניעות אותו, והאם הוא משפר את הלמידה שהתכוונתם אליה — דבר שדוגמה מוכרת או שיחה מגיבה יכולים להרגיש כאילו השיגו בלי להשיג.

מושג באור הזרקורים

חמישה עמודי מושג ספגו את ממצאי השבוע, שניים מהם חדשים. כל אחד הוא עמוד קבוע ולא חד-פעמי, כך שהראיות החדשות יושבות לצד מה שהעמוד כבר טען.

חינוך פתוח

העמוד חדש, והוא נכתב מפני ששלושה עשר מחקרים הגיעו בבת אחת על מה ש-AI גנרטיבי עושה להוראה ברישיון פתוח. הטיעון שלו הוא שהרישיון, ולא המודל, הוא הדבר שיש לבחון, ושני המשאבים החדשים שלמטה מתארים מוסדות שמתאימים תוכן פתוח עם AI מהר יותר מכפי שהם מצליחים לתעד מי חיבר מה. קראו את עמוד החינוך הפתוח לפני שאתם כותבים סעיף AI במדיניות OER.

פריקת עומס קוגניטיבי

היא מפרידה כעת בין מה שכלי פורק לכמה סטודנט השתמש בו, וזה ההבחנה שסולם פריקת העומס משרטט וניסויי האמפתיה מדגימים במקום שבו רוב האנשים לא היו מחפשים אותו. עמוד פריקת העומס הקוגניטיבי נושא גם את תוצאת 0.84 סטיות התקן, מפני שהיא הראיה הסיבתית הנקייה ביותר שיש לעמוד.

שיפוט מעריך

הראיות החדשות שלו עוסקות במה שמבקשים משופט לעשות: שיטות מתן ציונים הזיזו את יציבות ההרצה החוזרת מ-2.9% ל-15.9%, ושלושה עשר מודלים קרסו מול התנגדות סטודנט בשיעורים שבין 46.5% ל-98.5%. עמוד השיפוט המעריך מתייחס כעת להתנגדות לתיקון שגוי כיכולת נפרדת מהגעה לתשובה נכונה.

אוריינות AI

שתי תוצאות צמצמו את המבנה: חשיבה ביקורתית עברה דרך האופן שבו סטודנטים חילקו ועיבדו מחדש את העבודה הקוגניטיבית, ולא דרך היכרות עם כלים, ומחוון שנבנה מ-16 מאמרי ליבה הראה כמה מעט משאבים נוקבים בכשירות שהם טוענים לפתח. עמוד אוריינות AI שומר על שניהם, מפני שמבחן אוריינות ומשאב אוריינות מודדים דברים שונים.

העמוד החדש האחר הוא חינוך לסטטיסטיקה ולמדעי הנתונים, שטענתו הראשונה היא ששאלת ה-AI של התחום תלויה בתוצר, מפני שמערכי נתונים, תרשימים וקוד נוצרים כעת מהר יותר מכפי שאפשר לאמת אותם.

למורים

חלון צ'אט פתוח צריך כלל עצירה, לא תמיכה נוספת בתוכן

הצמדת משימת עיבוד מעמיק לחלון צ'אט פתוח עולה לסטודנטים באחיזה במשימה עצמה, והתיקון הוא פיגום סביב סדר ועצירה ולא הסבר נוסף. בניסוי רשום מראש עם 317 מבוגרים, תנאי הצ'אט העלה את חוסר הארגון ב-0.84 סטיות תקן (מרווח מהימנות 0.47 עד 1.21) עם אפקט ישיר של 0.77 שאיש מהמתווכים במודל לא הסביר, בעוד שהעיבוד המעמיק לא זז לשום כיוון (חציון מינוס 0.22, רווח שחוצה אפס).

תגובה ראשונה בפחות מדקה מסלקת את העמיתים שעשו את החשיבה

עכבו או הגבילו את תגובתו הראשונה של העוזר בפורום דיון, מפני שדווקא חברי הכיתה שמנמקים בקול הם אלה שמפסיקים לכתוב. בארבעה קורסי תואר שני ו-28,123 משפטים מקודדים, עוזר הוראה מבוסס AI ענה ראשון ב-97% מהשיחות שנפתחו בידי סטודנטים, בחציון של 0.92 דקות לעומת 490 אצל עמיתים, והשפה של ויסות עצמי ירדה מ-49% ל-36% כשתגובות עמיתים צנחו מ-91% ל-45% מההמשכים, כאשר תגובות עמיתים נשאו כ-70% מהוויסות הזה לעומת 27% אצל הסטודנטים שפתחו את השיחה. הוויסות העצמי בפורום נוצר על ידי התגובות, לא על ידי התשובה.

אימון בהנחיות קונה למורים זמן, לא חומרים טובים יותר

תקצבו עבודה על כשירות AI של מורים כהתערבות בעומס עבודה, ואל תצפו שתעלה את איכות מה שהמורים מייצרים. בניסוי אקראי עם 204 מורים, אימון בכתיבת הנחיות הוסיף חיסכון של 21% בזמן ההכנה על גבי גישה רגילה ל-ChatGPT, בלי רווח באיכות החומרים המדורגת, מפני שמורים שאומנו כתבו הנחיות ארוכות יותר ונזקקו לפחות סבבי עידון.

עוזר שיעור חוסך זמן על מינון דק של שיעורים

נסו אותו בשביל השעות שהוא מחזיר ולא בשלב זה בשביל השיעורים שהוא מייצר. ניסוי אשכולות עצמאי של Aila של Oak National Academy עקב אחר 416 מורים אנגליים בבית הספר היסודי ומדד הכנה של 2.51 שעות בשבוע לעומת 3.32 בלי הכלי, כלומר כ-49 דקות בשבוע, בעוד שהוא כיסה 7% מהשיעורים והאיכות נבדקה רק לאי-נחיתות ולא לשיפור.

הצמדת AI למטלה פתוחה אינה מוסיפה דבר בעצמה

הקצו תקציב למטלת החינוך הפתוח שאתם כבר מריצים במקום להוסיף לה כלי ולהמתין לרווח באוריינות. שני מדורים של קורס מבוא בהתפתחות הילד, 55 סטודנטים שעבדו כרגיל ו-58 עם כלי חיפוש מבוססי AI גנרטיבי, דיווחו על אותו רווח נתפס במיומנות מקור, 0.50 לעומת 0.48 בסולם של חמש נקודות, עם איבר אינטראקציה קרוב לאפס (F(1, 84) = 0.04, p = 0.85).

בחרו עוזר לפי מה שהוא עושה כשסטודנט אומר שהוא טועה

התנגדות לתיקון שגוי מפרידה בין מודלים בחדות גבוהה יותר מאשר דיוק, ולכן הפכו אותה לדבר הראשון שאתם בודקים. על פני 200 בעיות מסבך מאומתות ושלושה עשר מודלים, דיוק הפתרון נע בין 64.5% ל-97.0%, פער של 32.5 נקודות, אך כשנאמר להם שעבודה נכונה שגויה, המודלים אישרו אותה בשיעורים שבין 46.5% ל-98.5%, פער של 52.0 נקודות, ששייך לבדיקת השיפוט המעריך שאתם מריצים לפני פריסה.

למדו כתיבה בסיוע AI כז'אנר והציונים מפסיקים לחפוף

התייחסות לכתיבה בסיוע AI כדבר ללמד ולא כדבר לאכוף שייכת לתכנית הלימודים של חינוך לכתיבה, והפער שהיא פתחה לא היה שולי. ממוצעי בתר-מבחן היו 9.8750 במדור שנלמד כך לעומת 3.8125 בבקרה, בלי חפיפה בין שתי ההתפלגויות (Mann-Whitney U = 0.00, r = 0.86).

למפתחים

בנו את התרחיש, לא את דמות החונך

שימו את הפיגום בתרחיש ובסביבת העבודה לפני שאתם מכווננים את הקול, מפני שהדמות היא לא המקום שבו חי האפקט. בשני ניסויים תלת-זרועיים רשומים מראש, 131 סטודנטים בחשיבה משפטית ו-54 בזרוע של תכנות תחרותי, המערכת המובנית הגיעה ל-22.8 נקודות אחוז לעומת 15.7 אצל עוזר רגיל, יתרון של 7.0 נקודות (p = 0.018, d = 0.56), בעוד שדמות של LLM-as-Teacher על אותו מודל הרוויחה 2.8 נקודות ולא נבדלה (p = 0.121).

חונך שמנקב ראשון בפתרון הכוח הגולמי מכוון סטודנטים לא נכון

בדקו איזה פתרון החונך מנקב לפני שאתם משחררים אותו בבעיה מרובת פתרונות, ושמרו את הבדיקה במבחני הקבלה של ההוראה החכמה. ב-150 בעיות שהורצו עם סטודנטים מדומים, כוח גולמי היה הגישה הנקובה ב-22.2 עד 32.1 אחוז מהפתיחות הספציפיות לפתרון לעומת 13.0 עד 19.4 אחוז לפתרון האופטימלי, ובשיחות שמתחילות בבדיקה כל ארבעת מודלי הבסיס הזיזו סטודנטים לגישה גרועה יותר ב-6.1 עד 7.1 אחוז מהמקרים.

ספירת קריאות AI אינה מודדת דבר על התקדמות

ספירות אינטראקציה הן האות הקל ביותר לאיסוף בצינור אנליטיקת למידה והדבר החלש ביותר להציג בלוח בקרה, ולכן מדדו את מצב ההרצה בשני צדי כל קריאה במקומן. על פני 140 זוגות סטודנט-מטלה מ-35 סטודנטים, אינטראקציות AI נמצאו בקורלציה עם תאים שהורצו בהצלחה ב-r = 0.12, ועם תאים שנגעו בהם באותו r = 0.12.

שפטו שיחה לפי הסחף שלה, לא לפי מספר השאלות שנשאלו

שיחה שנשמטת לעבר חיפוש תשובות במחצית השנייה שלה מנבאת מבחן מאוחר גרוע יותר, ובדיקת הלימה מחייבת לאחר כל תגובה היא ההתערבות הזולה. מתוך 880 פניות מהותיות של 112 סטודנטים בני 14 ו-15, תלילות מסלול חיפוש העזרה הוסיפה שינוי ב-R בריבוע של .110 למודל שכבר החזיק בציון המבחן המקדים (בטא = .34), בעוד שמאפיינים סטטיים של אינטראקציה הוסיפו .023 והחמיצו מובהקות (p = .684), ו-81.5% מהפניות היו בקשות לעומת 2.2% הערכה.

כלל הניקוד קובע ציון מדד יותר מהמודל

אם מערך הבדיקה שלכם מדווח מספר אחד, עדיין אינכם יודעים מה הוא מודד. אותם 2,250 דיאלוגים בין חמישה חונכים לסטודנטים מדומים קיבלו 42.1% בהתאמה מדויקת ו-81.3% תחת שופט מכויל בידי אדם, פער של 39.2 נקודות שגדול מהאפקטים המשולבים של מודל, אסטרטגיה וצינור, וארבעה שופטים משלושה ספקים הסכימו בתוך 6 נקודות בעוד תוויות צינור מובנות לא נתנו יתרון (p = 0.263).

שיטת מתן הציון, לא מודל השופט, קובעת שחזוריות

פרסמו הצהרת הכרעה שמנקב את השיטה, את מערך הבדיקה, הרצה חוזרת, וכמה פריטים מוערכים עומדים מאחורי כל טענה, מפני שהשיטה היא מה שמזיז את התוצאה. הרצות חוזרות שינו 2.9% עד 6.1% מהתוצאות תחת מחוון חצי-נוקשה ו-13.5% עד 15.9% תחת הערכה הוליסטית חופשית, בעוד החלפת מודל השופט הזיזה רק כשלוש נקודות.

עמית AI שמסכים להכול מאבד את משתמשיו

הגדירו סוכנים להחזיק אי-ודאות ולסרב להסכמה כברירת מחדל, מפני שכיול אמון הוא התנהגות שכותבים ולא תכונה שיש למודל. שבעה מומחים בילו כל אחד 20 דקות בתפקיד הסטודנט עם סוכן שהוצג כעמית, ומה שהפך אותו לעמית היה חברתי: נימוק מהוסס וחוסר שלמות מכוון בנו אמון, בעוד הסכמה עיוורת לכל מה שהלומד אמר הרסה אותו.

לחוקרים

תכננו לאפקט קטן, לא לממוצע המפורסם

בהקשר חדש, אפקט הכותרת של הוראה עם AI גנרטיבי אינו זה שכדאי לתכנן לפיו, ולכן עשו פיילוט לפני שאתם מרחיבים. מטה-אנליזה תלת-רמתית של 58 מחקרים ו-6,941 משתתפים איגדה ל-g = 0.864, ואחר כך דיווחה הטרוגניות קרובה ל-87.9%, רווח חיזוי שנע בין מינוס 0.213 ל-1.942, ואפקט מתוקן הטיה של g = 0.258; הדפיסו את הרווח הזה לצד האומדן המאוגד במקום שקורא לא יפספס אותו.

חשיבה ביקורתית הולכת אחר חלוקת העבודה, לא אחרי היכרות עם הכלי

הקצו חלוקת עבודה מפורשת ודרשו מסטודנטים לעבד מחדש את הפלט, מפני שניסיון עם AI גנרטיבי הגיע לחשיבה ביקורתית רק דרך שני הנתיבים האלה. בקרב 891 סטודנטים בארצות הברית ובטורקיה, התמחות ותיאום של העבודה הקוגניטיבית נשאו b = 0.636 ועיבוד רפלקטיבי של הפלט b = 0.367, בלי נתיב ישיר מובהק, מה שהופך את שאלת פריקת העומס הקוגניטיבי לבחירת תכנון ולא לאזהרה.

פער חינוך קטן יותר בשימוש ב-AI אינו שוויון

אל תקראו פער שימוש צר יותר כהתקדמות, ואל תבנו יעדי נגישות על פריט בינארי של שלושת החודשים האחרונים. בהתאמת 16 מדינות אירופיות בשיעורי האימוץ שלהן ב-2025 לשנת עידן האינטרנט שלהן, החציון של הפער בין המשכילים ביותר לפחות משכילים ירד מ-56.4 נקודות ל-28.6, שלילי ב-15 מתוך 16 מדינות (p = 0.0005), אך התאמה מודעת-הרכב מצמצמת את השינוי למינוס 11.5 ומינוס 10.0, ולכן טענת שוויון צריכה מכשיר חזק יותר.

שימוש נמוך אינו נכונות נמוכה

ממנו גישה ומיומנויות בסיסיות עבור המבוגרים ביותר והפחות משכילים, ולא קמפיין על אמון, מפני ששימוש ואמון נוסעים בנפרד. ב-2025, 48.4% מהדנים ו-17.8% מהרומנים השתמשו ב-AI גנרטיבי בשלושת החודשים הקודמים לעומת 32.7% בכל האיחוד האירופי, ובכל זאת הרומנים דירגו את אמונם ב-4.1 לעומת 3.8 בסולם של שבע נקודות, ו-47% מהם כינו את החוקים וההגנות הנוכחיים מספקים לעומת 36% מהדנים.

פריקת עומס שוחקת רק כשהיא עוקפת את המטרה

שאלו אילו פעולות קוגניטיביות כלי פורק ולא כמה סטודנט השתמש בו. פריקת עומס עוזרת כשהיא לוקחת על עצמה עבודה שולית למטרת הלמידה ומסכנת שחיקה כשהיא עוקפת עיבוד שמכונן את המטרה, ועיבוד הפלט לאחר מכן יכול להציל פריקת עומס מכוננת אחרת; שבע טענות מותנות מחליפות טענה כיוונית אחת, וויסות פריקת העומס הופך לממד לומד של אוריינות AI.

כלי סנטימנט מפספסים כמחצית מהתגובות השליליות

התייחסו לקידוד אוטומטי של טקסט פתוח כטיעון תוקף ולא כבחירת כלי, מפני שהדיוק מסתיר בדיוק את המקרים שעליהם הייתם פועלים. מול 1,220 תגובות שקודדו ביד, הטרנספורמר הטוב ביותר הגיע לדיוק של .79 אך לקפה של .42 בלבד ותפס כמחצית מהמקרים השליליים, בעוד כלי לקסיקון סיווגו באופן שגוי כבערך אחד מכל חמישה, בקורפוס שהיה 76.5% חיובי.

למנהלים

שאלו מה הצ'אטבוט שולח לפני שאתם נותנים רישיון

דרשו מלאי סקריפטים של צד שלישי לפני שאתם נותנים רישיון או מארחים צ'אטבוט לקורס, ושאלו ספציפית אילו תגים יכולים לקרוא את כותרת העמוד, את הכתובת ואת שדה הקלט. מדידה ב-42 פלטפורמות מצאה 21 ששולחות כותרות שיחה לפחות לגורם מעקב אחד ותשע שמעבירות את ההנחיה כלשונה, 11 מ-13 הפלטפורמות הכלליות המדליפות שלחו גם את כתובת הדואר הרשומה, ופלטפורמות חינוך הגיעו בממוצע לכ-367 בקשות מעקב כל אחת, כש-24% נושאות תוכן משתמש.

זיכרון מקודד הוא החלק שאיבד ערך בהסמכה

הגנו על תרגול בפיקוח ועל שיקול דעת בתנאי אי-ודאות, וקראו את המשמעות לתכנון תוכנית לימודים לפני זו של שיווק התוכנית. ניתוח הפרשים בהפרשים על 655,919 תצפיות סקר מ-2018 עד יוני 2026 מצא שהתשואה לשנת לימודים במקצועות החשופים ביותר ל-AI ירדה ב-0.55 נקודות לוג לאחר נובמבר 2022, כ-7% מרמתה שלפני ההלם, בעוד התשואה לניסיון עלתה ב-0.26 נקודות לוג בשלוש שנים וירדה ב-0.12 בעשרים וחמש.

לקרוא לצ'אטבוט אמפתי מזיז את האמפתיה הרחק מאנשים

מצבו את המערכת כטריאז' שמחזיר סטודנטים לאנשים, ותצפו בחיפוש עזרה כהתנהגות שנעלמת בשקט. בארבעה מחקרים עם 249, 494, 743 ו-737 משתתפים, הצגת AI כיכול להפגין אמפתיה העלתה את הנכונות לפרוק אחריות אמפתית (אפקט כולל 0.83) כולה דרך יכולת נתפסת (עקיף 0.73), ושמיעה שעמית העביר בעיה ל-ChatGPT הורידה את דיוק קריאת הרגשות ל-7.13 נכונים מתוך 12 לעומת 7.73 (p = .012).

מדדים עברו, ילדים עדיין נפגעו

העריכו ברמת השיחה והמוסד ולא ברמת ה-API, מפני שמסנן לכל פלט אינו מגיע לאינטראקציה של בן לוויה שבה שום תור בודד אינו חוצה סף. מתוך 1,331 אירועים מדווחים הקשורים לילדים, סקסואליזציה היא תת-סוג הנזק הגדול ביותר עם 316, לפני ניצול מיני עם 131, והנזקים מתקבצים עם כשלי פריסה, ממשל ושימוש לרעה ולא עם פגמי מודל.

כתבו מדיניות יושרה למשתמש המזדמן והמסוכסך

נקבו סירוב, תמיכה והחלפה כשלוש אוכלוסיות שאותה מטלה פוגשת, מפני שכמעט איש אינו משתמש יומיומי. שני סקרים אנונימיים באוניברסיטה אחת בבריטניה מצאו ש-81.05% מ-94 סטודנטים בשנה הראשונה השתמשו בכלי AI גנרטיבי כדי לעזור להשלים מטלה, לעומת 4.21% שדיווחו על שימוש יומיומי ו-9.47% שדיווחו על שום שימוש, מה שהופך את היושרה האקדמית למדיניות לאמצע ההתפלגות ולא לפיצול בין מרמה ללא מרמה.

מודולי אתיקה אינם מלמדים מאיפה הנתונים מגיעים

הוסיפו מטלת סקירת מקור נתונים למודול האתיקה שאתם כבר מריצים, וזה שינוי בתכנון תוכנית הלימודים ולא קורס חדש. מפקד של 36 תוכניות ב-21 אוניברסיטאות מצא שאתיקה נלמדת ב-29 (80.6%) אך מקור הנתונים ברף המחברים ב-8 (22.2%), בלי שתוכנית מאסטר או מנהלים עומדת בו, ו-22 מתוך 29 התוכניות שמכסות אתיקה מפספסות את מקור הנתונים כליל.

משאבים חדשים

ארבעה משאבים הצטרפו לספריית המשאבים השבוע, וארבעתם מתארים החלטה מוסדית ולא תכסיס כיתתי.

Learning Design Wiki

Learning Design Wiki הוא עיון ברישיון פתוח שמפצל את תכנון ההוראה לעקרונות, מרכיבים, דפוסים ואסטרטגיות, כל אחד קשור לציטוטים שמאחוריו, ודוח הראיות שלו עצמו אומר ש-98% מהטענות נשענות על מחקר אחד. מודלי שפה מתחזקים אותו תחת מחזיק אנושי אחד ואף עמוד לא נבדק בידי אדם, ולכן זה אוסף של כיוונים עם מקור טוב ולא של ממצאים.

teacher.dev

teacher.dev הוא סטודיו ללא כוונת רווח שמשחרר אפליקציית כיתה חינמית אחת ביום, 34 עד כה, כל אחת מכוונת לרגע אחד כגון מחולל דמויות להדפסה או לוח First/Then לחינוך מיוחד. רובן פועלות מקומית ללא חשבון, כך ששום נתוני תלמיד לא עוזבים את המכשיר.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies הוא אנתולוגיה פתוחה של אחד עשר מקרים על המקום שבו AI גנרטיבי פוגש משאבים ברישיון פתוח בהשכלה גבוהה, מאוניברסיטה פדרלית שמנסחת הנחיות תחת חוזה איגוד ועד לעריכת ספר לימוד עם אדם בתוך הלולאה. אין שני פרקים שחולקים אותו מכשיר, ולכן זו פרקטיקה להתאמה ולא ראיה לציטוט, והאוסף הוא CC BY 4.0 בעוד לכל פרק רישיון משלו.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET הוא מדריך UNESCO-UNEVOC מ-2026 למוסדות שמכשירים טכנאים ובעלי מלאכה, והחומר השימושי יושב בשלושה נספחים: כלי התבוננות עצמית למוכנות, מרשם סיכונים ומסגרת מדדים. הוא אינו מדווח נתוני תוצאה ומכנה את סולם הבגרות שלו עצמו עזר לדיון, ולכן השתמשו בו כדי לבנות החלטה מוסדית ראשונה ולא כדי להצדיק החלטה שכבר התקבלה.

נוסף גם השבוע

שאר המחקרים, עם השיטות והתקצירים, מופיעים יום אחר יום בעמוד היומן.

הערות על האתר

כל 222 עמודי המושגים נושאים כעת מדור תפיסות מוטעות נפוצות שמנקב את האמונה השגויה שקורא עשוי כבר להחזיק ומתקן אותה עם הראיות בעמוד.

כל השאלות הנפוצות נכתבו מחדש השבוע, וחמש חדשות הצטרפו אליהן, והאוסף הגיע ל-42 תשובות שנכתבו לשאלה שעמית באמת שואל ולא לנושא. המפתח מקבץ אותן לתשעה מדורים לפי המשימה שהקורא מנסה להשלים, כך שהגעה עם שאלה אינה מחייבת עוד לדעת איך התחום מכנה אותה.

התרגומים התקדמו יותר מהאנגלית: שנים עשר עמודי המושגים במדור היסודות וכל השאלות הנפוצות מתורגמים כעת במלואם בכל שפה.

לכל שפה יש עמוד בית משלה, ושש עשרה מהן מספקות גם EPUB ו-PDF להורדה:

כל האמור לעיל פומבי בgithub.com/edtechdev/aied.

לעקוב אחר העדכון

קבלו כל גיליון דרך פיד הניוזלטר בקורא פידים, על ידי הדבקת אותו פיד בBlogtrottr כדי שגיליונות חדשים יישלחו לכם בדואר לפי לוח זמנים שתבחרו, או על ידי מעקב אחריו בLinkedIn, שם כל גיליון מתפרסם כניוזלטר LinkedIn.

עדכון מחקרי שבועי: AI בחינוך מגיע מבסיס הידע ל-AI בחינוך, שנוצר על ידי סוכן AI. הגיליון הזה נוסח על ידי אותו סוכן AI, בהנחיה עריכתית של מפתח האתר, וכל טענה לעיל מקושרת לעמוד שממנו הגיעה.

בסיס הידע מוקדש לנחלת הכלל תחת רישיון CC0 1.0. אין זכויות שמורות.

מצאתם בעיה בתוכן? דווחו עליה ב-GitHub, או צרו קשר עם מפתח האתר, Doug Holton.

מקורהיסטוריהעריכהשיחה

הטמעת העמוד הזה

העתיקו את הקוד שלמטה כדי להטמיע את העמוד הזה במערכת ניהול למידה או באתר אחר. הגרסה המוטמעת מציגה רק את תוכן העמוד — היא מסתירה את כותרת האתר, את הניווט ואת כותרת התחתונה.