אסטרטגיות הערכה בלמידה מרחוק בעידן הבינה המלאכותית - לא פוחדים מ-AI

 

ד"ר חני שלטון, האוניברסיטה הפתוחה
hanyshil@gmail.com

 

עם ההתקדמות המשמעותית בתחום הבינה המלאכותית נפתחות אפשרויות חדשות ליישום הערכה אותנטית משולבת בלמידה, מותאמת אישית, המדגישה את תהליך הלמידה. עם זאת, עולים גם אתגרים כמו החשש של מרצים מניצול כלים אלה על ידי הסטודנטים כדי להשיג הכרה אקדמית ללא מעורבות פעילה שלהם בתהליך הלמידה.

 

במקום לדכא את השימוש בבינה מלאכותית, אפשר לאמץ גישה פרואקטיבית ולחקור כיצד ניתן להתאים את נוכחותה בתהליכי ההערכה. זה מסע מרתק בו אנו נמצאים כעת, ואני רוצה לשתף במחשבות ובפרקטיקות.

 

בשנתיים האחרונות לימדתי מרחוק קורס באקדמיה 'הערכה בסביבה דיגיטלית', והדגשתי בתוכני הקורס את חשיבות הגישה 'הערכה לשם למידה' (הל"ל) או בשמה האחר “הערכה מעצבת”.

 

הערכה לשם למידה כוללת שלושה שלבים עיקריים: קביעת יעדים ללמידה, עיצוב מטלות וקריטריונים להערכה, והערכת הביצועים והפקת משוב בונה (בירנבוים, 2013).
הקורס נבנה כך שהעקרונות של הל"ל באו לידי ביטוי לא רק בתוכני הקורס אלא גם באופן הלמידה של הסטודנטים בקורס, כפי שיתואר כאן בהמשך. עם עלייתם של כלי הבינה המלאכותית היוצרת המחוללת טקסט, יישום אסטרטגיות הערכה של הל"ל הפך להיות פשוט יותר ונגיש יותר גם למרצים וגם לסטודנטים. יחד עם זאת, השימוש המושכל של הסטודנטים בבינה מלאכותית יוצרת דורש עוד התנסות וחקירה של תהליכי הערכה ולמידה באמצעותם.

 

אם כך, מהם העקרונות של הל"ל בשילוב בינה מלאכותית שניתן ליישם בקורסים אקדמיים?

 

צרכים מגוונים של הסטודנטים והערכה מותאמת אישית

כאשר חושבים על כלים ועל שיטות להערכה, כדאי לקחת בחשבון את הצרכים המגוונים של הסטודנטים (Levy-Feldman & Libman, 2022), את עמדותיהם ואת תפיסותיהם לגבי תוכני הקורס. כך למשל, יש סטודנטים שבאים ממערכת החינוך ויש שבאים מעולם ההדרכה של ארגונים, יש סטודנטים מהמגזר היהודי, מהמגזר החרדי ויש מהמגזר הערבי, הדרוזי וכד'. כדי לאסוף מידע אודות הידע המוקדם של הסטודנטים ותפיסותיהם באשר ל'הערכה בסביבה דיגיטלית', הם משיבים בראשית הקורס על שאלון מקדים. מסקנותיהם מתוך מילוי השאלון משמשות ידע מקדמי לעיצוב ההוראה ובסיס להמשגה של תהליכי הערכה מיטביים.

 

המטרה של התהליך להתאים את מטלות הקורס להקשרים שונים של קבוצות הלומדים (כדי להימנע מהטיות) ולספק מגוון רחב של סוגי הערכה וכלים לאורך הקורס, כך שיינתן מענה לצרכים השונים וכדי לקבל מידע הוליסטי ככל שניתן על תפיסותיו ועל כישוריו של הלומד. לדוגמה, מטלת ביצוע המותאמת לקהלי היעד באמצעות פרומפט בבינה מלאכותית שהגדיר את קהלי היעד בהתאמת התוכן של המטלה כמו גם בהתאמת הניסוח לדוברי עברית כשפה שנייה.

 

הידע והכישורים של הלומדים בעידן הבינה המלאכותית 

מטלות הערכה מגוונות מאפשרות להעריך את הידע והמיומנויות של הלומדים מכמה זוויות ( Salinas-Navarro, Vilalta-Perdomo, Michel-Villarrea & Montesinos, 2024). סוגים שונים של הערכות מספקים אפשרויות להפגנת הכישורים והידע באופן מגוון. כך למשל, הרצאה בליווי מצגת ושיח אודות מאמר, חקר מקרים והדגמות מעשיות, וכאמור – מטלות ביצוע. בהערכות מסוג זה באים לידי ביטוי כישורי חשיבה מסדר גבוה, כמו: אוריינות דיגיטלית, תקשורת, הבחנה בין עיקר לטפל, השוואה, הסקת מסקנות, פתרון בעיות, עבודת צוות, הערכה ביקורתית, נקיטת עמדה והנמקה וכד'. גישה זו מאפשרת ללומדים להציג את חוזקותיהם ולהפגין את הבנתם בדרכים המתאימות להעדפותיהם ולכישוריהם. 

 

גיוון בעיצוב מטלות אותנטיות להערכה

כעת, בעידן הבינה המלאכותית היוצרת, המרצים יכולים ליצור מטלות מגוונות וחדשניות בקלות יחסית, בעוד הסטודנטים יכולים להשתמש ביכולות הבינה המלאכותית כדי להעמיק את הלמידה שלהם ולהגיע לתוצרים מיטביים. עם זאת, חשוב לוודא שהסטודנטים אכן רוכשים את הידע והכישורים שהוגדרו כמטרות הקורס. בעידן שבו ניתן לתרגם מאמר בקלות רבה, להפיק ממנו את הרעיונות המרכזיים, להסיק מסקנות, להשוות בינו לבין מאמרים אחרים בתחום, כל זאת באמצעות הבינה המלאכותית – איך נוכל לדעת מה הסטודנט יודע ומסוגל לעשות בסוף התהליך?

 

כדי להתגבר על מכשול זה, כדאי להציע מטלות המדגישות אינטראקציה אנושית ולמידה מעמיקה. לדוגמה, הסטודנטים מציגים מאמר או נושא בעל פה, מנהלים דיון עם עמיתיהם לקבוצה, ומשיבים על שאלות. הם יכולים להשתמש בבינה מלאכותית כדי להבין את המאמר טוב יותר, להכין שאלות אפשריות ולחשוב על תשובות אבל הם נדרשים להפגין ידע ומומחיות. מטלה כזאת דורשת מהסטודנטים להציג את הלמידה המעמיקה שלהם תוך תקשורת אפקטיבית עם קבוצת הלומדים, ובכך מהווה חלופה ראויה לבחינה בכתב.

 

הצעה נוספת היא יצירת פודקאסט בנושא שנלמד בקורס. הסטודנטים יציגו את הרעיונות המרכזיים של הנושא ויראיינו דמות שקשורה לנושא. הם יכולים להשתמש בבינה מלאכותית כדי לגבש את הרעיונות המרכזיים, להכין שאלות לראיון, ואף להתאמן על הראיון עם דמות שנבחרה על ידם. מטלה זו מאפשרת לסטודנטים להפגין את הבנתם המעמיקה של הנושא, כמו גם את כישורי התקשורת והיצירתיות שלהם.

 

מטלות כאלה מזמנות מתן משוב מעצב שמטרתו שיפור תוצרי הביניים לכדי תוצר משופר. הערכה המשולבת בהוראה יכולה לשקף היטב את ההנעה של הלומדים ואת התקדמותם בלמידה, תוך מעורבות ותמיכה בתהליכי ההערכה ובחוויות הלמידה המותאמת אישית.

 

דוגמאות למטלות הערכה בקורס אקדמי (מטלות ומחוונים שנכתבו בשילוב עם הבינה המלאכותית): קישור לנספח

 

• מטלת ביצוע שבה הלומדים מתבקשים לכתוב נייר עמדה עבור הארגון שבו הם עובדים, המתייחס לכישורים הנדרשים מהלומדים או מהעובדים והנמקה לגבי נחיצות כישורים אלה בהלימה להקשר הארגוני הספציפי שלהם, כל זאת בהתבסס על מסגרות מושגיות של כישורי 2030-2050 שנלמדו (ראו בנספח דוגמה מס' 1).

• הצגת מאמר כרפרט (באמצעות מצגת) בראייה ביקורתית בפני הסטודנטים, הכולל התייחסות למאמרים נוספים בנושא, רעיונות ליישום הנלמד, הצגת נקודת מבט אישית על הנושא וכד' (דוגמה מס' 2) מתן משוב כתוב בהלימה למצופה במחוון (דוגמה מס' 3).

• מטלות כתיבה מצומצמות בפורומים פתוחים הכוללים תוצרים שונים, כמו למשל: כתיבת מסמך הנחיות להערכה מיטבית לצוות המורים בבית הספר, הצגת תכנית מקיפה לפיתוח קהילת מורים מקצועית לומדת המקדמת תהליכי הערכה, מתן משוב לתלמיד והנמקה המתבססת על מאפיינים של משוב יעיל (ראו דוגמה 4). משוב חוזר לסטודנטים עמיתים בהתייחס למשוב שנתנו, כולל הצעות לשיפור (דוגמה מס' 5)

• רפלקציה על הלמידה בקורס באמצעות מענה לשאלון הכולל שאלות פתוחות, כגון: אני נכנס לאתר הקורס כאשר... כשיש לי קושי להתמודד עם מטלה אני... וכד', ובאמצעות רפלקציה פתוחה על הצגת הרפרט ועל מטלת הסיכום של הקורס בהתייחס ללמידה לאורך כל הקורס.

• ניתוח מקרה – ניתוח סביבת אתר הקורס, ההוראה, הלמידה והערכה על פי גישות ועקרונות שנלמדו בקורס ('הערכה לשם למידה' ועל פי גישה של חוללות עצמית בלמידה). האופן שבו הסביבה באה לידי ביטוי בגישה, במאפיינים ובעקרונות/בפרקטיקות תוך הבאת דוגמאות קונקרטיות של יישום עקרונות אלה.

 

הבינה המלאכותית יכולה לסייע לסטודנטים לשכתב את הרעיונות ולנסח אותם באופן בהיר יותר וקוהרנטי.
באמצעות מטלות אלו, אנו יכולים להעריך את הידע והכישורים של הסטודנטים באופן הוליסטי, תוך כדי עידוד למידה פעילה ומעורבות עמוקה בחומר הנלמד.

 

פיתוח קריטריונים ומחוונים להערכת המטלות

פיתוח קריטריונים ומחוונים להערכת מטלות, מטרתם לסייע ללומדים להבין מהם הציפיות מהם ואילו איכויות מאפיינות תוצר איכותי (Kaldaras, Yoshida & Haudek, 2022). מחוון מפורט מתייחס למגוון היבטים של המטלה, החל מהפרומפט שניתן, דרך הדיאלוג שנערך עם הכלים שבשימוש, ועד לאיכות התוצר הסופי. המחוונים מתייחסים גם לאיכויות כמו יצירתיות והבעת קול אישי, ארגון התוצר ושקיפות בדיווח על התהליך שבו נעשה שימוש בצ'טבוטים.

 

הקלות שבה ניתן כיום לפתח מחוונים בשילוב עם כלי בינה מלאכותית מאפשרת ייעול של התהליך ודיוק שלו. כך למשל, ניתן להעלות את המטלה, לבקש הצעה לקריטריונים או להזין את מטרות הלמידה ולבקש מהבינה לנסח מחוון שיש לו הגדרה של מספר רמות ביצוע מצופות, קריטריונים ומשקלות, הנחייה להבחנה תיאורית מוקפדת בין רמות הביצוע השונות וכד'.

 

שימוש בכלי בינה מלאכותית יכול לחסוך זמן ומאמץ, ולסייע למורים ולמרצים ליצור מחוונים אובייקטיביים, הוגנים ומקיפים, התורמים להערכה אפקטיבית של הלמידה. עם זאת, חשוב לזכור כי מעורבות אנושית נדרשת עדיין כדי להבטיח שהמחוונים יותאמו באופן מיטבי למטרות הלמידה ולצרכים הייחודיים של הלומדים (דוגמה מס' 6).

 

הדגשת תהליך הלמידה

תשומת לב רבה ניתנת לתהליך הלמידה ולא רק לתוצאה הסופית (Popta et al., 2017). הלומדים נדרשים להעריך ולשפר את עבודותיהם לאורך כל מסע הלמידה. כל מטלה מסכמת מועלית לפורום פתוח שבו כל חברי הקורס יכולים לצפות בטיוטות ולתת משוב זה לזה. תהליך זה מאפשר ללומדים לחשוב באופן ביקורתי, ללמוד מעמיתיהם ולשפר את המטלות לפני הערכתן הסופית. המשוב שהם מקבלים ונותנים הוא כלי חשוב לרפלקציה ולשיפור רציף של עבודתם.

 

בנוסף לכך, הלומדים יכולים להיעזר בבינה מלאכותית לתמיכה במטלות השונות. הבינה המלאכותית מספקת הנחיות כלליות להתמודדות עם המטלות, מציעה דוגמאות לתוצרים אפשריים, ועוזרת בתהליכי הכתיבה, הניסוח והארגון. יתרה מזאת, היא יכולה לתת משוב מיידי על טיוטות, מה שמאפשר ללומדים להבין במהירות כיצד ניתן לשפר את עבודותיהם. כל אלו מובילים ללמידה מעמיקה ומשמעותית, שבה התהליך מהווה חלק בלתי נפרד מההצלחה הסופית (דוגמה מס' 7).

 

הערכה עצמית, הערכת עמיתים וקידום הערכה ביקורתית

אסטרטגיה שמאפיינת את הלמידה היא היכולת של הלומדים להעריך את עצמם או את עבודתו של עמית לקבוצה. זו פעילות שמוקדשת להערכה של עבודות ספציפיות, שנוצרו הן על ידי יחיד או קבוצה, או להערכת תרומת כל אחד ללמידה המשותפת. משימה זו דורשת מהלומדים לחשוב באופן ביקורתי ולהפעיל מיומנויות מטה-קוגניטיביות, כלומר, מיומנויות של שליטה בלמידה שלהם (Popta et al., 2017).
במהלך הקורס הלומדים מספקים משוב על העבודות של חבריהם. כאן הם נדרשים לשקול ולבדוק את העבודות באופן מעמיק ומקצועי. הם יכולים להשתמש בבינה מלאכותית כדי לקבל משוב מקדים על הטיוטות לפני הגשתן. כאשר הם מעניקים משוב לחברים, עליהם לספק רציונל ברור ומפורט לקביעה שלהם, הנתמך בפרטים מהעבודה עצמה.

 

שימוש בבינה המלאכותית מוסיף שכבה נוספת של חשיבה ביקורתית. הלומדים צריכים לבחון את המשוב או את התוצאות שסיפקה הבינה המלאכותית, ולנהל דיאלוג עם הבינה כדי לשפר את התוצר שלהם. דיאלוג כזה מעיד על היכולת שלהם לנהל שיח ענייני עם טכנולוגיה מתקדמת, תוך כדי שיפור התוצרים שלהם (דוגמאות מס' 3; 5).

 

מתן משוב מקדם למידה

בינה מלאכותית יוצרת יכולה לסייע לנו לספק משוב עשיר, רלוונטי ומותאם אישית לכל אחד מהסטודנטים בזמן אמת על עבודותיהם ותשובותיהם (Fuller & Bixby, 2024) . הדבר מאפשר מעגל משוב מתמשך ויעיל יותר שמקדם את הלמידה בצורה משמעותית. ההערכה נתפסת כחלק בלתי נפרד מתהליך הלמידה, והבינה המלאכותית הופכת אותה לתהליך חי ודינמי. באמצעות מתן משוב מידי ומתמשך, הלומדים מתקנים טעויות ומשפרים את הבנתם באופן רציף, כך שזה נהפך לחלק מהלמידה עצמה (דוגמאות מס' 7 ומשוב חוזר מס' 8).

 

לדוגמה, השתמשתי בבינה מלאכותית כדי לספק לסטודנטים משוב מעצב לפני הגשת מטלת הסיכום שלהם. התוצאות היו מרשימות - המשוב כלל נקודות חוזק והצעות לשיפור, בהתבסס על ציטוטים ודוגמאות קונקרטיות. איכות המשוב הייתה דומה לזו שלי כמומחית להערכה, והחיסכון בזמן היה משמעותי. עם זאת, היה צורך בהכוונה אנושית כדי להגיע לתוצר איכותי. חלק מהסטודנטים גם כן עשו שימוש בבינה המלאכותית במתן משוב לעמיתיהם וחלקם אף ספרו על התנסויותיהם במתן משוב לתלמידיהם בבית הספר (דוגמה מס' 9). 
השימוש בבינה מלאכותית לצורכי הערכה ומשוב יכול להעצים את הלמידה ולספק כלים ללומדים ולמורים כדי לשפר את התהליך החינוכי בכללותו.

 

מחשבות לעתיד

הדרך למימוש הפוטנציאל המלא של בינה מלאכותית בתהליכי הל"ל הוא מסע מרתק, אך אנו עדיין נמצאים רק בתחילתו. אחד האתגרים שאני נתקלת בהם היא העובדה שעדיין לא כל הסטודנטים עושים שימוש בכלי בינה מלאכותית, מה שעלול ליצור פערים דיגיטליים ביניהם. הלומדים החזקים יהיו חזקים יותר בעזרת הבינה, והחלשים שלא עושים בה שימוש יישארו מאחור. זה אתגר שדורש התייחסות זהירה, שכן אנו רוצים לקדם שימוש שוויוני בטכנולוגיה בחינוך. בנוסף לכך, אני ממשיכה לחקור את האופן הטוב ביותר להעריך תוצרים שנוצרו בסיוע צ'טבוטים.

 

אחת הסוגיות המרכזיות שמעסיקות אותי: כיצד להעריך את רמת המומחיות ואת הבנת הנושא של הלומד, כאשר הכלי מספק חלק ניכר מהתכנים. אני מאמינה שהתנסויות נוספות, ניסויים ושיתופי פעולה יעזרו לנו לפתח פרקטיקות משופרות ולהבטיח שהשימוש בבינה מלאכותית בחינוך יקדם למידה אפקטיבית והוגנת. המסע הזה הוא תהליך מתמשך של למידה, התאמה וחדשנות, ואני מצפה לראות כיצד התחום יתפתח וישתפר לטובת חוויית למידה והוראה משופרת עבור כולם.

 

מקורות

בירנבוים, מ' (2013). תנאים לקידום הערכה מעצבת הערכה לשם למידה (הל״ל) במסגרות להכשרת מורים. ביטאון מכון מופ"ת 51, 6 12.

Fuller, L. P., & Bixby, C. (2024). The Theoretical and Practical Implications of OpenAI System Rubric Assessment and Feedback on Higher Education Written Assignments. American Journal of Educational Research, 12(4), 147-158.
Kaldaras, L., Yoshida, N. R., & Haudek, K. C. (2022, November). Rubric development for AI-enabled scoring of three-dimensional constructed-response assessment aligned to NGSS learning progression. In Frontiers in education (Vol. 7, p. 983055). Frontiers.‏
Levy-Feldman, I., & Libman, Z. (2022). One size doesn’t fit all educational assessment in a multicultural and intercultural world. Intercultural Education, 33, 380 - 390. https://doi.org/10.1080/14675986.2022.2090174
Salinas-Navarro, D. E., Vilalta-Perdomo, E., Michel-Villarreal, R., & Montesinos, L. (2024). Designing experiential learning activities with generative artificial intelligence tools for authentic assessment. Interactive Technology and Smart Education.
Popta, E., Kral, M., Camp, G., Martens, R., & Simons, P. (2017). Exploring the Value of Peer Feedback in Online Learning for the Provider. Educational Research Review, 20, 24-34. https://doi.org/10.1016/J.EDUREV.2016.10.003