ההשכלה הגבוהה והבינה המלאכותית היוצרת (GenAi)

בינה מלאכותית היא ענף של מדעי המחשב/מדעים המתמקד ביצירת מכונות תבוניות שיכולות לבצע משימות הדורשות אינטליגנציה אנושית, כגון תפיסה חזותית, עיבוד דיבור וטקסט, קבלת החלטות וניתוח והפקת תוצרי שפה ושיח. מערכות בינה מלאכותית נועדו ללמוד מנתונים, להסתגל למצבים חדשים ולשפר את ביצועיהן לאורך זמן. דהיינו סוגים שונים של לימוד מכונה.

במערכות חינוך ולמידה יש לבינה מלאכותית פוטנציאל לחולל מהפכה בדרך שבה אנו מלמדים ולומדים. מערכות מבוססות טכנולוגיות AI יכולות להתאים אישית חוויות למידה לתלמיד הבודד, להתאים עצמן לקצב הלמידה האישי ולספק משוב ותמיכה בזמן אמת. מערכות אלו יכולות גם לעזור למורים ולמנהלים לזהות אזורים שבהם התלמידים מתקשים, ולספק התערבויות ממוקדות כדי לעזור להם להצליח. להלן שתי דוגמאות למערכות חינוך ולמידה המופעלות על ידי מערכות מבוססות בינה מלאכותית:

1. מערכות לימוד תבוניות: מערכות אלו משתמשות באלגוריתמים של למידת מכונה כדי להתאים אישית חוויות למידה , ולספק להם משוב ותמיכה על סמך ביצועיהם. Learning DreamBox היא דוגמה למערכת כזו.
2. פלטפורמות ללמידה מותאמת אישית המאפשרות למידה עצמאית: פלטפורמות אלו משתמשות באלגוריתמים של למידת מכונה כדי להתאים את עצמן לקצב הלמידה של התלמיד הבודד, ולספק תוכן מותאם אישית. Khan Academy וגרסתה המתקדמת Khanmigo היא דוגמה לפלטפורמה כזו.

תחום הבינה מלאכותית מסווג בדרך כלל לאחד מארבעה סוגים: General AI, Narrow AI, Edge AI ו- Generative AI (GenAI) שבה נתמקד בפרק זה.

בינה מלאכותית יוצרת GenAI

GenAI הוא תת-תחום של בינה מלאכותית (AI) המתמקד ביצירת מכונות שיכולות לייצר תוכן חדש, כגון תמונות, מוזיקה וטקסט. בניגוד למערכות AI אחרות שנועדו לזהות דפוסים ולבצע תחזיות על סמך נתונים קיימים, מערכות GenAI יכולות ליצור תוכן חדש שלא ניראה קודם לכן.

שורשיהן ההיסטוריים של מערכות GenAI נעוץ עוד בשנות ה- 50 . עם זאת, רק בשנות ה- 90 החלה ה- GenAI לקבל מעמד של תחום לימוד. ב- 1997 פותחה תוכנית בשם AARON על ידי האמן הרולד כהן, שיכלה ליצור יצירות אמנות מקוריות באמצעות מערכת של כללים ואלגוריתמים. בתחילת שנות ה- 2000 , GenAI החלה להתפתח במהירות, הודות להתקדמות בלמידת מכונה ולמידה עמוקה. בשנת ,2014 צוות חוקרים בגוגל פיתח מערכת GenAI בשם DeepDream, שיכלה ליצור תמונות על ידי ניתוח תמונות קיימות וזיהוי דפוסים ותכונות. בשנת 2016 פותחה מערכת GenAI בשם WaveNet על ידי חוקרים בגוגל, שיכלה ליצור דיבור בעל צליל ריאליסטי על ידי מידול קול אנושי. מערכת זו היוותה פריצת דרך משמעותית בתחום ה- GenAI והיא סללה את הדרך לפיתוח מערכות GenAI אחרות. בשנת 2018 פותחה מערכת GenAI בשם GPT2 על ידי OpenAi, שיכלה ליצור טקסט דמוי מעשה ידי אדם על ידי ניתוח כמויות גדולות של נתונים. מערכת זו הייתה מסוגלת ליצור טקסט קוהרנטי ומשכנע, מה שהעלה חששות לגבי שימוש לרעה פוטנציאלי של GenAI. ה- GenAI המשיכה להתפתח GPT 3,4 ומערכות חדשות המפותחות על ידי גוגל, אפל ואמזון יכולות לייצר תוכן מורכב ומתוחכם יותר. GenAI היא בעלת פוטנציאל לשנות תעשיות רבות ולשנות את הדרך בה אנו מתקשרים עם מכונות. ככל שהטכנולוגיה ממשיכה להתקדם, ecosystem שלם התפתח ואנו יכולים לצפות לראות התפתחויות מרגשות עוד יותר בתחום זה בשנים הבאות.

GenAI מופעל על ידי מגוון טכנולוגיות, כולל למידת מכונה, למידה עמוקה ועיבוד שפה טבעית (NLP). שתיים מהטכנולוגיות החשובות ביותר מאחורי ה- GenAI הן מודלים של שפה (LLMs) וטרנספורמטורים (Transformers).

Natural Language Processing (NLP), תת-תחום של בינה מלאכותית (AI) העוסק בעיבוד שפה טבעית המשמש בעיקר ביישומי אינטראקציה בין מחשבים לבין שפה אנושית (טקסט/דיבור). במהלך 30 השנים האחרונות, תחום ה- NLP עבר שינויים משמעותיים, וההיסטוריה וציר הזמן שלו חשובים להבנת פיתוח בינה מלאכותית בכלל ו- GenAI ספציפית.

בתחילת שנות ה - 90, תחום עיבוד השפה הטבעית התמקד בעיקר במערכות מבוססות כללים, שבהן מומחים יצרו באופן ידני כללי בלשנות לעיבוד שפה. עם זאת, גישה זו הייתה מוגבלת ביכולתה להתמודד עם המורכבות והשונות של השפה הטבעית. בסוף שנות ה- 90 הוצגו שיטות סטטיסטיות שאפשרו למחשבים ללמוד מכמויות גדולות של נתונים משולבים עם אלגוריתמים של הסתברות. גישה זו הובילה לשיפורים משמעותיים בעיבוד שפה טבעית, במיוחד במשימות כמו תרגום שפה וזיהוי דיבור. בתחילת שנות ה- 2000, הוצגו טכניקות למידת מכונה כמו למידה עמוקה ורשתות עצביות, ששיפרו עוד יותר את הדיוק של מערכות NLP. טכניקות אלו אפשרו למחשבים ללמוד מכמויות אדירות של נתונים ולבצע תחזיות על סמך נתונים אלו. בשנים האחרונות חל שינוי משמעותי לעבר השימוש במודלים של שפה שהוכשרו מראש כמו BERT ו- GPT3. מודלים אלו מאומנים באמצעות כמויות אדירות של נתונים ויכולים לבצע מגוון רחב של משימות הבנה ויצירת שפה בדיוק גבוה. הם חוללו מהפכה בתחום ה-NLP ואפשרו לפתח יישומים כמו צ'טבוטים ועוזרים וירטואליים שיכולים להבין ולהגיב לשפה אנושית.

תחום ה- NLP התפתח והפך לתחום מתוחכם שיכול להתמודד עם משימות מורכבות כמו הבנת שפה טבעית וניתוח רגשות (Sentiment Analysis) (בשפה כתובה או מדוברת. אחת ממשימות עיבוד שפה המאתגרות ביותר היא פתרון עמימות (Disambiguation), הנובעת מהרמה הגבוהה של כפל משמעויות שפה בכל הרמות: Pragmatic, Semantic, Lexical, Referential. אפילו למודלים סטטיסטיים שאומנו מראש יש בעיות בטיפול במקרים של עמימות הנפתרים בקלות על ידי בני אדם במיוחד בהקשר פרגמטי.

שתיים מהטכנולוגיות החשובות ביותר מאחורי ה- GenAI הן מודלים של שפה (LLMs) וטרנספורמטורים (Transformers). להלן הסבר קצר על כל אחת מהן.

מודלי שפה גדולים (LLMs) Large Language Models הם סוג של מודל למידת מכונה המתאמן על כמויות גדולות של נתוני טקסט. המטרה של מודלי שפה אלו היא ללמוד את הדפוסים והמבנים של השפה כך שיהיה אפשר ליצור טקסט חדש הדומה לנתוני האימון. מודלי שפה משמשים בהרבה מערכות בינה מלאכותית GenAI, כולל מחוללי טקסט וצ'אטבוטים. הבעיה והאתגר של LLMs הם שהשיטה מבוססת על נתונים שנאספים אוטומטית ממקורות ברשת האינטרנט. אם נתונים אלה מכילים מידע שקרי או מוטה, יהיה קשה לזהות אותו והתוצאות הסופיות יהיו "מוכתמות" ומוטות. לכן, רבות מהמערכות משתמשות במתודולוגיית "אדם בלולאה" (a human in the loop) כדי לאמת את התהליך ואיכות הנתונים והתוצאות.

Transformers הם סוג של מודל למידה עמוקה שהוצג בשנת 2017. הם נועדו לעבד נתונים רציפים, כגון טקסט או דיבור, ויעילים במיוחד ביצירת שפה טבעית. בארכיטקטורה של ה- transformers הרצף של הקלט הופך תחילה לקבוצה של מערכים (Vectors) הנקראים embeddings. אלו מעובדות לאחר מכן על ידי סדרה של שכבות (Layers) המפעילות מנגנונים של סדרי עדיפויות (Attention Mechanism) (ותהליכי למידה של רשתות עצביות מסוג Feedforward Neural Networks. ה - Transformers משתמשים בטכניקה הנקראת attention-Self. מנגנון זה מייצר סדר עדיפויות וערך קירבה בין מילים ואלמנטים בשפה ופועל על ידי חישוב קבוצה של משקלים עבור כל מיקום ברצף הקלט. המשקלים הללו מציינים את העדיפות והחשיבות של כל מילה בעת יצירת פלט מדויק וקוהרנטי יותר.

שני מנגנונים נוספים נמצאים בשימוש נרחב ב - GenAI ומוזכרים כאן בקצרה:

Generative Adversarial Networks(GANs) אלה הם סוגים של מודל למידה עמוקה המורכב משתי רשתות עצביות: מחולל ומאפיין (Discriminator and Generator).
Recurrent Neural Networks (RNNs) רשתות המיועדות לעיבוד נתונים עוקבים ויעילות במיוחד בחילול ויצירת טקסט ודיבור. הן פועלות על ידי שמירה על מכונת מצבים נסתרת המגדירה את ההקשר (Context) של רצף הקלט ומשתמש, ומשתמשות במידע זה ליצירת הפלט במצב של עמימות למשל.

GenAI למה דווקא עכשיו?

עיקר שימושיה של הבינה מלאכותית כפי שהתפתחה מאז שנות ה- 90 היה בעיקר במעבדות המחקר ובמוסדות האקדמיים ומעט מאוד על ידי הקהל הרחב. מאז סוף שנת 2022 אנו עדים לעלייה עצומה במודעות, בהיכרות ובשימוש בכלי בינה מלאכותית, במיוחד ל הנחשבים אלה- GenAI: ChatGPT, Midjourney, DAL-E-2, DI-D ועוד, בקרב משתמשים ללא היכרות או הכשרה מוקדמת ב- GenAI

והשאלה המתעוררת היא למה דווקא עכשיו? אנחנו מציעים ארבע סיבות:

1. הטכנולוגיה בשלה, מהירה ואמינה יחסית: טכנולוגיות הליבה הגיעו לשיא של התפתחות מבחינת תשתית המחשוב, מחשוב ענן וכוח עיבוד, וגם בזמינות של אלגוריתמים חזקים, איסוף נתונים ואחסון. אלה מאפשרים טיפול מהיר ואמין במודלים מורכבים של AI בזמן אמת.
2. ממשק המשתמש פשוט וזמין: השימוש בממשקי שפה פשוטים, אינטראקציה טבעית ואינטואיטיבית הסירו את המחסום עבור המשתמשים גם בקרב משתמשים לא מיומנים בתחום. כפי שיפורט להלן, הנדסת ה - Prompt היא קריטית, אך סט הכלים והשירותים הזמינים סביב מנועי הבינה המלאכותית כגון GPT הולכים וגדלים כל הזמן ומאפשרים לשכלל כמעט כל משימה שהמשתמש מבקש.
3. נכונות המשתמשים לחקור ולהתנסות: כתוצאה מהזמינות הגבוהה והפשוטה, בשילוב עם אוכלוסיית הסטודנטים המתמצאים בטכנולוגיה והשפעת הרשתות החברתיות והגלובליזציה, הנכונות של משתמשים בודדים לחקור יישומי AI היא רבה. מחסומי הפחד הטכנולוגיים הוסרו, והערך המוסף של קלות השימוש יצרו מוטיבציה בקרב המשתמשים מגיל צעיר מאד.
4. מנוע החיפוש גוגל אינו מספיק: התנהגותו וצרכיו של המשתמש החדש (והצעיר) מובילים לדרישה לקבל יותר מאשר מידע המסתכם ברשימת קישורים. לאור נגישות לידע מוכן ומאורגן, השאיפה היא לבצע משימה ופעולה ולא רק לחקור את מקור הנתונים. בעוד גוגל הוא מנוע חיפוש שנותן מידע, יישומי GenAI מנתחים את המידע, מפיקים מסקנות, ונותנים תשובות מובנות לשאילתות חיפוש.

על פי נתוני המועצה להשכלה הגבוהה, בשנת הלימודים תשפ"ב למדו 337,230 סטודנטיות וסטודנטים ב - 59 המוסדות להשכלה גבוהה בישראל. מתוכם, 76% לתואר ראשון, 20% לתואר שני ו - 4% לתואר שלישי. תחומי הלימודים המובילים הינם מדעי החברה ולימודי הנדסה (18% בכל תחום), מתמטיקה, סטטיסטיקה ומדעי המחשב (10%). 38% מהסטודנטים לתואר ראשון לומדים במכללות האקדמיות המתוקצבות על ידי הועדה לתכנון ולתקצוב (ות"ת). 18% מהלומדים במערכת ההשכלה הגבוהה בישראל מהחברה הערבית ו - 5% סטודנטים מהמגזר החרדי ³.

לצד מחקר, אחראיות מערכות להשכלה גבוהה בעולם ובישראל על ההוראה והלמידה, כלומר, על הנחלה ורכישת ידע. הקניית הידע היא באחריות הסגל. מצידם של הסטודנטים הלמידה היא תהליך של רכישת ידע שתוצאותיו יובילו לשינוי ביכולות המקצועיות בהווה ו/או בעתיד. שיטת ההוראה והלמידה השכיחה באקדמיה מבוססת על מיקום פיזי (קמפוס, אולם הרצאות, כיתת לימוד), מסגרת זמן הלמידה תחומה (שנה, סמסטר, יום, שעה) תכנית לימוד מובנית מראש (תואר, התמחות, קורס, סדנה, תרגיל), היקפה ידוע (שעות סמסטריליות, נקודות זכות), הערכת תוצרי למידה ידועים מראש (מבחן, עבודה) ומבנה ארגוני מבדל (פקולטות, מחלקות).

עד למשבר הקורונה, בתחילת ,2020 עיקר ההוראה והלמידה באקדמיה הישראלית (להוציא את האוניברסיטה הפתוחה המתמחה בלמידה מרחוק) התבצעו בקמפוס המוסד. במודל המערכתי השכיח הלמידה נתפסה כתהליך מכניסטי וגישת ההוראה כתעשייתית במתכונת של פס ייצור המוני, ריכוזי, אחיד וסטנדרטי. במערכת כזו הדגש הוא על הערכת התוצר הסופי (מבחן, עבודה) ועל הממדים המדידים שלו (ציון) ופחות על התהליך וחווית הלמידה האישית של הסטודנטים ⁴.

המהפכה הדיגיטלית ופתיחת רשת האינטרנט לקהל הרחב, החל מסוף שנות התשעים של המאה הקודמת, לא שינו במהותם את תהליכי ההוראה והלמידה הקלאסיים. אמנם נוספו מקורות מידע נרחבים ועצומים שניתן להגיע אליהם בקליק אך התפיסה התעשייתית - מכניסטית נותרה על כנה. אחד היישומים שאיימו חלקית (או זימנו אפשרות לשינוי - תלוי בנקודת ההשקפה של המתבונן) על הוראה האקדמית הקלסית היה הויקיפדיה- מיזם רב-לשוני בינלאומי שהחל בשנת 2001 לחיבור אנציקלופדיה שיתופית, חופשית ומהימנה שכל אדם יכול לתרום לו. הויכוח סביב אמינות תוכן הויקיפדיה הוכרע לאחר שבמחקר השוואתי לא נמצא הבדל בין איכות התוכן בויקיפדיה למקורות מוערכים כאנציקלופדית בריטניקה. עוד נמצא כי איכות התוכן בויקיפדיה לא פחות טובה מהמקורות המקובלים באקדמיה ⁵. למרות זאת, בחלק ניכר מהמוסדות האקדמיים חל איסור להתבסס על ויקיפדיה כמקור ביבליוגרפי בלעדי בטענה שאינו מקור מהימן דיו, ובמקרה הטוב מאושר שימוש בויקיפדיה כנקודת מוצא ביבליוגרפית למקורות אקדמיים מסורתיים.

התפתחות נוספת של המהפכה הדיגיטלית הינה פתיחת אתרי קורסים המלווים את ההוראה הכיתתית ומפוקחים על ידי סגל ההוראה. ייעודו של אתר למידה כזה (בדרך כלל במסגרת מערכת לניהול למידה כדוגמת Moodle) להוות עוגן תוכני (כדוגמת מצגות השיעור, גישה מרחוק למאגרי מידע), אינטראקטיבי (פורום, צ'ט) וניהול הלמידה. כלומר, אתרים אלו העשירו את התהליך הלימודי אך לא שינו במהותם את תפיסת ההוראה המכניסטית-תעשייתית.

משבר הקורונה חייב במיידית חישוב מסלול מחדש. המעבר ללמידת חירום ומרחוק דומה היה לסופת הוריקן המזעזעת את הנהוג, המוכר והידוע באקדמיה. מערכת ההשכלה הגבוהה נאלצה להתאים את עצמה למציאות המשתנה, אשר לא אפשרה להמשיך לפעול במתכונת המקובלת עד כה. בין רגע, עברה למתכונת של למידה מרחוק, שבה ההוראה והאינטראקציה בין המרצה לסטודנטים מתבצעת במרחב המקוון, כאשר כל השותפים למעשה ההוראה - למידה שהו במרחב מחוץ לקמפוס. לא במפתיע שסגל הוראה, שמרביתו כלל לא הוכשר להוראה ואין לו ידע מיוחד כיצד יש ללמד הביע מצוקה למורכבות הכרוכה ביצירת אינטראקציה עם הסטודנטים בהוראה מרחוק ולאתגרים הטכנולוגיים. מצוקה דומה נשמעה מצד הסטודנטים בסקר שנערך על ידי קרן אדמונד דה-רוטשילד שהביעו את קשייהם להמשיך בלימודים אקדמיים מרחוק ⁷.

במבט לאחור, אין עוררין על הצלחתו הטכנית-טכנולוגית-אדמיניסטרטיבית של המעבר הכפוי במשבר הקורונה להוראה וללמידה מרחוק. ההתחלה אמנם הייתה קשה, בין היתר עקב תשתית טכנולוגית ואמצעי קצה שדרשו התאמה. עם זאת, ההסתגלות למצב החדש היתה מהירה. ההפתעה והחשש הראשוניים מהמעבר הפתאומי להוראה מרחוק התחלפה בהמשך לתחושות של מסוגלות וראיית היתרונות במעבר להוראה מרחוק. בנוסף, ככל שהזמן חלף המרצים הבינו את "גזרת הדין" ונעשו מדויקים יותר ונינוחים יותר לגבי ההוראה מרחוק. בדומה, ככל שחלף הזמן מרבית הסטודנטים למדו להעריך את הנוחות של למידה מרחוק שלא מחייבת הגעה פיזית למוסד הלימודים.

לעומת ההצלחה הטכנית, ההצלחה הפדגוגית של המהלך היתה חלקית. ללמד וללמוד מרחוק דורש תכנון, התאמות ומיומנויות הוראה ולמידה המתחשבות במאפייני הסביבה הטכנולוגית. המעבר במשבר הקורונה נעשה בבת אחת והיה מאולתר ואינטואיטיבי. עקב דחיפות הזמן לא נעשתה הערכות נאותה מבחינת התאמת חומרי הלמידה, דרכי ההוראה, ההערכה והקניית מיומנויות למידה המותאמים לריחוק הפיסי בין המרצה לסטודנטים.

סיכם זאת אחד מחברי הסגל מהמכון הטכנולוגי בחולון:

"אני בעד למידה דיגיטלית. למידה דיגיטלית דורשת היערכות וזה מקצוע שצריך ללמוד אותו ולתרגל. למידה דיגיטלית זה דבר נהדר ונפלא וצריך להוריד את התפקיד של המרצה מלהעביר ידע כי אפשר לעשות זאת בדרכים טובות יותר ומגוונות יותר וצריך להכיר יש לו תפקידים אחרים בכיתה. העניין הוא, שלא המרצים מכירים בזה לא הסטודנטים מכירים בזה ולא המוסד האקדמי מכירים בזה." ⁸

עם זאת, מגפת הקורונה תרמה לניצני שינוי במסגרת המקובלת של יחסי הגומלין שבין המרצה - סטודנטים והידע האקדמי:

• האצה של שימוש באמצעים דיגיטליים להוראה. סגל ההוראה נחשף לסט כלים דיגיטליים שהמשיך לסייע גם בהוראה שבשגרה. חיזוק לכך ניתן באוגוסט :2020 מל"ג/ות"ת הכריזה שהיא מקדמת תכנית שמטרתה תכנית תמיכה תלת שנתית לעידוד המוסדות המתוקצבים ע"י ות"ת להקמה וביסוס של תשתיות לקידום ופיתוח אסטרטגי של למידה דיגיטלית. למידה דיגיטלית הוגדרה כתהליך למידה והקניית מיומנויות, העושה שימוש באמצעים מקוונים לטובת: מקסום התועלת הפדגוגית, ארגון ובניית הידע החדש, ובאופן כללי שיפור והעצמת חוויית הלמידה ⁹.
• בחלק מהמוסדות החזרה לשיגרה לא לוותה בזניחה מלאה של הלמידה מרחוק. מוסדות אקדמיים החלו להציע תוכניות לימוד משולבות של למידה בקמפוס עם למידה מרחוק. לדוגמא, בשנה הראשונה ללימודים לתואר שני בטכנולוגיות למידה ב- HIT לומדים הסטודנטים במודל היברידי של יום אחד בשבוע בקמפוס ויום שני בשבוע מרחוק (סינכרוני ו/או אסינכרוני)¹⁰.
• עליה בשכיחות הלומד העצמאי. יותר ויותר סטודנטים לוקחים אחריות על תהליך הלמידה האישי שלהם באמצעות קורסים מקוונים ברשת. למשל, המיזם הלאומי ללמידה דיגיטלית (קמפוס IL) מציע מאות קורסים בלמידה עצמית המוכרים לקרדיט אקדמי ¹¹. יותר מכך, באוניברסיטת תל-אביב מציעים מסלול קבלה חכם ללימודים, במקום פסיכומטרי, על בסיס עמידה בהצלחה בקורסים נבחרים מקמפוס ¹²IL.

ומעל לכל, תקופת הקורונה חידדה את התפיסה שהאנושיות היא הערך המוסף של הסגל האקדמי. ברור לכל שמגע אישי, חברתי, רגשי, תומך וחשוב לא פחות מהקניית ידע.

קצת למעלה משנה חלפה מאז תום עידן הקורונה, ולנגד עינינו מתרחשת רעידת אדמה המזעזעת את אמות הסיפים בכל תחומי החיים ובכללן באקדמיה. זאת, עם הופעת הבינה המלאכותית היוצרת (GenAI)¹³. ליישומי הבינה המלאכותית היוצרת פוטנציאל לשנות מהיסוד כמעט כל היבט בחיינו, כולל איך אנחנו עובדים, לומדים, מתקשרים ואפילו איך אנחנו חושבים. בהקשר להשכלה האקדמית, ל- GenAI פוטנציאל לשפר, להעצים ואפילו לשנות מהיסוד את ההוראה והלמידה ואת תהליכי המחקר. עם זאת, היא מציבה אתגרים וסיכונים משמעותיים הדורשים דיון מעמיק. יש החוששים שהאנושות כולה על סף תהום, במסלול מהיר לאבדן הבינה האנושית ואיתה ההשכלה האקדמית. לעומתם, יש הסבורים ששילוב יישומי בינה מלאכותית יסייעו בתהליך הדמוקרטיזציה וההנגשה של הידע האנושי, ועשויים דווקא לשכלל את תהליכי למידה, ההוראה והמחקר¹⁴.

נקודות מבט סותרות אלו דורשות דיון ציבורי מעמיק. נייר העמדה שלפניכם הוא תרומתנו הצנועה לשיח האקדמי - האנושי. התקבצנו שמונה נשות ואנשי אקדמיה, מחקר, חינוך והדרכה מנוסים בתחום, על מנת לשרטט תמונת מצב עכשווית של שילוב GenAI בתהליכי הוראה ולמידה בהשכלה האקדמית. אנחנו מאמינים שעל האקדמיה לנקוט עמדה פרואקטיבית לבחינת היתרונות הטכנולוגיים והחינוכיים, זאת בלי להתעלם מההיבטים האתיים של מהפכת הבינה המלאכותית¹⁵.

01 שיפור הלמידה

"מישהו ללמוד איתו" - בהתבסס על הערכתו של סימור פאפרט, מחלוצי החשיבה על שילוב הבינה המלאכותית בחינוך, הבינה המלאכותית תאפשר ללומדים להשתמש ביכולות המתקדמות כדי לחקור ולפתח את הבנתם על מושג מסוים או תחום לימודי¹⁶. בינה מלאכותית יכולה לסייע בתהליך הלמידה על ידי מתן מידע, שאילת שאלות, טיפוח חשיבה רפלקטיבית - ביקורתית, פתרון בעיות, והעמקת ההבנה של מושגים. היא יכולה להציע נקודות מבט חדשות, ולסייע בראיית דברים בדרכים שונות ואחרות. דוגמאות קונקרטיות הן: למידה בסיוע GenAI כעוזר אישי בעוד שהמרצה הוא המנחה האנושי התומך רגשית, חברתית ואישית בסטודנט; למידה חברתית בקבוצות כאשר כלי ה-GenAI מגלם חבר צוות שמסייע לשיח; יצירת סימולציות ודימוי משחקי אמת באמצעות משחקי תפקידים כשה - GenAI מהווה שותף ו/או מנחה. הרחבת דרכי הלמידה יכולה להעצים את הלומדים ולעודד ללקיחת אחריות על תהליך הלמידה האישי כמו גם לפיתוח מיומנויות למידה בהכוונה עצמית במקום קליטת ידע פסיבית (כנהוג בחדרי ההרצאות). עם זאת, להסתמכות יתר על הטכנולוגיה פוטנציאל פגיעה בהתפתחות האינטלקטואלית שכן היא עלולה לגרום ללומד להעביר את האחריות ללמידה ל - GenAI ללא הפעלת חשיבה ביקורתית (או חשיבה בכלל).

פרסונליזציה בלמידה - גישה חינוכית לפיה יש להתאים תוכנית למידה באופן אישי (למידה ממוקדת תלמיד), בזמן אמת ושוטף לכל סטודנט על פי צרכיו - קצב למידה, עניין, חוזקות ועוד¹⁷. בסיוע כלי GenAI ניתן להתאים את תהליך הלמידה לצורך האישי ולספק משוב והכוונה מותאמים. למשל, איתור סטודנטים מתקשים ומתן סיוע מותאם, אפשרות ללומדים לקבל תגבור או העמקה בנושאים שבהם הם בפער, אפשרות לתרגול באמצעות דוגמאות והמחשות לסטודנטים הזקוקים לכך, אפשרות לקבל המלצות על דרכי למידה והתמודדות עם התוכן ועוד. הדבר יכול לסייע בקידום חווית למידה אינטראקטיבית התורמת לעניין הסטודנט ולמעורבותו הפעילה ולאפשר הבניית תהליך למידה איכותי על פי מאפייניו האישיים. את תהליך הלמידה באופן איכותי ועל פי מאפייניו האישיים. עם זאת, הסתמכות יתר על הטכנולוגיה עלולה להוביל לניתוק מהמרצה האנושי וכתוצאה עלולה להתפתח תחושות ניכור, "הליכה לאיבוד", וירידת מוטיבציה ללמידה.

קיצור זמן הוראה ולמידה - כלי ה- GenAI מאפשרים מענה מידי לכל שאלה או בקשת סיוע של מרצה וסטודנט. הדבר יכול לסייע בהפחתת עומס עבודה לסגל הוראה. לדוגמא: התבססות על הפעלת מנגנוני הערכה ומשוב אוטומטיים המספקים משוב מידי לסטודנטים. ולסטודנטים אפשרות הקלה בעומס הכנת העבודות. לדוגמא: הסתייעות בכלי GenAI לאיתור מקורות, ניסוח ראשוני של עבודה, איתור שגיאות הקלדה ועוד. קיצורים אלה יכולים לסייע ללומדים להתמקד בהיבטים מורכבים או מאתגרים יותר בתהליך הלמידה. עם זאת, הסתמכות יתר על קיצורי דרך והתבססות יתר על כלי GenAI, בפרט לכתיבת עבודות ותרגילים, עלולה להוביל לתוצרים שטחיים המעידים על חוסר הבנה אנושי.

02 מיומנויות למידה

חשיבה ביקורתית - היא חשיבה המציעה קריטריונים לבחינה של עובדות ודעות, כדי להעדיף באורח מושכל עובדות ודעות מסוימות על פני אחרות - ולהיות נכון להטיל ספק גם בהן. חשיבה ביקורתית היא גם חשיבה שקולה ורפלקטיבית המתרכזת בהחלטה למה להאמין ומה לעשות¹⁸. מיומנות זו נחשבת כמיומנות למידה עמידה שכן היא מתמקדת ב"איך לחשוב" במקום "מה לחשוב". מיומנויות מסוג חשיבה ביקורתית חסינות יותר בפני התקדמות הבינה המלאכותית מכיוון שהן מייצגות רבות מהמטלות שמערכות בינה מלאכותית מתקשות בהן כיום. וזאת לעומת, מיומנויות מתכלות, כמו שפת תכנות או כלי ספציפי, המאבדות ערך במהירות עקב התקדמות טכנולוגי¹⁹. להערכתנו, יש להציב את מיומנות החשיבה הביקורתית בראש סדר היום האקדמי, בעידן שבו הטקסטים יווצרו באופן אוטומטי, התרומה האנושית תהיה בלבחון את התוכן, לבקר אותו ולדייק אותו. מגוון המקורות ונקודות המבט מזמן אפשרות לבחינה ביקורתית והשוואתית של התוכן. הימנעות מחשיבה ביקורתית והסתמכות יתר על כלי GenAI יכולה ליצור תחושת ביטחון מזויפת אצל הלומד בנכונות התוכן הנוצר. הדבר עלול להוביל להסתמכות יתר על התוצאות שנוצרו על ידי הבינה מלאכותית מבלי להטיל ספק בתקפותן או בדיוק שלהן.

יצירתיות - היא תהליך ההפקה של רעיונות מקוריים ורלוונטיים לסיטואציה הנתונה. חשיבה יצירתית מורכבת ממקוריות, גמישות ושימושיות²⁰. היא יכולה להוות השראה לרעיונות חדשים ויצירתיים, להציע פרקטיקות חדשות, לספק נקודות מבט חדשות ומקוריות לסוגייה לימודית. עם זאת, התבססות יתר על כלי GenAI עלולה להגביל את היצירתיות האישית ולפגום במקוריות האנושית העצמאית.

מקוריות - הכוונה היא ליצירה או המצאת תוצרי למידה חדשים. עבודה מקורית אינה עבודה שמתקבלת מאחרים או עבודה שהועתקה ומבוססת על עבודה של אחר כדוגמת GenAI. האתגר בהכשרת לומדים להכנת תוצרי למידה שהם עצמם יצרו היא במציאת איזון בין שימוש ב - GenAI כ"פיגום" ללמידה לבין העברת האחריות להכנת העבודות והתרגילים ל - GenAI.

03 אתיקה והיבטים אתיים

אתיקה - זהו ענף בפילוסופיה הבוחן עקרונות וערכים מוסריים כדי לקבוע מה נכון ומה לא נכון במצבים שונים. בהקשר האקדמי התנהגות אתית מאופיינת ביושרה ובכיבוד זכויות וקניין רוחני. המורכבות האתית של שילוב כלי GenAI מזמנת אפשרויות לפיתוח חשיבה ביקורתית, קביעת קוד אתי ויצירת סביבת הוראה-למידה בטוחה ופתוחה יכולים לסייע בפיתוח מצפן אתי בקרב סטודנטים וסגל כאחד. כתוצאה מהתפתחות הטכנולוגיה, עשוי להיווצר קושי להעריך עבודות ותכנים שהוגשו על ידי סטודנטים וחברי סגל, מבלי לדעת האם נכתבו על ידי אדם או מכונה. יותר מכך, יעלה קושי להתחקות אחר מקורות הידע והעדר השקיפות שלו, דבר אשר עלול לפגוע בפרטיות ובהגנת הקניין של בעלי התכנים, ואף לפגוע בפרטיות ובביטחון של המשתמשים עצמם. ההסתמכות על תכנים קיימים מעלה גם חשש ליצירת הטיה בתוכן שייכתב, שידיר דווקא אוכלוסיות מוחלשות (כי הטקסט שנכתב נשען על מה ש"הרוב" כתב בנושא עד כה). לכך מצטרף גם החשש ל"הזיות" של המכונה שלעיתים ממציאה טקסטים ומחייבת בקרה אנושית מוקפדת כדי לזהות מקרים אלו. כתוצאה מכל אלו עלול להיווצר קושי ביצירת איזון בין חופש אקדמי לאחריות אישית שכן בעידן ה - GenAI קשה לאתר התנהלות לא אתית ועוד יותר לאכוף אותה באמצעים משמעתיים בלבד.

הטיה אלגוריתמית - כמקרה פרטי של אתיקה, לפיה טכנולוגיות AI מתבססות על איסוף מידע מגולשים על פי בסיס אלגוריתמי שאינו ידוע למשתמשי הקצה ("קופסא שחורה") והבנת ההחלטות האוטומטיות שמערכות אלו מייצרות. כמערכות אוטונומיות עשויה להגביר או להנציח הטיות קיימות ובכך להגביר את העמקת האפליה וההטיה כלפי אוכלוסיות מוחלשות.

הגנת מידע ופרטיות - כמקרה פרטי של אתיקה, ידוע שטכנולוגיות AI מתבססות על איסוף וניתוח של מידע אישי וקבוצתי של לומדים. קיים סיכון ממשי בדליפת מידע למקורות/גורמים שאינם מורשים להיחשף להם. האתגר הוא במניעת זליגת מידע באמצעים טכנולוגיים וכן קביעת מדיניות הגנת מידע ופרטיות ברורה של כל פרט בחברה.

נגישות לכל(?) - זמינות והנגשת טכנולוגיות AI לכל אדם ללא תלות בסטטוס סוציו - דמוגרפי או כל מאפיין אחר שאינו רלוונטי מזמנת ביטוי לדמוקרטיזציה של הידע האנושי שכן, כלי GenAI כדוגמת ChatGPT כולל את כל הידע האנושי שנצבר ברשת האינטרנט (בהסתייגויות מסוימות). כלומר, בפועל זו תמונת מראה נגישה של הבינה האנושית ברשת האינטרנט. יוצא מכך שטכנולוגיות ה - AI יכולות להפוך את ההוראה והלמידה פתוחה לכל סטודנט ללא קשר עם מוגבלויות או מגבלות, ובכך לקדם תרבות הכללה וגיוון (DIEB - Diversity, Inclusion, Equality & Belonging) השמה דגש על שונות בין לומדים ומפתחת תחושת שייכות. העושר התוכני, החשיפה למגוון דעות ולנקודות מבט יכול לעודד מודעות סטודנטים למורכבות רכישת ידע ופיתוח אמפתיה וסובלנות לדעות השונות. עם זאת, חוסר הבהירות לגבי עלויות הטכנולוגיה והנגישות שהיא תספק, מעלים חשש לפגיעה בשוויון, במגוון ובשילוביות ועלול דווקא להגביר פערים במקום לצמצם אותם.

01 מודעות לשינוי המשבש - זה אינו hype!

יש הסוברים שהאנושות ניצבת כרגע בתחילתו של השיבוש הטכנולוגי הגדול בהיסטוריה. כך או כך, הנהלות מוסדות אקדמיים וסגל חייבים להכיר לעומק את האפשרויות המהפכניות שיישומי ה - GenAI מזמנים להוראה, למידה והמחקר. מודעות זו צריכה להוביל לפיתוח אסטרטגיה מוסדית. כלומר, גיבוש מדיניות מוסדית לאימוץ יישומי בינה מלאכותית ועיצוב מותאם של תכניות הלימוד כולל הקצאת המשאבים הנדרשת.

02 שמירה על רלוונטיות האקדמיה

מזה שנים נשמעים טיעונים על חוסר הרלוונטיות של האקדמיה כגוף האמון על הכשרת דור העובדים העתידי. האקדמיה כגוף מחקרי שלקחה על עצמה גם את תהליך הכשרת בעלי המקצוע במגוון תחומים, נדרשת לעדכון מתמיד של תחום התוכן ואופן הלימוד שלו. על פי מרבית ההערכות, חדירת הבינה המלאכותית תשפיעה באופן דרמטי על שוק התעסוקה העולמי ובפרט על תעסוקות שנדרשת להן הכשרה אקדמית²³. בדומה למהפכות טכנולוגיות קודמות, גם הפעם יהיו מקצועות שייעלמו, חדשים שייווצרו ובעיקר תהייה השפעה עמוקה על טווח רחב של מקצועות קיימים בהם עולם הרפואה, המשפט, פיתוח תוכנה, שיווק ועוד רבים אחרים. אתגר הרלוונטיות עבור האקדמיה הופך מהותי יותר שכן קיים פוטנציאל לפער אף גדול יותר בין אופי הכשרת הסטודנטים וסביבת העבודה בה יפגשו עם המעבר לשוק העבודה. בהתאם, על האקדמיה לבצע כבר היום מהלכים להבנת אופי השינוי בכל תחום תוכן ולשקף אותו בתהליכי הוראה והערכה במסגרות הלימוד.

03 דרוש מחקר יישומי!

ביצוע מחקרים הינו בליבת העיסוק של האקדמיה. כניסת ה - GenAI אינה אמורה לשנות את הצורך בהמשך ביצוע מחקרים בתחום זה. עם זאת, בחלון הזמן המחקרי הקצר שבו אנו נמצאים כעת נדרש מיקוד בביצוע מחקרים יישומיים. כלומר, כאלה שבוחנים ביצוע ומימוש בפועל של תהליכי למידה הוראה מועצמי AI ולהשוותם לתהליכי למידה - הוראה מסורתיים. ממצאי מחקרים אלו יסייעו בהבנת התרומה של הטכנולוגיות והחדשות ותכנון תהליך שינוי מושכל של עיצוב תהליכי הלמידה וההוראה.

04 שינוי פרקטיקות הוראה והערכה

בחלק ניכר מהמוסדות שיטת ההוראה השכיחה הינה הרצאה. כלומר, העברת ידע לקבוצה גדולה של מאזינים - סטודנטים פסיבים האמורים לקלוט את הידע. זו שיטת הוראה שלא השתנתה מיזה מאות שנים. יעילותה הוכחה כמוגבלת בהשוואה לשיטות המקדמות למידה פעילה, המעודדות את מעורבות הלומדים ויישום דרכי חשיבה מסדר גבוה²⁴. דוגמא לאסטרטגית למידה פעילה הינה למידה מבוססת פרויקטים (PBL) המציבה את הסטודנט במרכז תהליך הלמידה. גישה וכוללת חקירת בעיה בעולם האמיתי, ניתוח נתונים, קבלת החלטות, שיתוף פעולה עם עמיתים והפקת תוצר לימודי תוך תיעוד תהליך הלמידה²⁵. כך גם לגבי דרכי ההערכה. במרבית המוסדות שיטת הערכה שכיחה הינה מבחן שבוחן את כושר השינון של הסטודנט ופחות את יישום התוכן הנלמד. יש לחתור להתאמת דרכי הערכת הלמידה למטרות למידה ושימוש במגוון שיטות הערכה לקידום למידה משמעותית וחשיבה ביקורתית. יש להדגיש ששינוים אלה מומלצים ללא קשר לעידן הבינה המלאכותית אך מקבלים משנה דחיפות בעידן זה.

05 הקניית אוריינויות למידה מותאמות לעידן ה AI

יש להקנות לסטודנטים אוריינות AI שמשמעותה ידע, כישורים ומיומנויות לניווט מושכל וביקורתי במרחב ה-AI. אוריינות AI כוללת שלושה מימדים: מימד קוגניטיבי, המגדיר את התכנים אותם צריך לומדים להכיר כדי להיות מסוגלים להעריך יישומי AI ולהשתמש בהם באופן מושכל; מימד אופרטיבי, המשמש להעצמת הלומדים וכולל את הבנת ערך ה-AI, תפיסת ההשפעה החברתית, האמונה ביכולת שלהם ליצור רעיונות ופתרונות הקשורים ל- AI וביטחון ביכולתם לעסוק בתחום זה בעתיד; ומימד חברתי תרבותי, הנוגע בשימוש האתי ב-AI²⁶. על הסגל החובה ללמד את הסטודנטים על האופן בו יישומי ה - AI עובדים ובד בבד להנחותם להשתמש ביישומים אלה אך ורק לאחר רכישת ידע מוקדם בתחום התוכן עליו הם מחפשים מידע. רק כך תהיה להם היכולת לבחון את איכות התשובות אותן הם מקבלים על השאלות שהציגו. בחינה זו תאפשר לסטודנטים לפתח מיומנויות קריטיות בעולם בו הבינה המלאכותית היא חלק בלתי נפרד ממנו. מיומנויות אלה כוללות, בין היתר, חשיבה ביקורתית, רמות חשיבה מסדר גבוה, יצירתיות ומקוריות. כמו כן, אל לנו להניח שהסטודנטים מבינים את הסוגיות האתיות המורכבות הקשורות לשימושים ביישומי AI. לכן, יש ללמדם חשיבה אתית ויושרה אקדמית כחלק בלתי נפרד מתוכנית הלימודים.

06 הכשרת הסגל האקדמי להוראה בעידן ה AI

סגל ההוראה הוא האמון על שילוב ה-AI באקדמיה. משום כך, יש לחזק את ההיכרות של הסגל האקדמי עם הכלים החדשים, האפשרויות שמזמנים ומגבלותיהם. יש לעודד את סגל ההוראה להתנסות באופן מעשי, להרחיב ולהעמיק את ההבנה בתחום. דרכי הכשרת הסגל יכולים לכלול סדנאות, קבוצות דיון, הדרכות פרטניות, פרסום הנחיות והתנסויות מוצלחות²⁷ ועוד.