מורה פרטי AI: מתי זה מספיק ומתי צריך מורה אנושי

"מורה פרטי" הוא הפתרון שכולם מכירים, והוא באמת עובד. השאלה המעשית היא לא אם הוא עובד אלא כמה מהיתרון שלו נשמר כשמחליפים אותו בתוכנה, ובאיזה מחיר.

יש על זה מספרים, והם פחות דרמטיים משתי הסיסמאות הרווחות, "שום דבר לא מחליף מורה אנושי" מצד אחד, ו"AI מייתר מורים" מצד שני.

מה המחקר בעצם מצא

ב-1984 פרסם בנג'מין בלום את מה שנודע כ"בעיית שתי הסיגמות": תלמידים שקיבלו הוראה פרטנית בשילוב למידה לשליטה הגיעו לביצועים גבוהים בכשתי סטיות תקן מתלמידים בכיתה רגילה. במונחים פשוטים, התלמיד הממוצע בקבוצה הפרטנית עקף כ-98% מהתלמידים בכיתה הרגילה. בלום עצמו הציג זאת כבעיה: התוצאה מצוינת אבל בלתי אפשרית לממן בקנה מידה ארצי, והאתגר שהציב היה למצוא שיטות קבוצתיות שמתקרבות אליה.

המספר הזה צוטט הרבה מאז, לעיתים קרובות בלי ההסתייגות. סקירות מאוחרות יותר מצאו אפקטים קטנים יותר בתנאים מציאותיים.

הסקירה השימושית ביותר להשוואה הזו היא של קנת ואן-לן מ-2011, שבחנה יחד הוראה אנושית פרטנית ומערכות הוראה ממוחשבות:

• הוראה אנושית פרטנית: שיפור של כ-0.79 סטיית תקן לעומת הוראה כיתתית רגילה.
• מערכות הוראה ממוחשבות: שיפור של כ-0.76 סטיית תקן.

כלומר הפער בין מורה אנושי לבין מערכת ממוחשבת קטן בהרבה מהפער בין כל אחד מהם לבין לימוד עצמאי בלי שום ליווי. זה ממצא על ממוצעים בין מחקרים, ולא הבטחה לגבי תלמיד מסוים או נושא מסוים, אבל הוא הופך את השאלה מ"האם זה יכול לעבוד" ל"באילו תנאים".

הסתייגות חשובה, ואולי החשובה ביותר במאמר הזה: הסקירה של ואן-לן פורסמה ב-2011, והמערכות שנבדקו בה הן מערכות מבוססות-כללים מהעשור שקדם לה. הן אינן מודלי שפה, והן אינן הכלים שאתם משווים ביניהם היום. המספר 0.76 הוא עדות לכך שהוראה ממוחשבת יכולה לעבוד, ולא מדידה של כלי AI כלשהו משנת 2026, שלנו או של אחרים. מדידה כזאת עדיין לא קיימת בספרות בהיקף דומה. מי שמצטט את המספר הזה כהוכחה לאיכות של מורה AI עכשווי, כולל אנחנו, חורג ממה שהמחקר מראה.

למה ההפרש קטן כל כך

כי רוב היתרון של מורה פרטי לא נמצא באיכות ההסברים. הוא נמצא בשלושה דברים מבניים, ושלושתם ניתנים לאוטומציה:

הקצב מותאם. בכיתה הקצב נקבע לפי הממוצע, ולכן חלק מהתלמידים מבזבזים זמן וחלק נשארים מאחור. אחד-על-אחד, מי שלא הבין חוזר ומי שהבין ממשיך.

הפער מזוהה מוקדם. מורה פרטי שואל שאלה ומגלה תוך דקה מה לא ברור. בכיתה הפער מתגלה במבחן, שבועות אחר כך.

התרגול הוא שליפה, לא הקשבה. מורה פרטי מבקש מכם לפתור, להסביר, לנסח. זה בדיוק המנגנון שנמצא היעיל ביותר בחקר הלמידה, ניסיון לשלוף חומר מהזיכרון משמר אותו הרבה יותר טוב מקריאה חוזרת שלו.

שלושת אלה הם מנגנון, לא כריזמה. שם עובר קו הגבול.

מה שתוכנה עדיין לא עושה

שני דברים, ושניהם אמיתיים:

זיהוי מצב רגשי. מורה טוב רואה שהתלמיד מתוסכל לפני שהוא אומר זאת, ומשנה כיוון. תוכנה מזהה תשובה שגויה, לא ייאוש.

התעקשות. מורה אנושי לא נותן לכם לדלג על נושא רק כי הוא לא נעים, ויש מפגש קבוע ביומן שמייצר מחויבות. תוכנה מסיימת שיחה ברגע שסוגרים את החלון. אם אתם יודעים על עצמכם שאתם נוטים לנטוש כשקשה, זה השיקול המרכזי, לא איכות ההסבר.

איפה המחיר באמת משנה

ההבדל בין השניים הוא לא רק הסכום, אלא מבנה התמחור, וזה משנה את ההתנהגות:

תמחור לפי שעה הופך כל חזרה להחלטה כלכלית. השיטה שהמחקר תומך בה, תרגול מרווח, מפגשים קצרים ותכופים לאורך שבועות, היא בדיוק זו שיקרה ביותר לקנות בשעות, ולכן בפועל מוותרים עליה ומרכזים הכול לשיעור אחד ארוך לפני מבחן. זה נוח לתקציב ורע לזיכרון.

תמחור לפי מנוי הופך את החזרה השביעית לחינמית. לא כי חזרה חשובה יותר מהסבר, אלא כי ככה אפשר לעשות אותה בלי לחשב.

איך זה נראה באנפטו

אתם מתארים מטרה, ונבנית ממנה תוכנית לימודים מותאמת אישית, מסלול נושאים שאפשר לערוך לפני שמתחילים. ההוראה עצמה נקטעת בשאלות ובכרטיסיות לפי לוח זמנים של חזרה מרווחת, והמערכת מתעדת באילו נושאים הוכחתם שליטה ובאילו רק עברתם. הכול בעברית ובממשק ימין-לשמאל, לא כתרגום של מוצר אנגלי.

מה שזה לא עושה: להתקשר אליכם כשלא נכנסתם שבוע.

השורה התחתונה

אם אתם צריכים מישהו שיחייב אתכם להגיע, קחו מורה אנושי, וזה שיקול לגיטימי לגמרי. אם אתם צריכים מסלול מסודר, זמינות בכל שעה, וחזרות שלא עולות כסף נוסף, ההפרש הנמדד באיכות ההוראה עצמה קטן מכפי שנהוג להניח.

מקורות

• VanLehn, K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educational Psychologist, 46(4), 197–221.
• Bloom, B. S. (1984). The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher, 13(6), 4–16.
• Karpicke, J. D., & Roediger, H. L. (2008). The Critical Importance of Retrieval for Learning. Science, 319(5865), 966–968.