282 ע הטמעת כלים מבוססי בינה מלאכותית לקבלת החלטות מבוססת נתונים בבתי ספר )פוסטר( תקציר קבלת החלטות מבוססת נתונים ) Data-Driven Decision-Making; DDDM ( הפכה בעשור האחרון לציר מרכזי בתהליכי הוראה, הערכה וניהול בית־ספרי. במקביל, מתרחבת הטמעתם של כלים מבוססי בינה מלאכותית ) (AI המספקים למורים ולמנהלים מידע בזמן אמת על תהליכי למידה, חוסן ומכוונות עצמית של תלמידים ) Athanatou (et al., 2023 . אף על פי שפוטנציאל הכלים גבוה, מחקרים מצביעים על פער מתמשך בין ההבטחה הטכנולוגית לבין יישום משמעותי בשדה החינוכי ) (Henderson & Corry, 2021 . פער זה מדגיש כי הטמעה של כלים מבוססי נתונים ו בינה מלאכותית אינה תהליך טכני בלבד, אלא תהליך ארגוני, תרבותי ורגשי מורכב ) Levin & Datnow, 2012; (Romero & Ventura, 2020; Williamson & Eynon, 2020 . מטרת המחקר היא לזהות את הגורמים התומכים והמעכבים בהטמעת כלים מבוססי נתונים ו - AI בבתי הספר, ולבחון כיצד גורמים אלו מעצבים את השימוש בכלים ואת השיח המקצועי על נתונים בקהילות מורים. המחקר נערך בגישת שיטות משולבות מסוג Convergent (Creswell & Plano Clark, 2011) , עם עדיפות למרכיב האיכותני , והתמקד בשלוש זירות של למידה מקצועית: קהילות ‘השקפה’ שהן קהילות פיתוח מקצועי של מורים המשתמשות בכלים מבוססי AI לביצוע וניתוח סקרים , צוותי מורים לשפה המשתמשים בכלים להערכת חוסן אורייני, ומורים המשתמשים בכלים מבוססי AI להערכת מכוונות עצמית בלמידה. הנתונים נאספו באמצעות ריבוי מקורות, ובהם 84 ראיונות חצי־מובנים, 22 קבוצות מיקוד, 12.2 שעות תצפית ו שלושה שאלונים עם 405 משיבים . ניתוח הנתונים כלל ניתוח תמטי לצד סטטיסטיקה תיאורית , תוך השוואה בין זירות ומקורות מידע, במטרה לזהות דפוסים חוזרים וייחודיים של הטמעה. הממצאים מצביעים על שלושה צירים מרכזיים שעלו מניתוח הממצאים ומשפיעים על עומק ואיכות ההטמעה לאורך שרשרת העבודה עם נתונים )ראו איור 1( . ראשית, תנאים ארגוניים כגון מנהיגות פדגוגית תומכת, שגרות עבודה קבועות ושימוש במערכת נתונים מרכזית מאפשרים הפיכת נתונים למשאב ללמידה ולקבלת החלטות, בעוד שעומס, פיזור נתונים ותשתיות לא יציבות מעכבים שימוש משמעותי. שנית, השיח המקצועי בקהילות מורים ממלא תפקיד מכריע: כאשר מתקיים שיח חקרני ופרשני, הכולל התייחסות לתוצרי והמלצות כלי AI , הנתונים משמשים בסיס ללמידה משותפת ולתכנון פדגוגי; לעומת זאת, שיח טכני או בקרה־ממוקד מצמצם את השימוש לדרכי פעולה סמליות . שלישית, עמדות ורגשות של מורים כלפי הנתונים והטכנולוגיה, ובפרט כלפי כלי AI , ובראשם תחושת מסוגלות, בעלות מקצועית ואמון ברלוונטיות הכלי, מעצבים את מידת האימוץ והשימוש בפועל . המחקר מדגיש כי הטמעה מתמשכת של כלים מבוססי נתונים ו - AI מחייבת ליווי מקצועי מתמשך המכוון לפרשנות ולמשמעות, ולא רק להנגשה טכנולוגית. ממצאים אלה תורמים להבנת התנאים הארגוניים והתרבותיים הנדרשים ליישום בר־קיימא של DDDM הנתמך ב - AI , ומציעים כיוונים יישומיים למעצבי מדיניות, מנהלים ומובילי פיתוח מקצועי. איור .1 שרשרת עבודה עם נתונים מילות מפתח: בינה מלאכותית, הטמעת כלים טכנולוגיים, כלים מבוססי נתונים ובינה מלאכותית, קבלת החלטות מבוססת נתונים, קהילות מורים . מקורות Athanatou, M., Prendes Espinosa, M. P., & Gutiérrez Porlán, I. (2023). Data-driven decision making as a model to improve in primary education. Journal of Education and E-Learning Research, 10(1), 36-42. https://doi.org/10.20448/journal.509.2023.101.36.42 Creswell, J.W., & Plano Clark, V.L. (2011). Designing and conducting mixed methods research (2nd edition). SAGE Publications. Henderson, J., & Corry, M. (2021). Data literacy training and use for educational professionals. Journal of Research in Innovative Teaching & Learning, 14(2), 232-244. https://doi.org/10.1108/JRIT-11-2020-0074 Levin, J. A., & Datnow, A. (2012). The principal role in data-driven decision making: Using case-study data to develop multi-mediated perspectives. Educational Administration Quarterly, 48(1), 107–142. https://doi.org/10.1177/0013161X11432926
RkJQdWJsaXNoZXIy Mjk0MjAwOQ==