מהערכה להצלחה – להפוך משוב לכלי מנצח

על המרצה

ד"ר חני שלטון – חוקרת ומרצה באקדמיה, מומחית בהערכה חינוכית ופיתוח מקצועי של מרצים. בעלת ניסיון ניהולי בהובלת תהליכי הערכה במשרד החינוך ובמרכז לטכנולוגיה חינוכית (מט"ח).

 

סיכום ההרצאה

חני שלטון, מומחית בהערכה לשם למידה בשילוב בינה מלאכותית, פתחה את ההרצאה "משוב מקדם למידה" בהדגשה כי המשוב הוא המשתנה שהכי משפיע על קידום הלמידה של הלומדים. היא ציינה כי היא עוסקת בנושא ההערכה כ-30 שנה ולימדה קורסים בתואר השני בנושא הערכת לומדים. לדבריה, המשוב הוא לב האינטראקציה בין המרצה לסטודנט.

ההרצאה הציגה את התפיסה הכוללת של "Assessment for learning" - הערכה לשם למידה, שהיא רחבה יותר מעניין המשוב בלבד. במסגרת זו, הודגש כי המשוב המתקדם למידה יכול לסייע ללומדים להבין מה הם לא יודעים, לאן הם צריכים להגיע וכיצד הם מגיעים לשם. שלוש השאלות המרכזיות בהקשר זה הן: איפה אני נמצא? לאן אני רוצה להגיע? ואיך אני מגיע לשם?

חלק משמעותי מההרצאה הוקדש לשילוב הבינה המלאכותית (AI) בתפיסת ההערכה בכלל ובמתן המשוב בפרט. חני שלטון הביעה התלהבות רבה מהאפשרויות שהבינה המלאכותית פותחת לקידום הערכה לשם למידה, שכן היא יכולה לקצר את התהליכים ולאפשר מתן משוב יעיל יותר עם פחות השקעה מצד המרצה.

ההרצאה התמקדה בשני מושגים מרכזיים בהקשר של משוב:

1. פידבק (Feedback) - משוב אחורה על ביצועי העבר.
2. פידפורד (Feedforward) - משוב מתערב שמטרתו לאפשר ללומד לשפר או לקדם את ההבנה שלו.

בהמשך, חני שלטון פירטה את המאפיינים של משוב מקדם למידה אפקטיבי:

1. ספציפי וממוקד: משוב צריך להתייחס באופן ברור לנקודות ספציפיות בעבודה ולא להיות כללי. לדוגמה, במקום לומר "הטיעון שלך לא משכנע", עדיף לומר "הטיעון השני שלך לא משכנע כי הוא לא מגובה בעובדות או בדוגמאות".
2. מתייחס למטרות הלמידה: המשוב צריך לשקף לסטודנט עד כמה הוא השיג את המטרה או איפה הוא נמצא ביחס למטרה.
3. מספק כלים לשיפור: משוב טוב לא רק מצביע על קושי או פער, אלא גם נותן ללומד כלים כיצד לפתור את הבעיה ולשפר את ביצועיו.
4. מבוסס על ראיות ועובדות: כאשר מציינים נקודות חוזק או חולשה, חשוב לצטט ישירות מהעבודה דוגמאות הממחישות את הטענה.
5. ניתן בשפה חיובית ומעודדת: המשוב צריך לעודד תחושת מסוגלות ולא לפגוע במוטיבציה של הסטודנט. במקום להשתמש בביטויים כמו "עבודה חלשה מאוד", מומלץ להשתמש בשפה כמו "נמצא בתחילת הדרך" או "עדיין לא השגת את היעד".
6. מתייחס להיבטים שניתנים לשינוי: אין טעם לבקר דברים שהלומד לא יכול לשלוט בהם.
7. מותאם לרמת הידע והניסיון של הלומד.
   

במהלך ההרצאה התקיים דיון על האתגרים והפתרונות בשילוב בינה מלאכותית בהערכה. עלתה השאלה כיצד להבטיח שהסטודנטים אכן לומדים ולא רק משתמשים בבינה מלאכותית כדי להגיש עבודות. חני שלטון הציעה מספר דרכים להתמודד עם אתגר זה, כגון:

1. לבקש מהסטודנטים לנתח את התוצרים של הבינה המלאכותית.
2. להדגים לסטודנטים כיצד לעבוד עם הבינה המלאכותית בשילוב עם טבלאות הישגים.
3. לבקש מהסטודנטים להעלות את טבלת ההישגים לבינה כדי שהיא תעריך את עבודתם לפני ההגשה.
4. לשלב הערכה של תהליך העבודה עם הבינה המלאכותית, כולל הפרומפטים והמהלכים שהסטודנט עשה.

חני שלטון הציגה את הכלי NotebookLM של גוגל והדגימה כיצד להשתמש בו למתן משוב מפורט. היא הסבירה כי ניתן להעלות למערכת את המטלה, הקריטריונים להערכה ואת עבודת הסטודנט, ולאחר מכן להשתמש בפרומפט מובנה כדי לקבל משוב מפורט המתייחס לאיכות הביצוע, נקודות חוזק וחולשה (תוך ציטוטים מהעבודה) והמלצות לשיפור. הפרומפט כולל בקשה לבינה המלאכותית להיות אמפתית ולזכור שמטרת המשוב היא לעזור ללומד להשתפר.

גיא, אחד המשתתפים, הציג דוגמה לשימוש ב-GPT למתן משוב במהלך הלמידה, על ידי יצירת GPT לכל הרצאה המספק סיכום, מעודד שאלות אישיות ומספק משוב על איך לשאול שאלות טובות יותר.

בסיום, חני שלטון שיתפה טיפ נוסף: פתיחת פורום שקוף בו הסטודנטים משתפים את עבודותיהם ומקבלים משוב הן מהמרצה והן מעמיתים, מה שיכול לקדם למידה משמעותית ולבנות תרבות של שיתוף ושיפור מתמיד. היא הדגישה את חשיבות משוב עמיתים כחלק בלתי נפרד מתהליך הלמידה. 

למצגת הסדנה לחצו כאן