לכל סטודנט יש היום בכיס מורה פרטי, מתכנת ויועץ כמעט בחינם — כזה שכמעט אף פעם לא מסמיק כשהוא אומר שטויות. זו סיטואציה פדגוגית די יוצאת דופן.
התגובה הראשונה מובנת: לאסור. השנייה: להוסיף לקורס עשרים כלי AI ולהרגיש שעברנו רשמית לעתיד. אף אחת מהתגובות לא ממש משכנעת אותי.
לאסור ChatGPT זו לא שיטת הוראה.
אם מטלת בית מתה מפרומפט אחד, אולי המטופלת הייתה המטלה.
היכולת לקבל קוד נהייתה זולה. היכולת להבין למה אסור להריץ את הקוד הזה על הנתונים האלה — לא.
אין לי מתכון סופי ל"חינוך אחרי AI". אני חושד שאין אותו עדיין לאף אחד; יש פשוט אנשים שכבר הספיקו להכין עליו מצגת יפה מאוד. אבל כמה שינויים בשיעורים שלי כבר קשה לפספס.
1. AI הפך לצילום רנטגן של המטלות שלנו
נדמה לי שקצת התאהבנו בשאלה: "איך נתפוס סטודנט שהשתמש ב-ChatGPT?" לפעמים שאלה מועילה יותר היא: מה בדיוק המטלה שלי בדקה עוד לפני שהיה ChatGPT?
"בנו רגרסיה לוגיסטית על הטבלה." עד לא מזמן זה נשמע רציני: לפתוח נתונים, לבחור משתנים, לכתוב קוד, לקבל מקדמים. היום AI מסוגל לעשות חלק גדול מזה מהר יותר מהסטודנט. ומה שמעט מעליב — גם מהר יותר מהמרצה.
זה לא אומר שרגרסיה לוגיסטית הפכה למיותרת. זה רק אומר שמחפר הגיע לתחרות חפירה באתים. קצת מוזר להמשיך לתת ציון רק על מהירות העבודה עם האת.
אותי הרבה יותר מעניינות שאלות כמו:
- מה בכלל הגיוני לחזות כאן;
- האם ה-target דלף לתוך המשתנים;
- למה 99% accuracy יכולים להיות כמעט חסרי ערך;
- איזו טעות באמת יקרה יותר;
- האם המודל יעבוד גם בעוד שנה, בבית חולים אחר או במדינה אחרת.
AI לא הרס מטלה טובה. הוא פשוט חשף מטלה חלשה מהר מאוד. על זה אני כמעט מודה לו.
2. התשובה נהייתה זולה. וזו דווקא בשורה טובה.
שנים חיינו בעולם שבו תשובה הייתה משאב במחסור. צריך היה לחכות למרצה, למצוא ספר, לפתוח Stack Overflow או לשכנע חבר מתכנת להציץ ב-traceback.
היום יש כל כך הרבה תשובות שאפשר כנראה לבודד איתן קירות.
סטודנט יכול לבקש: "תסביר יותר פשוט", "תראה עם חמישה מספרים", "תשווה בין שני מודלים", "תמצא לי את הטעות", "תשאל אותי שאלות". להוראת ניתוח נתונים זו מתנה: לשנות threshold, לקלקל train/test, להוסיף חריג, להסיר משתנה — ומיד לראות מה קרה.
אם התפקיד העיקרי של המרצה היה להעביר טקסט מהשקף אל ערוץ השמע של הסטודנט, AI באמת נראה כמו מתחרה מסוכן. אבל אולי הבעיה שם אינה AI.
מרצה לא חייב להתחרות במכונה במהירות שבה הוא מייצר הסברים. אני רואה יותר ויותר את התפקיד שלי אחרת: לבנות מצב שבו הסטודנט חייב לבחור בחירה מהותית, לראות את התוצאות ולהסביר אותן.
3. אי־הבנה למדה להתלבש יפה
כאן מתחיל החלק הפחות נעים.
פעם אי־הבנה נראתה בדרך כלל בכנות: דף ריק, traceback, או גרף שנראה כמו אק"ג של מישהו שזה עתה ראה את ציון הבחינה.
היום אי־הבנה יכולה להגיע בחליפה: כותרות, טבלה, קוד Python, חמישה bullet points ו"לכן" בטוח בעצמו.
AI למד ללבוש בצורה משכנעת מאוד את החליפה של ההבנה. לפעמים, רק שאין אף אחד בתוך החליפה.
אפשר להסביר p-value בצורה יפה ועדיין לא להבין מה בדיוק היה אמור להפתיע אותנו אם השערת האפס נכונה. אפשר להריץ random forest ולא לשים לב שה-target נמצא בין המשתנים. אפשר לקבל 99% accuracy באירוע נדיר ולהרגיש אלוף העולם בלמידת מכונה.
הקוד נפל, הגרף נשבר, המספרים לא הסתדרו. לפחות היה ברור שכדאי לחשוד.
הקוד עובד, הטקסט חלק, העיצוב מצוין. האמת לא בהכרח הוזמנה לישיבה.
לכן אני פחות ופחות חושב שהמיומנות המרכזית של עידן AI היא "לדעת לכתוב פרומפטים". בניתוח נתונים חשוב יותר משהו אחר: להמציא בדיקה שמסוגלת להרוס את התשובה היפה שלך.
4. מה אני משנה בשיעורים שלי
אני לא רוצה להפוך שיעור לתערוכה של הישגי תעשיית הרשתות הנוירוניות. אם הכי טוב להסביר רעיון עם טוש ולוח, הטוש נשאר טכנולוגיה מצוינת: לא דורש חשבון, לא מעלה מחיר מנוי וכמעט לא הוזה.
בקורס שלי "ניתוח נתונים בעידן ה-AI" אני בונה יותר ויותר את העבודה סביב לולאה קטנה:
- תסתכל על הנתונים ותציע הסבר;
- תבדוק אותו;
- תקבל תוצאה שמקלקלת מעט את מצב הרוח;
- תשאל את AI מה אולי פספסת;
- ואז תבדוק כבר את ה-AI.
נוצר מין מעגל מזון פדגוגי: הסטודנט בודק את הנתונים, AI בודק את הסטודנט, הסטודנט בודק את AI, והמרצה מסתובב לידם בפרצוף רציני ועושה כאילו כל זה היה התכנון המדויק מההתחלה.
אני משתמש ב-Orange, באינטראקטיבים ובאפליקציות ווב שאני בונה, בהדמיות, במשחקים ובעוזרי AI. אבל פחות מעניין אותי AI בתור "כפתור שעושה". הרבה יותר מעניין אותי AI בתור ספקן: לבקש ממנו לא פתרון, אלא שאלה לא נוחה, השערה מתחרה או ביקורת על בחירת המדד.
לפעמים העוזר הטוב ביותר הוא זה שלא מגיש את התשובה על מגש, אלא מחביא את המגש ושואל: "ולמה בעצם החלטת שאתה צריך את התשובה הזאת?"
5. מה אני עדיין לא מוכן למסור ל-AI
טיוטת קוד? בשמחה. תחביר? בבקשה. עוד דוגמה? מצוין. רעיונות להדמיה? תנו שתיים.
אבל יש דברים שאני עדיין רוצה לראות אצל האדם:
האחרון חשוב במיוחד. בעידן AI, היכולת לומר "אני לא יודע" הופכת כמעט למיומנות עילית. המכונה עונה לא פעם בדיוק ברגע שבו היה עדיף להסתכל בשקט מהחלון. לבני אדם כדאי אולי לשמור לעצמם את היתרון התחרותי הקטן הזה.
AI מוריד את המחיר של תשובה מוכנה ומעלה את המחיר של שאלה טובה, בדיקה טובה ומטלה טובה. לכן המרצה לא נעלם. הוא פשוט פחות דומה למחסן מידע ויותר לאדריכל של מצבים שבהם אי אפשר לברוח מחשיבה.
6. ועכשיו מקום לריב — אינטלקטואלי
יש טענה אחת שממש מעניין אותי לקבל עליה התנגדויות:
אולי המשבר המרכזי של החינוך בעידן AI הוא לא שהסטודנטים למדו לרמות. אולי AI פשוט חשף כמה מטלות בדקו במשך שנים טקס במקום חשיבה.
אני לגמרי מוכן לכך שבעוד שנתיים אתווכח בעצמי עם חלקים מהמאמר הזה. זה בסדר. פחות מעניין אותי לנחש את החוקה הפדגוגית של 2030, ויותר מעניין אותי לאסוף תצפיות אמיתיות עכשיו.
לכן מעניין אותי במיוחד לשמוע דווקא ממי שלא מסכים איתי:
- איזו מטלה כבר הפסקתם לתת בגלל AI — או דווקא השארתם בכוונה?
- מה אפשר להעביר ל-AI בלי להרוס את הלמידה?
- איזו מיומנות אתם עדיין רוצים לראות אצל אדם בלי AI?
ואם התשובה שלכם היא "איגור, אתה קובר מיומנויות ישנות מהר מדי" — עוד יותר טוב. אני מעדיף ויכוח כזה עם דוגמאות על פני עוד רשימה של "37 כלי AI שישנו את החינוך לנצח עד יום שלישי הבא".