תקציר
המאמר מציג מסגרת מעשית ואחראית לשילוב בינה מלאכותית בעבודה הסוציאלית, תוך הדגשת הפוטנציאל שלה לשיפור המחקר, ההכשרה וקבלת ההחלטות בעבודה סוציאלית – מבלי להחליף את הקשר האנושי שביסוד המקצוע. לאחר סקירה של התפתחות התחום, מחיזוי סיכון לילדים ועד כלי בינה מלאכותית יוצרת, המאמר מצביע על היתרונות המרכזיים של שימוש בבינה מלאכותית לצד הסיכונים והאתגרים הטמונים בשימוש בה בפרקטיקה של העובדת הסוציאלית.
בלב המאמר מוצגים שלושה עקרונות לשימוש אחראי בבינה מלאכותית בעבודה סוציאלית, מלווים בדוגמאות מתחומי המחקר, ההוראה והפרקטיקה. באמצעות מגוון יישומים – ובהם זיהוי כוויות מכוונות בילדים, בניית כלי לניתוח ציורים, כתיבת דוחות ועדת תכנון טיפול והערכה, מתן עזרה נפשית ראשונה וסימולציות מציאות מדומה – מודגם כיצד בינה מלאכותית יכולה לחזק מקצועיות, דיוק ולמידה כל עוד האחריות, האמפתיה וההכרעה נשארות בידי האדם.
אף שבינה מלאכותית אינה זרה לחלוטין למקצוע העבודה הסוציאלית, יש לה פוטנציאל לחולל שינוי מרחיק לכת בפרקטיקה של המקצוע (An & Lindsey, 2026). על אף שלעיתים נדמה כי התחום פרץ לחיינו בבת אחת, למעשה הוא מתפתח כבר למעלה משלושה עשורים (שוורץ טיירי ועמיתים, 2025א) על רקע עידן המידע וההאצה הדיגיטלית, שהובילו לשימוש גובר באמצעים חישוביים מתקדמים.
העבודה הסוציאלית לא נותרה מאחור: שיטות של בינה מלאכותית שימשו במחקר ובפרקטיקה בתחום הרווחה כבר בראשית שנות ה־2000, אך רק לאחרונה גבר השימוש בהן – תחילה במחקר ואחר כך בשדה. למרות זאת, עד כה טרם הומשגו עקרונות מנחים ברורים לשימוש בבינה מלאכותית בדיסציפלינה, ובעיקר בשגרת העבודה של העובדת הסוציאלית. במאמר זה אבקש להציג מסגרת מושגית ופרקטית לשימוש אחראי בבינה מלאכותית בדיסציפלינה ובמקצוע העבודה הסוציאלית, המבוססת על שלושה עקרונות מרכזיים אשר משותפים לכל ענפיה. אלה ילוו בדוגמאות מ"העולם האמיתי" של הפרקטיקה, ההכשרה וההדרכה.
ההיסטוריה של האלגוריתמים החכמים ועולם הרווחה החברתית
בינה מלאכותית היא מונח־גג המתאר מערכות חישוביות המסוגלות לבצע משימות הדורשות בדרך כלל אינטליגנציה אנושית, כגון תרגום טקסט, זיהוי דיבור, תפיסה חזותית או קבלת החלטות (Cohen-Inger & Zachron, 2017) , וכן ללמוד מנתונים, להבין הקשרים ולבצע חיזויים באופן עצמאי.
חשוב להבחין בין המושגים, שלעיתים קרובות מבלבלים ביניהם: למידת מכונה (Machine learning) היא תת־תחום בתוך בינה מלאכותית המאפשר למערכות ללמוד דפוסים מנתונים קיימים ולשפר את ביצועיהן מבלי להזדקק לתכנות מראש של כל כלל (Toreini et al., 2020). למידה עמוקה (Deep learning) היא תת־תחום מתקדם המבוסס על רשתות נוירונים, אשר מדמות את אופן פעולתו של המוח האנושי ומעבדות מידע מורכב כגון תמונות וטקסט. חרף ההבחנה המושגית, השתיים חולקות מטרה דומה: פיתוח תוכנה חכמה המתמודדת עם בעיות מורכבות בדרכים המדמות חשיבה אנושית (Buckner, 2024; Haugeland, 1997). הבחנות אלה חשובות לבחינת שילובן במחקר ובשדה העבודה הסוציאלית (שוורץ טיירי ועמיתים, 2025א).
הקשר בין העבודה הסוציאלית לבינה המלאכותית ראשיתו בשנות התשעים במדינת וושינגטון שבארצות הברית, כאשר פקידי ממשל חלוציים זיהו את הפוטנציאל הטמון בניתוח נתונים מנהליים לצורך איתור מגמות של סיכון לילדים. הם הראו כי מודלים חישוביים המבוססים על למידת מכונה מיטיבים לחזות מצבי סיכון בקרב ילדים בהשוואה לרגרסיה לינארית (Marshall & English, 2000). מחקר נוסף שהתבסס על שיטות מתקדמות אלה הצליח לחזות מצבי סיכון בקרב ילדים המוכרים למערכת הרווחה ברמת דיוק של 90% (Schwartz et al., 2004).
חרף ההבטחה הגלומה ברתימת למידת מכונה למחקר ולמדיניות בתחום שלום הילד, חלף למעלה מעשור עד שהתעורר מחדש העניין ביישומה בעולם הרווחה. עם חדירתה של שיטת הניתוח הניבויי (Predictive analytics) לעולם העבודה הסוציאלית, נעשה בה שימוש לשם חיזוי ההסתברות להתרחשותם של אירועים או סיכונים מסוימים, בעיקר בקרב ילדים המוכרים לרווחה (Cuccaro-Alamin et al., 2017). בעשור האחרון הורחב השימוש במודלים אלה בעיקר לצורך חיזוי מצבי סיכון כגון התעללות והזנחה (Dare et al., 2012), הישנות של התעללות (Marshall & English, 2000) ופגיעה גופנית בינקות (Vaithianathan et al., 2018), אך גם לצורך זיהוי גורמי חוסן בחייהם של ילדים המוכרים לשירותי הרווחה (Ahn et al., 2021; Elgin & Dallas, 2018; Walsh et al., 2020). ממצאיהם של חלק מהמחקרים תורגמו בהמשך לכלי בינה מלאכותית המשולבים בשירותי הרווחה האישיים, במטרה לסייע לעובדות סוציאליות בשירותי ההגנה על ילדים לזהות מוקדם ככל שניתן ילדים בסיכון ולספק להם שירות (Packard, 2016; Shroff, 2017). כך, המודלים שזוהו באמצעות למידת מכונה תורגמו למערכות תומכות החלטה מבוססי בינה מלאכותית.
מערכות וכלים מבוססי בינה מלאכותית דוגמת ה־Allegheny Family Screening Tool (AFST) מפיקים ציון סיכון בזמן אמת ומסייעים בזיהוי שיטתי של ילדים בסיכון (Ebersole, 2024), תוך יישום עקרונות אתיים כשקיפות ומניעת הטיה אלגוריתמית (Vaithianathan et al., 2023). מחוז אלגייני שבפנסילבניה היה מן הראשונים לאמץ את הכלי (Allegheny County, 2025; McSilver Institute, 2021), וכלי דומה משמש בניו יורק ובמחוזות שונים בלפחות 11 מדינות בארצות הברית (McSilver Institute, 2021). גם בישראל מיושמות כיום מערכות תומכות החלטה דומות, במטרה לסייע לעובדות הסוציאליות בתהליכי קבלת החלטות, לשפר את איכות השירות ולחזק את התשתית המקצועית לקבלת החלטות (שוורץ טיירי ועמיתים, א2025).
בינה מלאכותית יוצרת (Generative AI) – האם המערכת מתעלה על יוצריה?
יש להבחין בין שיטות של בינה מלאכותית המשמשות למחקר ולפיתוח בתחום העבודה הסוציאלית ושירותי הרווחה, לבין כלים הפתוחים לשימושם של עובדות ועובדים סוציאליים בשדה – ללא צורך בידע בתכנות. כלים אלה, אף שתשתיתם דומה, מופעלים באמצעות הנחיות מילוליות שהמשתמש מזין – פרומפטים.
"בינה מלאכותית יוצרת" היא טכנולוגיה המבוססת על למידת מכונה אשר מסוגלת להפיק תוכן מקורי (טקסט, תמונה או קול) על יסוד הנתונים שאומנה עליהם. בשונה ממודלים חישוביים מסורתיים, הבינה היוצרת אינה מעבדת מידע קיים בלבד אלא יוצרת תוכן חדש, המדמה את הקלט המקורי (Boetto, 2025). מרבית כלי הבינה היוצרת שעובדות סוציאליות משתמשות בהם מבוססים על מודל שפה גדול (LLM)- אלגוריתמים הלומדים דפוסי שפה מכמויות עצומות של טקסטים ומאפשרים לנתח שיח, לזהות מצוקה רגשית ולתמוך בקבלת החלטות. השיח האקדמי מתעד שימוש בכלים אלה בהכשרה ובשדה.
הספרות מלמדת כי נעשה שימוש ב־ChatGPT וב־Perplexity בהכשרת עובדים סוציאליים לשם תרגול חשיבה ביקורתית וחיזוק התבוננות רפלקטיבית (McGovern, 2024), ובישראל – להוראת מיומנויות אתיות ולשיפור קבלת החלטות אתית (Segal, 2025). תיעודים נוספים מעלים כי מחנכות לעבודה סוציאלית משתמשות בבינה יוצרת לפיתוח תיאורי מקרה, כתיבה קלינית וסימולציות. זאת מתוך מודעות לסיכונים כהטיה, דיוק חלקי ונטיית המודל להפיק מידע שגוי או להמציא מידע, והקפדה על שימוש בה ככלי תומך החלטה בלבד ולא כתחליף למומחיות האנושית (Báez et al., 2025; Stone, 2023).
שילוב הבינה המלאכותית בשדה מתרחב אף הוא, אך זוכה לתיעוד מועט יותר. כך, למשל, נעשה שימוש בבינה לזיהוי אסטרטגיות התמודדות של פונים לקווי תמיכה ולתיעוד שיחות לצורך הפחתת העומס המנהלי (Fung et al., 2025). בהמשך נציג מקרים מן השדה שבהם פיתחו עובדות סוציאליות – במסגרת קורס "יד ביד בעולם הבינה המלאכותית בעבודה סוציאלית" של האגודה לקידום העבודה הסוציאלית – כלים תומכי החלטה מבוססי בינה מלאכותית, תוך יישום עקרונות בינה מלאכותית אחראית בעבודה סוציאלית. מטרת הקורס היא להכשיר עובדות סוציאליות להכיר ולהבין מגוון שיטות מבוססות בינה מלאכותית, להכיר את המאפיינים והייחוד של כל אחת מהן ולרכוש מיומנויות שימוש בהן – לצורך קידום הביצועים ולשיפור איכותן של התערבויות פסיכוסוציאליות, קהילתיות וכאלה המשלבות פרקטיקה של מדיניות. כל זאת, תוך יישום של עקרונות בינה מלאכותית אחראית בעבודה סוציאלית, אשר יפורטו בהמשך.
יתרונות השימוש בבינה מלאכותית במחקר ובפרקטיקה של העבודה הסוציאלית, לצד הסיכונים
שילובן של שיטות בינה מלאכותית במחקר ובפרקטיקה של העבודה הסוציאלית טומן בחובו יתרונות ניכרים. בתחום המחקר, טכניקות אלה מאפשרות גילוי ידע חדש על תופעות אנושיות וחברתיות, בעיקר משום שהן מסוגלות להתגבר על מגבלות הנטועות בהנחותיו התאורטיות המוקדמות של החוקר ובכך לזהות קשרים ודפוסים חדשים (שוורץ טיירי ועמיתים, 2025א). כך, למשל, שיטות של למידת מכונה – ובהן כריית נתונים וטקסט ולמידת מכונה עמוקה – מגלות לחוקרת תובנות שלא היו מתגלות אילו היתה החוקרת מחליטה מראש על היקף מסוים של משתנים לניבוי תופעות (Garkisch & Goldkind, 2024; Victor et al., 2021; Walter et al., 2021). כלומר, מאחר ששיטות של למידת מכונה הן מבוססות החלטות מתמטיות ולא החלטות שרירותיות של החוקרת, הן עשויות לחשוף משתנים וקשרים ביניהם שבלעדיהן לא היו נחשפים. למשל, גורמים המנבאים את חזרתם לחיק המשפחה של ילדיו בהשמה חוץ־ביתית (Elgin & Dallas, 2018; Walsh et al., 2020). גישות אלה אף מאפשרות לחקור תהליכים לא־ליניאריים בחיי הפרט, כגון תהליכי חוסן, ולהשתמש בסימולציית נתונים ובנתונים סינתטיים כדי להבין טוב יותר את השפעתם של גורמים שונים על מסלולי ההתפתחות של ילדים.
זאת ועוד, היכולת לאחד רשומות (Data linkage) ממקורות ידע מגוונים כגון משרדי החינוך והרווחה, רשות האוכלוסין ועוד, מאפשרת מחקר המתיישב עם פרדיגמת "האדם בסביבתו" (Kemp et al., 2024), אשר יכול לפצות על מידע חסר או על שאלות שהתשובה עליהן עלולה להיות מוטה לאור קושי בהיזכרות (כמו שאלות על אודות מצוקות בילדות) (Schwartz Tayri et al., under review). לדוגמה, במחקר המתבצע במעבדה שלנו אנחנו מאחדות נתונים כמו רשומות לידה, חינוך, רווחה, הכנסות ועוד, יחד עם מדדי ה"ירוק" (Greenery) ואיכות המים, כדי לבחון כיצד מאפיינים (פיצ'רים) בסביבות הפרט – מהמשפחה הקרובה ועד סביבה ירוקה – תורמים להתפתחות תקינה או מעכבים אותה (שוורץ טיירי ועמיתים, 2025ב).
בפרקטיקה יש למקם את תרומתה של הבינה המלאכותית היוצרת בתוך המסגרת של פרקטיקה מבוססת־ראיות, המדגישה קבלת החלטות המשלבת ראיות מחקריות, נסיבותיו הייחודיות של הלקוח וערכיו, לצד שיקול הדעת המקצועי של העובדת הסוציאלית (Lin, 2023). זהו שילוב מאתגר, במיוחד עבור עובדות בתחילת דרכן או במצבי עומס וחשיפה גבוהה לדחק הקשור לעבודה (Achdut & Schwartz-Tayri, 2022), והוא אחד הסברים לקושי של עובדות סוציאליות לשלב בעבודתן באופן שיטתי ידע מחקרי, העשוי לתרום לשיפור ההתערבויות והתוצאות עבור צרכני השירותים (Denvall & Skillmark, 2021).
כאן טמון פוטנציאל מרכזי של הבינה המלאכותית היוצרת, שכן כלים שלה מסוגלים לסנתז במהירות ידע מחקרי ולהנגישו בנקודת קבלת ההחלטה של העו"סית. כך למשל, עובדת סוציאלית חיברה באמצעות בינה יוצרת את פרופיל החברים שקלטה לקבוצה, צורכיהם וערכיהם, עם המתווה המקצועי לעבודה קבוצתית של השירות ועם סקירת הספרות העדכנית על ה־Best practice בעבודה קבוצתית לאוכלוסיית היעד, ועל בסיס כל אלו הכינה מתווה לעבודה קבוצתית הכולל דגשים ליחידת ההנחיה עבור כל אחד מחברי הקבוצה.
דוגמה זו, לצד תהליכי עבודה דומים, ממחישה כיצד בינה מלאכותית יכולה להפחית חלק מן העומס הקוגניטיבי המוטל על העובדת הסוציאלית ולאפשר לה לפנות זמן וקשב לליבת המפגש הטיפולי, לבניית הברית הטיפולית ולשיתוף הפונה כמומחה לחייו. כך עשוי שילוב מושכל של כלים אלה לשפר את איכות ההתערבות הפסיכו־חברתית ולסייע בהגשמת ההבטחה הגלומה בפרקטיקה מבוססת־ראיות.
השימוש בטכנולוגיות דיגיטליות מציב אתגרים ניכרים בכל הנוגע לשמירה על סודיותם ופרטיותם של צרכני שירותי הרווחה (Kirwan, 2023). בדומה למידע רגיש העלול לדלוף משיחות טיפוליות ב־Zoom או בכל כלי אחר של טיפול מרחוק (Bengtsson & Bønnhoff, 2024; Nuwasiima et al., 2024; Stuart, 2023) , תהליכי עבודה המבוססים על מודלי שפה גדולים (LLM) ונשמרים בענן עלולים להיחשף לפריצות או לשימוש בלתי הולם מצד גורמים שלישיים (Reamer, 2023b). אתגר זה מועצם לנוכח פערים בתחום אבטחת המידע בקרב עובדות סוציאליות. בהיעדר הכשרה מתאימה, עלול להיווצר מצב שבו יוזן מידע מזהה על פונים, שלא ביודעין, לכלים מסחריים הפתוחים לציבור.
ואולם, לצד הסיכונים הכרוכים בשימוש בכלים מבוססי ענן, קיימים כיום כלים חינמיים ובקוד פתוח הפועלים במצב לא־מקוון (offline) ובהם Jan LM Studio,GPT4All, AnythingLLM, ו־Ollama המאפשרים להריץ מודלי שפה מקומיים (כגון Llama DeepSeek, או Mistral) ישירות על מחשב המשרד, כך שהנתונים אינם יוצאים ממנו כלל. חלק מכלים אלה אף מאפשרים ניתוח וסיכום של מסמכים מקומיים (כגון קובצי PDF או Word), ובכך עשויים לתמוך בכתיבת דוחות ובעיבוד מידע רגיש תוך שמירה מרבית על פרטיות הפונה. הנגשת ידע והכשרה מעשית בשימוש בכלים כאלה עשויות אפוא לצמצם משמעותית את סיכוני החשיפה.
חלק מן המדינות, ובהן ישראל, כבר גיבשו הנחיות מפורטות לשימוש בכלים מבוססי בינה מלאכותית במערכות ציבוריות (משרד הרווחה והביטחון החברתי, 2025). עם זאת, לנוכח קצב ההתפתחות הטכנולוגית – העולה לעיתים על קצב פיתוחן של ההנחיות האתיות ושל המדיניות הסדורה לשימוש בה בעבודה הסוציאלית – נדרש עדכון שוטף של פרוטוקולים מקצועיים ושל מדיניות ברורה להגנת המידע, תוך התאמתם לרגולציה הקיימת בישראל (Segal, 2025).
שלושה עקרונות לשימוש אחראי בבינה מלאכותית בעבודה סוציאלית ויישומם בשדה
מצב המדיניות בנושא הבינה המלאכותית במקצועות ובתחומים הנושקים לעבודה הסוציאלית מלמד כי הרגולציה מפגרת אחר קצב האימוץ של הטכנולוגיה, אך היא הולכת ומתגבשת.
בתחום בריאות הנפש, לדוגמה, האגודה הפסיכולוגית האמריקנית פרסמה בשנת 2025 הנחיות אתיות לשימוש בבינה מלאכותית בפרקטיקה המקצועית של פסיכולוגיית שירותי הבריאות (American Psychological Association, 2025). לצד אלה מתפתח גוף ידע גדל והולך העוסק בעיצוב, בשילוב ובשימוש אחראי בבינה יוצרת בתחום זה (Tal & Asman, 2025).
הספרות מזהירה כי הטיות גזעניות ותרבותיות המוטמעות במודלי שפה גדולים (LLMs) עלולות לשעתק פרקטיקה דכאנית, להעמיק את הסיכון למטופלים בעלי אחיזה מוגבלת במציאות (Haworth, 2026; Østergaard, 2023), ולייצר פסיאודו ברית טיפולית ותלות בכלי AI (Darcy et al., 2021) – שהוא חישובי ואינו חושב.
בית המשפט העליון קבע בפסיקה תקדימית (עע"מ 63194-08-25) ארבעה כללי יסוד לשימוש בבינה מלאכותית במגזר הציבורי: איסור הסתמכות עיוורת על תוצרי הכלי, חובת בקרה אנושית, חובת שקיפות כלפי האזרח, ואחריות מקצועית שאינה ניתנת להעברה אל המכונה. עקרונות אלה משקפים את הקונצנזוס המתגבש בספרות הבין־תחומית (Wilhelm et al., 2024), אולם הם טרם תורגמו לצרכיה הייחודיים של העבודה הסוציאלית. בימים אלו עמל צוות מיוחד, שהקים משרד הרווחה והביטחון החברתי, על ניסוח הוראת תע"ס שתסדיר את השימוש בבינה המלאכותית היוצרת בשירותי הרווחה.
העיקרון הראשון: אימון הבינה המלאכותית על יסוד מקורות מומחים
העיקרון הראשון הוא שכל שימוש של עובדת סוציאלית בבינה מלאכותית בהקשר המקצועי צריך להתבסס על מקורות מומחים (domain-expert and scientific literature), למשל, מאמרים מקצועיים ואקדמיים שפיטים, מתווים טיפוליים מאושרים, חוזרי מנכ"ל – והשילוב ביניהם. עיקרון זה נשען על התפיסה כי פיתוח אחראי של מערכות בינה מלאכותית צריך להיות מבוסס מומחיות מקצועית (Schiff et al., 2020). מסגרת פיתוח כזו מחייבת שילוב של מומחיות ומומחים אנושיים לאורך כל תהליך הפיתוח, ההערכה והלמידה של המערכת; לא כמקור ידע חיצוני בלבד, אלא כשותפים פעילים בזיהוי הבעיות, בתיוג הנתונים ובפיקוח על התוצרים (שוורץ טיירי ועמיתים, 2025).
חשוב להדגיש כי כלי בינה מלאכותית המשמשים עובדות סוציאליות אינם אמורים להתבסס על למידה בלתי מבוקרת מן האינטרנט, אלא על מקורות ידע מוסמכים, רלוונטיים ומותאמי ההקשר הייחודי והרלוונטי לעבודתה של העו"ס. מקורות אלו מספקים קווים מנחים מקצועיים, ספרות קלינית עדכנית ומומחיות מצטברת של צוותי טיפול בשדה, שרק על בסיסם ניתן להפעיל כלי בינה מלאכותית יוצרת.
דוגמה לכך אפשר למצוא בפיתוח שביצעו עובדות סוציאליות במסגרת הכשרה בתחום הבינה המלאכותית באחת מהרשויות הגדולות בארץ. הן פיתחו כלי ליצירת סיכום והמלצות כחלק מדוח ועדת תכנון טיפול והערכה. לצורך פיתוח הכלי, שעבד באופן שאינו חושף פרטים מזהים, הוזנו ל"סוכן" מגוון דוחות מותממים, דוגמאות להמלצות (ללא פרטים מזהים) שנכתבו ונבדקו מחדש על ידי העו"סיות במנהל הרשות, וכן מידע על סל השירותים הרלוונטיים ברשות בהתאמה לפרופיל המצוקה של המשפחה. כלי זה עשוי לקצר זמן יקר של עריכת תיקונים וכתיבת סיכום הדוחות וההמלצות, וכן ליצור אחידות במבנה הדוח של העובדות השונות ושקיפות בפני המשפחות.
במקרה אחר יצרנו במסגרת קורס בינה מלאכותית לעובדות סוציאליות כלי המסוגל לזהות מצוקה ומשאבי חוסן בציורי ילדים, ולסייע לעובדת לגבש תגובות קליניות הולמות בקשר הטיפולי עם ילדים צעירים המדברים בשפה ויזואלית ולא מילולית. הכלי מבוסס על טבלאות עשירות באינדיקטורים למצוקה ולחוסן, כפי שהם באים לידי ביטוי באופי הקווים, מיקום האלמנטים בדף, אופן השימוש במרחב, עוצמת הלחיצה על כלי הציור, צורת הדמויות, מרחקים, צבעים ועוד, והן מבוססות על סקירת עשרות מאמרים וספרים העוסקים בפענוח ציורי ילדים.
הציור המופיע בתרשים 1 צויר על ידי בתה של מחברת המאמר, שהייתה בת חמש ושישה חודשים בעת יצירתו. הציור נוצר במהלך מלחמת "שאגת הארי", כאשר האם ובנותיה שהו בנפרד מהאב למשך כל תקופת המלחמה. הפענוח המתומצת שהתקבל מכלי הבינה המלאכותית כולל גם את ציון המקורות המדעיים שהפיענוח מבוסס עליהם.
"שלום. כסוכן AI המשמש ככלי עזר לתמיכה בקבלת החלטות, אני כאן כדי לסייע לך בתהליך הפענוח והניתוח המקצועי. אני מבין את המורכבות והאחריות הרבה המוטלת עלייך בעבודתך כעובדת סוציאלית, ואת החשיבות של קריאת סימני מצוקה לצד איתור כוחות וחוסן אצל ילדים. חשוב לציין: כבינה מלאכותית, הניתוח שלי מתבסס על עיבוד חזותי והצלבת נתונים מתוך מאגרי הידע שצורפו, ואינו מהווה תחליף לשיקול הדעת הקליני שלך או לאבחון פסיכולוגי מוסמך. כל הפירושים צריכים להתקבל כהשערות עבודה בלבד. כל האמור להלן הן השערות הדורשות סדרת ציורים, נרטיב של הילד/ה, והקשר התפתחותי ותרבותי.
מבנה ומיקום: הדמויות מסודרות בשורה אחת, פונות קדימה, עם אינטראקציה מועטה ביניהן. דפוס ש־Malchiodi (1998), בפרק 6, מקשרת לעיתים לניתוק רגשי במשפחה, אך הוא נפוץ ומצריך זהירות פרשנית. מיקום הדמויות בחלקו התחתון של הדף, עם שטח ריק נרחב מעליהן, תואם אינדיקטור של הפנמה ודימוי עצמי נמוך ("Drawing by the edge or") (down the page Moradi Motlagh, Abedin & Heydari, 2009).
סימנים דו־משמעיים: הכתם הכהה המקושקש הצף בין הדמויות מתפקד כ"סימן חריג/מוזר" (Bizarre mark) שנמצא בקורלציה עם בעיות הפנמה בציורי משפחה (Goldner & Scharf, 2012). העיבוד הכהה והלחוץ בדמות המרכזית־ימנית (שיער/כובע) עשוי לשקף מתח או חרדה (Malchiodi, 1998, פרק 5).
סימני חוסן: קו קרקע יציב וצבעוני (כחול, צהוב, כתום, ירוק) מעיד על תחושת יציבות, ביטחון וחיוניות רגשית (Malchiodi, 1998, פרקים 5–6). חיוכים על פניהן של כמה דמויות וסצנה משפחתית שלמה מרמזים על אפקט חיובי ותמיכה חברתית נתפסת.
לסיכום, תמונה מעורבת, חוסן ויציבות לצד סימני מתח/הפנמה קלים. הפרשנות היא נקודת פתיחה לשיחה, לא אבחנה.
שלוש שאלות לשיחה טיפולית עם הילד/ה (פתוחות ולא מובילות, בהתאם לעיקרון שהנרטיב של הילד/ה קודם לפרשנות): "ספר/י לי על כל אחת מהדמויות בציור – מי הן, ומה כל אחת עושה כרגע"; "יש כאן משהו כהה באמצע – מה זה, ואיך הוא הגיע לשם? מה הוא מספר?"; "מי בציור מרגיש/ה הכי טוב, ומי הכי פחות – ולמה?"
תרשים 1. הציור שנותח על ידי כלי בינה מלאכותית מבוסס מקורות מדעיים
הערות: הכלי נבנה על בסיס ציורים של בנותיה של הכותבת, אולם נעשה בו שימוש במחקר רחב יותר המבקש לאתר מרקרים של מצוקה וחוסן בקרב ילדים בתקופה של מלחמה מתמשכת. הציורים נאספו לאחר החתמת ההורים על צילום הציור ופענוחו לטובת המחקר התיאורי. אופן פעולת הכלי תורגמה לאפליקציה ידידותית למשתמש/ת, שבקרוב תעמוד לרשותם של צוותים טיפוליים ברחבי העולם.
מחקרים המתבצעים במעבדת "בינה מלאכותית לרווחה חברתית" משקפים גם הם גישה זו, ובמסגרתם אנו מפתחות מערכות תומכות החלטה מבוססות בינה מלאכותית. אחת מהן היא מערכת לזיהוי חבלות כוויה בילדים שמקורן בהתעללות, והשנייה – אפליקציה לצוותי חירום המסייעת להחזיר נפגעי הלם וחרדה לתפקוד במקום להשאירם פסיביים או לפנותם לבתי חולים.
במסגרת מחקר במימון משרד המדע, שמטרתו לזהות מאפיינים ויזואליים של כוויות מכוונות בילדים, אספנו באמצעות שיטות למידת מכונה מעל 600 תמונות של כוויות בילדים, מחציתן של כוויות מכוונות. במקרים שבהם התמונה נלקחה ממאמר אקדמי, הסיווג שלה התבסס על תיאור התמונה על ידי מקור מומחה (כפי שנכתב במאמר שמתוכו נלקחה). במקרים אחרים, צוות של רופאות ורופאי הרל"י (החברה הרפואית להגנת הילד), המומחים באיתור התעללות והזנחה במוסדות רפואיים, קבע אם מדובר בכוויה מכוונת, תוך פירוט האינדיקטורים להחלטה. כל תמונה תויגה על ידי יותר מחמישה מומחים ברפואת ילדים וכן על ידי מומחית אחת בפלסטיקה. תיוגים אלו משמשים לאימון הבינה המלאכותית, הלומדת לזהות דפוסים בעלי משמעות ביחס לתוצא כפי שתויג, באמצעות אופטימיזציה איטרטיבית של הפרמטרים (להרחבה, שוורץ טיירי ועמיתים, 2025א). באופן זה עתידה המערכת לספק המלצות מבוססות־ידע, בדומה להתייעצות עם מומחה אנושי, התומכות בשיקול הדעת המקצועי של הרופאות והעובדות הסוציאליות במיון הילדים ואינן באות במקומו (Vaithianathan et al., 2023).
פיתוח אפקליציית AI PFA, במימון הפדרציה היהודית של מונטריאול ומשרד המדע והטכנולוגיה (מענק 8779), מבוסס גם הוא על מאות מקרים אמיתיים של נפגעי הלם וחרדה שטופלו על ידי עובדות סוציאליות, בהקשרים שונים, החל מפרוץ טבח השבעה באוקטובר 2023 ועד היום. לכל אחד מהמקרים יצר צוות של מומחים מתחומי העבודה סוציאלית, צה"ל והרפואה הדחופה מתווה התערבות מותאם־מקרה, המתבסס גם על עקרונות התערבות מבוססים מדעית ומקובלים בעולם (Schwartz Tayri et al., 2026). הפרוטוקול המאוחד, יחד עם מאגר המקרים המותממים שתוקף על ידי כל חבר צוות, משמשים בסיס לארכיטקטורת מערכת תומכת החלטה עבור מגיבים ראשונים בשטח (www.pfabot.com).
דוגמה נוספת היא "אסנת", דמות וירטואלית במציאות מדומה (Virtual reality) שעימה שוחחו הסטודנטים באמצעות קסדות ייעודיות, שאפשרו להם לראות אותה ולנהל עמה שיחה. במיזם, שנועד לאמן סטודנטיות בשנה הראשונה ללימודי העבודה הסוציאלית במיומנויות של יצירת היכרות ובניית חוזה טיפולי ראשוני, פיתחנו מודולה לימודית המבוססת על שילוב של חוויית מציאות מדומה עם דמות שאומנה באמצעות מקורות ידע מדעיים. כדי ש"אסנת", הפונה הווירטואלית שהסטודנטיות מתאמנות באמצעותה, תתפקד כנערה השוהה בפנימייה, הוזנו למערכת מקורות ידע מבוססי מומחים. במקרה זה הונדס מודל מתקדם במנוע ChatGPT על בסיס תיאור מקרה מפורט של אסנת, הכולל את נסיבות הגעתה לפנימייה והקשר עם בני משפחתה, יחד עם הפרקים הרלוונטיים מהספר של Hepworth ועמיתים (2023) המאגד את כל שלבי ההתערבות בעבודה סוציאלית, כולל מיומנויות רלוונטיות, האתגרים והדרכים להתגבר עליהם. יתר מאפייני הדמות, כולל סגנון הדיבור, נוצרו באמצעות הנדסת פרומפטים שקצרה היריעה מלפרט כאן. במחקר שיפורסם בקרוב, אשר כלל שאלוני "לפני" ו"אחרי" וניתוח מזווג של התשובות, ראינו כי ההתנסות הגבירה באופן מובהק את המסוגלות העצמית של הסטודנטיות בביצוע שלבי החוזה הראשוני בקשר המסייע, וחיזקה את חוויית השליטה (Mastery experience) (Bandura; 1977, 1997) שעל בסיסה יוכלו לשפר את ביצועיהן מול פונים אמיתיים.
אימון בשיחת היכרות עם "אסנת"
ביישום עיקרון זה בפרקטיקה, על העובדת הסוציאלית לזכור כי רצונותיו ומאווייו של הפונה, מומחיותו מניסיון ונסיבות חייו הייחודיות הם מקור מומחה בפני עצמו, וכי עליה לשלב אותו במשימות שהיא מטילה על הבינה המלאכותית. ראו לדוגמה את יצירת המתווה בעבודה קבוצתית שתואר לעיל.
העיקרון השני: מערכת תומכת החלטה – הבינה המלאכותית תומכת בשיקול הדעת האנושי ואינה מחליפה אותו
אחת ההבחנות הקריטיות בפיתוחן וביישומן של מערכות תומכות החלטה מבוססות בינה מלאכותית היא ההכרה בכך שתפקידן לתמוך בתהליך קבלת ההחלטות המקצועי של העובדת הסוציאלית ולא להחליפו (Vasey et al., 2022). כלומר, המלצת המערכת אינה החלטה סופית אלא תשומה מקצועית נוספת, המחייבת עיבוד, שיקול דעת והקשר מצד נותן השירות. מערכות אלה נשענות על שילוב של יכולות חישוביות מתקדמות עם דפוסים שנלמדו ממאגרי נתונים קליניים או מנהליים (כגון המערכות הממוחשבות במחלקות לשירותי רווחה), אך האחריות לקבלת ההחלטה נותרת בידי נותן השירות, הנדרש לשקול את ההמלצה אל מול נסיבות המקרה, ההיסטוריה, הערכים האישיים והפרקטיקות הטיפוליות המקובלות (Wang et al., 2023).
אמת מידה ראשונה ליישום עיקרון זה היא הגדרה מדויקת של המקום הניתן לבינה המלאכותית בתהליך האבחון, ההשמה לשירותים או שיקולי ההחלטה. כך למשל, במחקר לזיהוי הכוויות בילדים שהוזכר לעיל, הצוות הרפואי מקבל מהמערכת תומכת ההחלטה המלצה הכוללת גם את רמת הביטחון בזיהוי מאפיינים המחייבים דיווח לרשויות ההגנה על הילד. עם זאת, הליך האבחון לא יישען על המלצת המערכת בלבד. ההחלטה לפנות לשירותי ההגנה על הילד תישען גם על זיהוי פער בין המלצת המערכת תומכת ההחלטה (המבוססת על בינה מלאכותית) לבין תיאור מקור הכווייה מפי ההורה או המטפל העיקרי שהביא את הילד לבית החולים.
אמת מידה שנייה ליישום עקרון זה היא יכולתה של המערכת לספק הסבר להמלצתה (Explainability). כלומר, מערכות תומכות החלטה בתחום הרווחה ובריאות הנפש צריכות להתאפיין בשקיפות: במקביל למתן ההמלצה, איש המקצוע מקבל גם מידע על מה התבססה ההמלצה: על אילו נתונים נשענה ומהי רמת הביטחון של החיזוי (Amann et al., 2022), בדומה לפענוח ציורי הילדים (תרשים 1) המפרט על איזה מקור מדעי הסתמך כל חלק בפענוח.
תרשים 2 מדגים את המאפיינים החזותיים (פיצ'רים) שעליהם הסתמכה המערכת בהחלטתה שבתמונה מופיעה ג'ירפה. באמצעות מפות הפעלה מסוג Grad-CAM, ניתן להמחיש בצבעים אילו אזורים בתמונה תרמו במידה הרבה ביותר לסיווג המודל (ג'ירפה או לא). בצבעים הכהים יותר מסומנים הפיצ'רים המשמעותיים שהנחו את הבינה להחליט כי מדובר בג'ירפה (צוואר ארוך). בתרשים 3 ניתן לראות מפות הפעלה דומות, המצביעות על מיקום הכוויה ועל עומקה כמאפיינים חשובים בבסיס ההחלטה אם מדובר בחבלת כוויה מכוונת.
יכולת מודל הבינה להסביר את הבסיס להמלצתה עשויה לתרום גם להגברת המיומנות המקצועית של נותן השירות המשתמש בה. כך, למשל, מערכת זיהוי מקור הכווייה יכולה לסמן עבור הצוות את מאפייני הכוויות המכוונות על גבי תמונת הכווייה שצילמו. כך, היא לא רק מספקת המלצה אלא מלמדת את הצוות ומאמנת אותו בזיהוי כוויות מכוונות גם ללא סיוע טכנולוגי (תרשים 3). באופן דומה, עובדות סוציאליות ופרמדיקים שהתנסו בפיילוט ראשוני של אפליקציית AI PFA תרגלו באמצעותו תרחישים היפותטיים של נפגעי הלם (Schwartz Tayri et al., 2026). האפליקציה פתוחה לשימוש גם בהכשרה סימולטורית, בהרשמה בלחיצה כאן.
דוגמאות אלה ממחישות כי מערכות בינה מלאכותית עשויות לשפר את איכות השירות והטיפול באמצעות המלצה המשולבת בתהליך שיקול הדעת של נותן הטיפול – מבלי לבטלו (Vaithianathan et al., 2023).
תרשים 2. סימון הפיצ'רים החשובים לזיהוי ג'ירפה בתמונה באמצעות בינה מלאכותית כדוגמה ליכולת ה־Explainability
תרשים 3. סימון הפיצ'רים החשובים לזיהוי מקור הכוויה בתמונה באמצעות בינה מלאכותית
הערה: המחקר נערך במימון משרד המדע והטכנולוגיה (מענק 5605). מפות החום מסוג Grad-CAM הופקו באמצעות אימון רשת עצבית קונבולוציונית – מודל בינה מלאכותית המיועד לניתוח תמונות – והן מדגישות את האזורים בתמונה שהשפיעו ביותר על החלטת המודל.
העיקרון השלישי: מערכות תומכות החלטה נועדו לשרת את העובדת הסוציאלית ולא לתקשר ישירות עם האדם במצוקה
בעולם הטכנולוגי רבה ההתלהבות מהכנסתן של מערכות א־סינכרוניות לתחום בריאות הנפש, כמענה לצורך ההולך וגובר בתמיכה נפשית באוכלוסיות צרכנים נרחבות. מערכות אלה כוללות בין היתר צ'אטבוטים טיפוליים, הפועלים ישירות מול הפרט הנזקק להם במטרה לסייע בניהול מחלה, באבחון ובהכוונה (Darcy et al., 2021; Torous et al., 2025). בוטים אלה מבוססים בעיקר על LLM וחלקם מתוכננים להציע חוויה הדומה לשיח טיפולי אישי – ללא מפגש עם מטפל אנושי (Belz et al., 2024).
קיים ויכוח לגבי יעילותם של כלים אלו. מחד גיסא, מטא־אנליזה העלתה כי שימוש בכלי בינה מלאכותית שיחתיים הפחית באופן מובהק תסמיני דיכאון ומצוקה, במיוחד כששולבו באפליקציות של מסרים מיידיים בטלפונים חכמים והופנו לאוכלוסיות קליניות, תת־קליניות ומבוגרות. נוסף על כך, נמצאה תרומה לשיפור מובהק במדדי רווחה נפשית כללית (Li et al., 2023). מאידך גיסא, נטען כי המחקר טרם הצליח לספק תשתית מדעית מוצקה לתועלתן של מערכות בינה מלאכותית הפועלות ישירות מול האדם (Goldberg et al., 2023). בהתאם לכך, עד כה מוגבל השימוש בטכנולוגיות אלה בדרך כלל לתחומים ממוקדים כגון התמכרויות, הפרעות אכילה וּויסות דיכאון וחרדה (Torous et al., 2025).
הדוגמאות שהוצגו לעיל ממחישות כי אופייה ההוליסטי של העבודה הסוציאלית מאפשר לשלב יישומים ייעודיים של בינה מלאכותית ככלי עזר בתכנון ובמימוש של תוכניות התערבות. ניתן גם לשלב יישומים כאלה המסייעים במיצוי זכויות. אולם כל אלה אינם יכולים בשום אופן להיות תחליף לפרקטיקה הפרטנית, המשפחתית, הקבוצתית או הקהילתית בעבודה סוציאלית. שימוש במערכת בינה מלאכותית באופן בלתי מתווך מול האדם במצוקה עלול להוביל ל"דה־הומניזציה" (Dehumanization) של הקשר המסייע, וכן לשגיאות הנובעות מחוסר הבנה של ההקשר האישי והחברתי של האדם (Schiff et al., 2020). יתרה מזאת, יהיו האווטרים מתוחכמים ככל שיהיו, תקשורת ישירה של הפונה עם מערכת הבינה המלאכותית, כגון בוטים לטיפול בבריאות הנפש, היא תקשורת נטולת־גוף (Disembodied communication) ולפיכך חסרים בה הנוכחות הפיזית והרמזים הבלתי מילוליים שבשפת הגוף, נימת הקול, הבעות הפנים והמבט, החיוניים לבניית אמון וברית טיפולית בעבודה הסוציאלית. כמו כן, גם מערכות בינה מלאכותית המבוססות על מודלי שפה מתקדמים מתקשות לזהות את ההקשר הטיפולי הרחב (Fung et al., 2025), ולפיכך היעדרו של מפגש פנים־אל־פנים עלול להגביל את איכות השירות ואת הקשר הרגשי עם המסייע (Torous et al., 2025).
על כן, הערך האנושי והאתי של יחסי העזרה יכול להישמר רק אם יישמר העיקרון הבא: השימוש בכלי בינה מלאכותית ייעשה ככלי תומך החלטה בלבד, יהיה נתון בידי העו"ס ולא יופעל ישירות מול הפונה או מקבל השירות אלא בתיווכו. הבינה המלאכותית במקצועות הסיוע, ובכללם העבודה הסוציאלית, אינה יכולה להחליף את הקשר הבין־אישי שהוא לב־ליבו של המקצוע, שכן נתונים כשלעצמם אינם מספיקים לקבלת החלטות טיפוליות מורכבות ללא הבנת ההקשר האנושי והחברתי שהאדם פועל בו (Perron et al., 2025). כך, למשל, הבוט המנחה כיצד ליישם עזרה נפשית ראשונה בהתאמה למאפייני המקרה שהוזן אינו פועל מול נפגע ההלם עצמו, אלא מיועד לשימושו של המסייע הראשון המגיע לאירוע (Schwartz-Tayri et al., 2025). באופן דומה, מערכות תומכות החלטה בתחום הערכת הסיכון מעניקות ציון סיכון לפניות המגיעות לרווחה, במטרה לאפשר תיעדוף של מקרים דחופים, אולם ההחלטה עצמה שמורה לעו"ס (Vaithianathan et al., 2023).
עיקרון זה חל גם על שימוש בכלים של בינה מלאכותית יוצרת הפתוחים לציבור. כפי שהודגם קודם, עובדת סוציאלית יכולה להיעזר בהם לבניית מסגרת התערבות ולניתוח תגובותיה ותגובות הפונה, אך אין לעשות שימוש במערכת בינה מלאכותית המספקת סיוע נפשי־טיפולי ישיר. הספרות מזהירה כי שילוב הבינה המלאכותית במקצועות העזרה עלול להפוך את הטיפול לבלתי־אישי, כאשר הדגש על החלטות מונחות־נתונים מאפיל על האמפתיה, האמון והטיפול המותאם־אישית שמספקים מטפלים (Bhandari et al., 2024). כל אלה עלולים לייצר חוויית מטופל מנוכרת ודה־פרסונליזציה, בשעה שאלה נותרים צורך אנושי מתמשך שהטכנולוגיה אינה מייתרת (Kerasidou, 2020).
לחשש זה מצטרפות סכנות נוספות: הנטייה לייצג את מצוקת האדם בעיקר בנתונים דיגיטליים, באופן העלול להוביל לאובייקטיפיקציה על חשבון הממד האנושי של הפסיכותרפיה (Ballard et al., 2024; Mouchabac et al., 2023); אפקט ELIZA המשקף את הנטייה לייחס תכונות אנושיות לתוכנת מחשב, שבעטיה עלולים הפונים להיקשר רגשית לישות דיגיטלית גם כשהאינטראקציה חסרה איכויות אנושיות אמיתיות (Berger et al., 2025); והנטייה לקבל את עצתה של מערכת ממוחשבת גם כשהיא שגויה. נטייה זו עלולה להתעצם ככל שגוברת האינטראקציה של העובדת הסוציאלית עם מערכות תומכות החלטה (Automation bias).
ההצדקה העמוקה יותר לעיקרון זה נעוצה במנגנוני יצירת השינוי שעליהם נשען הקשר הטיפולי. הברית הטיפולית היא מן המנבאים החזקים ביותר לתוצאות ההתערבות. קשר זה אושר במטא־אנליזה רחבה שכיסתה 295 מחקרים ולמעלה מ־30,000 מטופלים (Flückiger et al., 2018). בתוך הברית הטיפולית, תהליכי ההעברה וההעברה הנגדית, המשמשים כמרכיבים העיקריים שלה, הם המנוע ליצירת שינוי בחיי המטופל (Gelso & Carter, 1994) וניהול מושכל שלהם נקשר לשיפור בתוצאות (Hayes, Gelso, & Hummel, 2011). המנגנון הנוירופיזיולוגי המאפשר ברית זו נשען במידה רבה על מערכת נוירוני המראה ועל הדהוד רגשי־גופני הדדי בין העו"ס לפונה המהווה בסיס לאמפתיה הטיפולית (Onnis, 2016) ולסנכרון הבין־אישי (Praszkier, 2016). ראיות ממחקרי הדמיה מוחית מצביעות על כך שהברית מקושרת לפעילות עצבית־מוחית הדדית מטפל-מטופל ומתממשת כתהליך סנכרון ביו־התנהגותי המווסת את מערכת העצבים – הן של העו"ס והן של הפונה (McParlin, 2022a; McParlin, 2022b; Napadow, 2020; Riess, 2011). מכאן שבהתערבות פסיכוסוציאלית שבה האדם ניצב מול צ'אטבוט מבוסס בינה מלאכותית – נטול גוף, מערכת עצבים אוטונומית ונוכחות גופנית – הערוץ הגופני־ההדדי הזה נותר חסר או מדולל ואי אפשר לשחזר בו לא את אפקט נוירוני המראה ולא את דינמיקת ההעברה וההעברה הנגדית. כך, הברית ה"מלאה" מוגבלת בו מיסודה, ולכן הבינה המלאכותית אינה יכולה לתפוס את מקומו של המטפל האנושי.
לסיכום
אימוץ הבינה המלאכותית בעבודה הסוציאלית אינו רק סוגיה של אימוץ טכנולוגיה חדשה, אלא הזדמנות לעצב מחדש, מתוך אחריות, את יחסי הגומלין בין ידע מבוסס ראיות מדעיות, שיקול דעת מקצועי וקשר אנושי. הבינה המלאכותית יכולה להרחיב את בסיס הידע של העובדת הסוציאלית, לחשוף דפוסים מורכבים, להנגיש ידע ומחקר בזמן אמת, להקל עומס ולחזק את ההכשרה, את תכנון ההתערבות ואת קבלת ההחלטות, אך תרומתה מותנית בהגדרה ברורה של גבולות תפקידה: עליה להתבסס על מקורות מומחים ועל הידע שמביא הפונה מניסיון חייו, לפעול כמערכת תומכת החלטה שקופה וניתנת להסבר ולבחינה ביקורתית, ולהישאר תמיד תחת פיקוח ואחריות אנושיים. היא אינה יכולה להיות תחליף למפגש הטיפולי, לברית התרפויטית ולהבנת ההקשר החברתי והתרבותי של האדם.
שלושת העקרונות שהוצגו במאמר – ביסוס מערכת הבינה המלאכותית על ידע מומחה, הגדרתה כמערכת תומכת החלטה בלבד ושימור הקשר האנושי כמרכז העשייה המקצועית – מציעים תשתית לפרקטיקה אחראית, שבה הטכנולוגיה משרתת את ערכי המקצוע ואינה מעצבת אותם במקומו. כעת נותר לנו, נשות ואנשי המקצוע, להתמודד עם האתגר של פיתוח כלים ומיומנויות שיאפשרו לממש את מלוא הפוטנציאל של הבינה המלאכותית ולהעצים את יכולותינו שלנו.
רשימת המקורות
שוורץ טיירי, ט' מ', כהן אינגר, נ', ווילנצ'יק, ד' (2025א). דאטה הוא כוח? שימוש בנתוני עתק ובבינה מלאכותית בשירותי רווחה בישראל. בתוך ה' שמיד וי' צבע (עורכים), ניהול בשירותי רווחה בישראל – תיאוריה, מחקר ופרקטיקה (עמ' 634-607). רסלינג.
שוורץ טיירי, ט' מ', קוגמן־חסיד, נ', וילנצ'יק, ד', פז, ט', ורונן, א' (2025ב, ספטמבר). ילדים, אתגרים וחוסן לאורך החיים – מבט חדש על נתוני ישראל. מספרים מקשרים – עלון לשיתופי הפעולה בעולם הסטטיסטי, 5(5). https://www.cbs.gov.il/he/Documents/%D7%98%D7%9C%D7%99/%D7%9E%D7%A1%D7%A4%D7%A8%D7%99%D7%9D%20%D7%9E%D7%A7%D7%A9%D7%A8%D7%99%D7%9D%205%20-%20%D7%A2%D7%9C%D7%95%D7%9F%20%D7%9C%D7%A9%D7%99%D7%AA%D7%95%D7%A4%D7%99%20%D7%94%D7%A4%D7%A2%D7%95%D7%9C%D7%94%20%D7%91%D7%A2%D7%95%D7%9C%D7%9D%20%D7%94%D7%A1%D7%98%D7%98%D7%99%D7%A1%D7%98%D7%99.pdf
Ahn, E., Gil, Y., & Putnam-Hornstein, E. (2021). Predicting youth at high risk of aging out of foster care using machine learning methods. Child Abuse & Neglect, 117, Article105059. https://doi.org/10.1016/j.chiabu.2021.105059
Allegheny County (2025). Allegheny Family Screening Tool. https://www.alleghenycounty.us/Services/Human-Services-DHS/DHS-News-and-Events/Accomplishments-and-Innovations/Allegheny-Family-Screening-Tool
Amann, J., Vetter, D., Blomberg, S. N., Christensen, H. C., Coffee, M., Gerke, S., Gilbert, T. K., Hagendorff, T., Holm, S., Livne, M., Spezzatti, A., Strümke, I., Zicari, R. V., Madai, V. I., & on behalf of the Z-Inspection® Initiative (2022). To explain or not to explain? Artificial intelligence explainability in clinical decision support systems. PLOS Digital Health, 1(2). e0000016. https://doi.org/10.1371/journal.pdig.0000016
American Psychological Association (2025). Ethical guidance for AI in the professional practice of health service psychology. https://www.apa.org/topics/artificial-intelligence-machine-learning/ethical-guidance-professional-practice.pdf
Báez, J. C., Bjugstad, A., Park, T. K., Jones, J. L., Bidwell, L. N., Sage, M., & Hitchcock, L. I. (2025). Social work educators innovating with generative AI: An exploratory study. Journal of Social Work Education, 61(1), 14–29. https://doi.org/10.1080/10437797.2024.2411170
Belz, F. F., Potler, N. J. V., Johnson, I. N. S., & Wolthusen, R. P. F. (2024). Lessons from low- and middle-income countries: Alleviating the behavioral health workforce shortage in the United States. Psychiatric Services, 75(7), 699–702. https://doi.org/10.1176/appi.ps.20230348
Bengtsson, T. T., & Bønnhoff, H. E. D. (2024). Special issue: What is going on? Digitalization in social work. Journal of Comparative Social Work, 19(1), 1–12. https://doi.org/10.31265/jcsw.v19i1.801
Berger, T. (2025). Rethinking the therapeutic alliance in digital mental health interventions. World Psychiatry, 24(3), 345-346. https://doi.org/10.1002/wps.21343
Boetto, H. (2025). Artificial intelligence in social work: An EPIC model for practice. Australian Social Work, 79(3), 292-305. https://doi.org/10.1080/0312407x.2025.2488345
Buckner, C. J. (2024). From deep learning to rational machines: What the history of philosophy can teach us about the future of artificial intelligence. Oxford University Press.
Cohen-Inger, N., & Zachron, L. (2017). Seeing the future: Integrating artificial intelligence capabilities to improve the air force power of the IDF. Between the Poles, 11-12, 229-246.
Cuccaro-Alamin, S., Foust, R., Vaithianathan, R., & Putnam-Hornstein, E. (2017). Risk assessment and decision making in child protective services: Predictive risk modeling in context. Children and Youth Services Review, 79, 291–298. https://doi.org/10.1016/j.childyouth.2017.06.027
Darcy, A., Daniels, J., Salinger, D., Wicks, P., & Robinson, A. (2021). Evidence of human-level bonds established with a digital conversational agent: Cross-sectional, retrospective observational study. JMIR Formative Research, 5(5), Article e27868. https://doi.org/10.2196/27868
Dare, T., Maloney, T., Jiang, N., Haan, I. D., Dale, M., & Putnam-Horstein, E. (2012). Vulnerable children: Can administrative data be used to identify children at risk of adverse outcomes? Centre for Applied Research in Economics (CARE), Department of Economics, University of Auckland.
Denvall, V., & Skillmark, M. (2021). Bridge over troubled water – Closing the research-practice gap in social work. The British Journal of Social Work, 51(7), 2722-2739. 10.1093/bjsw/bcaa055
Ebersole, I. (2024). Harnessing the power of integrated data: The Allegheny Family Screening Tool (AFST). Public Policy & Management Center, Wichita State University. https://www.wichita.edu/services/ppmc/news/2024-Harnessing-the-power-of-integrated-data.php
Elgin, D. J. & Dallas, J. (2018). Utilizing predictive modeling to enhance policy and practice through improved identification of at-risk clients: Predicting permanency for foster children. Children and Youth Services Review, 91, 156–167. https://doi.org/10.1016/j.childyouth.2018.05.030
Flückiger, C., Del Re, A. C., Wampold, B. E., & Horvath, A. O. (2018). The alliance in adult psychotherapy: A meta-analytic synthesis. Psychotherapy, 55(4), 316–340. https://doi.org/10.1037/pst0000172
Fung, K. Y., Wong, W. T., & Fok, D. Y. H. (2025). Using generative-AI to support carer telephone support services: Preliminary findings. The Hong Kong Journal of Social Work, 1–22. https://doi.org/10.1142/s0219246224500043
Garkisch, M., & Goldkind, L. (2024). Considering a unified model of artificial intelligence enhanced social work: A systematic review. Journal of Human Rights and Social Work, 1- 20. https://doi.org/10.1007/s41134-024-00326-y
Goldberg, S. B., Sun, S., Carlbring, P., & Torous, J. (2023). Selecting and describing control conditions in mobile health randomized controlled trials: A proposed typology. NPJ Digital Medicine, 6(1), 181. https://doi.org/10.1038/s41746-023-00923-7
Haworth, M. (2026). Generative Artificial Intelligence Use in Transactional Analysis Psychotherapy: Transference With the Artificial Third. Transactional Analysis Journal, 56(1), 30–49. https://doi.org/10.1080/03621537.2026.2595388
Haugeland, J. (1997). From deep learning to rational machines. MIT Press. https://doi.org/10.1093/oso/9780197653302.001.0001
Hepworth, D. H., Vang, P. D., Blakey, J. M., Schwalbe, C., Evans, C. B. R., Rooney, R. H., Rooney, G. D., & Strom, K. (2023). Direct social work practice: Theory and skills (11th ed.). Cengage Learning.
Hayes, J. A., Gelso, C. J., & Hummel, A. M. (2011). Managing countertransference. Psychotherapy, 48(1), 88–97. https://doi.org/10.1037/a0022182
Kemp, S. P., Whittaker, J. K., & Tracy, E. M. (2024). Person-environment practice: Social ecology of interpersonal helping. Taylor & Francis.
Kerasidou, A. (2020). Artificial intelligence and the ongoing need for empathy, compassion and trust in healthcare. Bulletin of the World Health Organization, 98(4), 245–250. https://doi.org/10.2471/BLT.19.237198
Kirwan, G. (2023). The Routledge international handbook of digital social work. Routledge. https://doi.org/10.4324/9781003048459
Li, H., Zhang, R., Lee, Y. C., Kraut, R. E., & Mohr, D. C. (2023). Systematic review and meta- analysis of AI-based conversational agents for promoting mental health and well- being. NPJ Digital Medicine, 6(1), 236.
https://doi.org/10.1038/s41746-023-00979-5
Lin, N. (2023). Moving beyond either-or debates: An invitation to reconcile ideological divides in evidence-based practice. Clinical Social Work Journal, 51(2), 188–197. https://doi.org/10.1007/s10615-023-00863-5
Marshall, D. B., & English, D. J. (2000). Neural network modeling of risk assessment in child protective services. Psychological Methods, 5(1), 102–124. https://doi.org/10.1037//1082-989X.5.1.102
McGovern, M. (2024). Using the generative Artificial Intelligence (AI) chatbots of Perplexity and ChatGPT as a teaching and learning tool for practice teachers and students within social work placement. The Journal of Practice Teaching and Learning, 22(1–2), 38–56. https://doi.org/10.1921/jpts.v21i3.2223
McSilver Institute (2021, November 12). Experts discuss pros and cons of predictive risk tools in child welfare practice. NYU McSilver Institute for Poverty Policy and Research.
https://mcsilver.nyu.edu/predictive-risk-tools-in-child-welfare-practice
McParlin, Z., Cerritelli, F., Friston, K. J., & Esteves, J. E. (2022a). Therapeutic alliance as active inference: The role of therapeutic touch and synchrony. Frontiers in Psychology, 13, Article 783694. https://doi.org/10.3389/fpsyg.2022.783694
McParlin, Z., Cerritelli, F., Rossettini, G., Friston, K. J., & Esteves, J. E. (2022b). Therapeutic alliance as active inference: The role of therapeutic touch and biobehavioural synchrony in musculoskeletal care. Frontiers in Behavioral Neuroscience, 16, Article 897247. https://doi.org/10.3389/fnbeh.2022.897247
Napadow, V. (2020). Neuroimaging somatosensory and therapeutic alliance mechanisms supporting acupuncture. Medical Acupuncture, 32(6). https://doi.org/10.1089/acu.2020.1497
Nuwasiima, M., Ahonon, M. P., & Kadiri, C. (2024). The role of Artificial Intelligence (AI) and machine learning in social work practice. World Journal of Advanced Research and Reviews, 24(1), 080–097. https://doi.org/10.30574/wjarr.2024.24.1.2998
Onnis, L. (2016). Restoring the mind–body unity: A new alliance between neurosciences and psychotherapy. Journal of Family Psychotherapy, 27(1), 1–19. https://doi.org/10.1080/08975353.2016.1136544
Packard, T. (2016). Literature review: Predictive analytics in human services. Southern Area Consortium of Human Services.
Perron, B. E., Goldkind, L., Qi, Z., & Victor, B. G. (2025). Human services organizations and the responsible integration of AI: Considering ethics and contextualizing risk(s). Journal of Technology in Human Services, 43(1), 20–33. https://doi.org/10.1080/15228835.2025.2457045
Praszkier, R. (2016). Empathy, mirror neurons and SYNC. Mind & Society, 15(1), 1–25. https://doi.org/10.1007/s11299-014-0160-x
Reamer, F. (2023). Social work boundary issues in the digital age: Reflections of an ethics expert. Advances in Social Work, 23(2), 375-391.
https://doi.org/10.18060/26358
Reamer, F. G. (2023b). Artificial intelligence in behavioral health: Challenging ethical issues. International Journal of Social Work Values and Ethics, 20(2), 52–71. https://www.addictioncounselorce.com/blog/artificial-intelligence-in-behavioral-health-challenging-ethical-issues
Riess, H. (2011). Biomarkers in the psychotherapeutic relationship: The role of physiology, neurobiology, and biological correlates of empathy. Harvard Review of Psychiatry, 19(3), 162–174. https://doi.org/10.3109/08941939.2011.581915
Schiff, D., Rakova, B., Ayesh, A., Fanti, A., & Lennon, M. (2020). Principles to practices for responsible AI: Closing the gap. ArXiv. https://doi.org/10.48550/arxiv.2006.04707
Schwartz, D. R., Kaufman, A. B., & Schwartz, I. M. (2004). Computational intelligence techniques for risk assessment and decision support. Children and Youth Services Review, 26(11), 1081–1095.
https://doi.org/10.1016/j.childyouth.2004.08.007
Schwartz Tayri, T. M., Cohen-Inger, N., Seadia, O., Gal, A., & Vilenchik, D. (2025). A case- specific psychological first aid AI recommendations app for rescue and first responders. European Journal of Psychotraumatology, 16(1), Article 2591567. https://doi.org/10.1080/20008066.2025.2591567
Segal, M. (2025). Confronting and managing ethical dilemmas in social work using ChatGPT. https://www.tandfonline.com/doi/full/10.1080/13691457.2024.2377786
Shroff, R. (2017). Predictive analytics for city agencies: Lessons from children's services. Big Data, 5(3), 189–196. https://doi.org/10.1089/big.2016.0052
Stone, C. (2023). Artificial intelligence in social work practice education. The potential use of Generative AI for learning. The Journal of Practice Teaching and Learning, 20(3). https://doi.org/10.1921/jpts.v20i3.2192
Stuart, N. (2023, July 11). Case studies: Successful integration of generative AI in healthcare & the AI revolution in elderly care. AI Pulse: Future Healthcare. https://www.linkedin.com/pulse/case-studies-successful-integration-generative-ai-nielsen-marsh
Toreini, E., Aitken, M., Coopamootoo, K., Elliott, K., Zelaya, C. G., & Moorsel, A. van (2020). The relationship between trust in AI and trustworthy machine learning technologies. In Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (pp. 272–283). Association for Computing Machinery. https://doi.org/10.1145/3351095.3372834
Torous, J., Linardon, J., Goldberg, S. B., Sun, S., Bell, I., Nicholas, J., Hassan, L., Hua, Y., Milton, A., & Firth, J. (2025). The evolving field of digital mental health: Current evidence and implementation issues for smartphone apps, generative artificial intelligence, and virtual reality. World Psychiatry, 24(2), 156–174. https://doi.org/10.1002/wps.21299
Vaithianathan, R., Cuccaro-Alamin, S., & Putnam-Hornstein, E. (2023). Improving child welfare practice through predictive risk modeling: Lessons from the field. In C. M. Connell & D. M. Crowley (Eds.), Strengthening child safety and well-being through integrated data solutions (pp. 115–126). Springer. https://doi.org/10.1007/978-3-031-36608-6_8
Vaithianathan, R., Rouland, B., & Putnam-Hornstein, E. (2018). Injury and mortality among children identified as at high risk of maltreatment. Pediatrics, 141(2). https://doi.org/10.1542/peds.2017-2882
Vasey, B., Nagendran, M., Campbell, B., Clifton, D. A., Collins, G. S., Denaxas, S., Denniston, A. K., Faes, L., Geerts, B., Ibrahim, M., Liu, X., Mateen, B. A., Mathur, P., McCradden, M. D., Morgan, L., Ordish, J., Rogers, C., Saria, S., Ting, D. S. W., … Perkins, Z. B. (2022). Reporting guideline for the early stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. BMJ, 377, e070904. https://doi.org/10.1136/bmj-2022-070904
Victor, B. G., Perron, B. E., Sokol, R. L., Fedina, L., & Ryan, J. P. (2021). Automated identification of domestic violence in written child welfare records: Leveraging text mining and machine learning to enhance social work research and evaluation. Journal of the Society for Social Work and Research, 12(4), 631–655. https://doi.org/10.1086/712734
Walsh, M. C., Joyce, S., Maloney, T., & Vaithianathan, R. (2020). Exploring the protective factors of children and families identified at highest risk of adverse childhood experiences by a predictive risk model: An analysis of the growing up in New Zealand cohort. Children and Youth Services Review, 108, 104556. https://doi.org/10.1016/j.childyouth.2019.104556
Walter, M., Lovett, R., Maher, B., Williamson, B., Prehn, J., Bodkin‐Andrews, G., & Lee, V. (2021). Indigenous data sovereignty in the era of big data and open data. Australian Journal of Social Issues, 56(2), 143–156. https://doi.org/10.1002/ajs4.141
Wang, L., Zhang, Z., Wang, D., Cao, W., Zhou, X., Zhang, P., Liu, J., Fan, X., & Tian, F. (2023). Human-centered design and evaluation of AI-empowered clinical decision support systems: A systematic review. Frontiers in Computer Science, 5, 1187299. https://doi.org/10.3389/fcomp.2023.1187299
***
ד"ר טליה מיטל שוורץ טיירי – ראשת מעבדת AI for Resilience and Welfare R & D, המחלקה לעבודה סוציאלית ע"ש שפיצר, אוניברסיטת בן גוריון בנגב. taliamst@bgu.ac.il
המחקרים המוזכרים במאמר נערכו בתמיכת משרד המדע, החדשנות והטכנולוגיה (מענקים מספר 5605, 5606, 8779).
Funding: Israeli Ministry of Science and Technology and Digital Division, 5605, 5606, 8779