בינה מלאכותית ואוטיזם

נושא השימוש בבינה מלאכותית אינו יורד לרגע מהכותרות, גם לא בכל הנוגע לעולמות האוטיזם שאופפים אותנו ואת עשרות אלפי ההורים שקוראים באופן קבוע בבלוג של עמותת אוטיזם אונליין.

בימים האחרונים שקדנו וסקרנו עשרות מחקרים ומטא אנליזות, במטרה לזקק ולתמצת, את הכלים העדכניים ביותר שעוסקים בתחום האוטיזם ומתבססים על בינה מלאכותי, במטרה לעדכן את קהל הקוראים הנאמן שלנו בהתפתחותיות הטכנולוגיות הרלוונטיות לנו ולילדים היקרים שלנו.

תארו לעצמכם את התרחיש הבא: הורה יושב בסלון, מצלם בטלפון הנייד את הפעוט שלו משחק בלגו, ומעלה את הסרטון הקצר לאפליקציה חדשה.

בתוך דקות, האפליקציה שולחת לו התראה עם ניתוח התנהגותי המצביע על סבירות גבוהה לאוטיזם, וממליצה על פנייה לאבחון.

עבור הורה מודאג, טכנולוגיה כזו יכולה להיראות כמו גלגל הצלה של ממש במערכת רפואית עמוסה.

עבור איש מקצוע, פסיכולוג, קלינאי תקשורת או רופא התפתחותי, אותו תרחיש בדיוק עלול לעורר אי-נוחות מקצועית עמוקה וחשש מאבחון יתר או אבחון שגוי.

השאלה אינה עוד האם טכנולוגיות של בינה מלאכותית (AI) ייכנסו לעולם החינוך המיוחד והאבחון הקליני, אלא כיצד הן יעשו זאת, ומתי נגלה כי אנחנו מסתמכים עליהן יותר מדי.

בשנים האחרונות, עניין מדעי הולך וגובר הופנה ליכולת של מערכות טכנולוגיות להציע גישות חדשות לגילוי, ניתוח ותמיכה באנשים על הספקטרום האוטיסטי.

ואולם, למרות ההבטחות הגדולות, המידע נותר מפוזר מאוד.

בניסיון לעשות סדר בים המידע, סקירה מקיפה שפורסמה בשנת 2026 בכתב העת המדעי Frontiers in Neuroscience על ידי החוקרים חוסה חסוס סאנצ'ז אמטה ואנטוניו לוקה דה לה רוסה, בוחנת את הנושא בצורה רוחבית, ומאזכרת את ההתפתחויות הרלוונטיות ביותר שמתבססות על בינה מלאכותית.

כדי לבסס תמונת מצב אמינה, החוקרים ערכו סקירה שיטתית לפי הנחיות הסטנדרט המחמירות של PRISMA.

הם סרקו ארבעה מאגרי מידע מובילים: PubMed, Scopus, Dialnet ו-Google Scholar וסיננו מתוכם 18 מחקרים אמפיריים באיכות מתודולוגית גבוהה ובינונית (על בסיס כלי ההערכה של מכון JBI), שפורסמו כולם בין השנים 2019 ל-2025.

הסקירה הזו מסמנת מעבר של התחום משלב הניסויים הטכנולוגיים הראשוניים לכיוון של כלים מובנים שעשויים להשתלב בקליניקה ובכיתות הלימוד, כשהיא ממפה ארבעה תחומי פעילות מרכזיים.

מחט בערימת שחת התנהגותית: איתור ואבחון מוקדם

התחום הראשון, והבולט ביותר במחקר של השנים האחרונות, הוא השימוש באלגוריתמים לצורך סיוע באיתור ואבחון מוקדם של אוטיזם.

הלב הפועם של המערכות הללו הוא טכנולוגיה הנקראת למידת מכונה (Machine Learning).

בשפה פשוטה, במקום שנתכנת מחשב עם כללים נוקשים של "אם הילד עושה X אז התוצאה היא Y", אנחנו מזינים למערכת כמות אדירה של נתונים ולמשל, שאלונים, מדדים התנהגותיים או זמני תגובה, והיא לומדת לזהות בעצמה דפוסים והקשרים סמויים שהעין האנושית הייתה עלולה לפספס.

מחקרים של חוקרים כמו Abbas (2019) ו-Thabtah (2019) מדגימים כיצד מודלים של למידת מכונה מסוגלים לזהות דפוסי התנהגות הקשורים לאוטיזם ברמות דיוק גבוהות להפליא, ובכך לשפר וליעל תהליכי סינון ראשוניים.

ההתפתחות הטכנולוגית לא עוצרת במספרים ובשאלונים, כשאר חוקרים כמו Tariq (בשנים 2019 ו-2022) בחנו שימוש בכלים דיגיטליים המנתחים סרטוני וידאו ביתיים של ילדים, והראו שהמערכת מצליחה לזהות בהם סימנים מוקדמים לאוטיזם ברגישות גבוהה.

יתרה מזאת, מחקר עדכני של Kim (2025) עשה שימוש בלמידה עמוקה Deep Learning, תת-תחום מתקדם יותר של בינה מלאכותית, המדמה רשתות עצביות במוח ומסוגל לנתח מידע מורכב מאוד כמו וידאו ברצף, כדי לשפר את הדיוק באיתור אוטיזם דרך סרטונים ביתיים.

המשמעות עבור ההורים והילדים היא בהחלט דרמטית. במקומות, ממש כמו מדינת ישראל, שבהם תורי ההמתנה לאבחון אוטיזם אורכים חודשים ואף שנים, מערכות סינון אוטומטיות שכאלו יכולות להרים דגל אדום בזמן אמת, ולהאיץ את הפניית הילד לאיש מקצוע לקבלת תמיכה מוקדמת, שהיא קריטית לשלבי ההתפתחות בגיל צעיר.

קיראו בהרחבה על: Canvas DX שקיבל אישור FDA

עיניים של אלגוריתם: ניתוח אוטומטי של דפוסי התנהגות

התחום השני לוקח את הבינה המלאכותית צעד קדימה, ומשתמש בטכנולוגיית ראיית מחשב Computer Vision, היא היכולת של מחשב לראות ולהבין תמונות ווידאו, כדי לנתח כישורים חברתיים.

אינטראקציה חברתית מורכבת מאינספור ניואנסים עדינים של שברירי שניות: קשר עין, חיוך קל, הסטת מבט.

חוקרים כדוגמת Washington (בשנים 2020 ו-2021) הדגימו כיצד מערכות ראיית מחשב יכולות לכמת ולנתח במדויק את תשומת הלב החזותית וההתנהגות החברתית של ילדים בזמן אינטראקציה, ולזהות הבדלים בין ילדים על הרצף לכאלה שאינם.

במקביל, מחקר של Levy משנת 2017 השתמש בכלים דומים כדי לנתח אוטומטית הבעות פנים ולזהות דפוסים רגשיים אופייניים.

עבור אנשי מקצוע, כלים אלו אינם מחליפים את התצפית הקלינית בקליניקה, אך הם יכולים לשמש כמעין זכוכית מגדלת ענקית, המאפשרת לאסוף נתונים אובייקטיביים ומדויקים על דפוסי קשר עין ותשומת לב, ובכך להעמיק את הבנת הפרופיל הייחודי של הילד.ה ולבנות תוכנית התערבות טובה ומדוייקת יותר בהתאם לכך.

מורה מותאם אישית: כלי חינוך מבוססי בינה מלאכותית

התחום השלישי עובר מקליניקת האבחון אל שולחן הלימודים, ומתמקד בסביבות למידה חינוכיות אדפטיביות.

אחד האתגרים הגדולים בחינוך מיוחד ובתחום האוטיזם בפרט, הוא השונות האדירה בין התלמידים. מה שעובד נהדר עבור תלמידה אחת, עלול לגרום להצפה חושית או תסכול אדיר אצל תלמיד אחר.

כאן נכנסות לתמונה מערכות למידה המבוססות על AI, אשר משמשות כמערכות הדרכה חכמות, שמתאימות את עצמן לפרופיל האוטיסטי של כל ילד.ה.

מחקרים של Chen (2021) מראים שפלטפורמות דיגיטליות אינטראקטיביות יכולות לסייע בפיתוח מיומנויות חברתיות ורגשיות, כשהן מתאימות את עצמן למאפיינים של הילד.ה.

חוקרים כמו Hu & Han (2022) תיארו מערכות המציעות כמו מורה-פרטי חכם, שיודעות לנטר את תגובות התלמיד בזמן אמת, לספק לו משוב מיידי, ולהתאים את רמת הקושי של המשימה בהתאם לצרכיו הקוגניטיביים וההתנהגותיים באותו הרגע.

טכנולוגיה כזו יכולה לסייע משמעותית בשילוב תלמידים אוטיסטים במסגרות חינוך רגילות ומכילות, תוך מתן מענה אישי ומדויק ששום מורה, מסור ככל שיהיה, אינו יכול לספק לבדו לכיתה שלמה בו-זמנית.

מילים שבין המילים: מערכות לתמיכה בתקשורת

הנדבך הרביעי שנבחן מתמקד בשפה, ונעזר בטכנולוגיית עיבוד שפה טבעית NLP, שהיא יכולתו של המחשב לנתח ולהבין טקסט או דיבור אנושי.

מחקר מרתק של Bone משנת 2020 הראה שבינה מלאכותית יכולה לזהות הבדלים מובהקים בדפוסים לשוניים המאפיינים אנשים אוטיסטים.

זיהוי זה אינו נועד רק לצרכי אבחון, אלא פותח פתח ליצירת כלי תקשורת תומכת וחלופית משוכללים יותר, שיכולים לשרת ביעילות רבה אוטיסטים עם אתגרי שפה קלים ומורכבים כאחד.

לדוגמה, Wang (2023) בחן מערכות יצירת דיבור המסתייעות ב-AI כדי לעזור לילדים על הרצף שמתמודדים עם קשיי שפה, לשפר את התקשורת המילולית ואת האינטראקציה החברתית שלהם.

עבור ילד שמתקשה לבטא את צרכיו, טכנולוגיות מבוססות NLP עשויות להציע קול מדויק ומותאם יותר מאי פעם.

הבטחות גדולות, מדגמים קטנים ואתיקה בסכנה

עד כאן, התמונה נראית ורודה מאוד, אולם החוקרים סאנצ'ז אמטה ודה לה רוסה מדגישים כי לצד ההבטחה הטכנולוגית, קיימות מגבלות משמעותיות, מתודולוגיות ואתיות, שאסור לטאטא מתחת לשטיח.

ראשית, מערכות AI רבות סובלות מבעיה המכונה בעגה המקצועית התאמת-יתר או העדר תיקוף חיצוני.

דמיינו תלמיד שלומד למבחן על ידי שינון בעל פה של התשובות לשאלון הספציפי שקיבל.

הוא יקבל ציון 100 במבחן הזה, אבל ייכשל לחלוטין ברגע שייבחן בבית ספר אחר עם שאלון שונה. בדומה לכך, אלגוריתמים רבים מציגים ביצועים מושלמים בתנאי המעבדה המבוקרים שעליהם אומנו, אך יעילותם צונחת במפגש עם המציאות ההטרוגנית של החיים האמיתיים.

קושי נוסף נוגע לייצוג חסר של אוכלוסיות במאגרי המידע. הרי המחשב יודע רק את מה שמלמדים אותו.

רוב מאגרי המידע שעליהם אומנו מערכות הבינה המלאוכתית מבוססים על מדגמים של בנים, מאוכלוסיות מערביות ועירוניות.

ידוע כיום כי הביטוי ההתנהגותי של אוטיזם אצל נשים ובנות עשוי להיות שונה ואף מוסווה יותר, ולכן אלגוריתם שאומן רק על נתוני בנים עלול לפספס אותן בקלות, מה שמנציח את אי-השוויון באבחון.

מעבר לכך, החוקרים מזהירים מפני סכנת הקופסה השחורה.

במודלים מתקדמים כמו למידה עמוקה, המערכת מספקת תשובה, אך אינה מסוגלת להסביר לאיש המקצוע או להורה איך היא הגיעה אליה, למרות שבכל הנוגע בחיי אדם ובקבלת החלטות חינוכיות-רפואיות הרות גורל, שקיפות היא תנאי יסוד לאמון.

לכן, מתפתחת היום מגמה של בינה מלאכותית מוסברת, כמו במחקרו של Jiang (2025), השואפת לפתח מודלים שלא רק קובעים תוצאה, אלא מראים בדיוק אילו משתנים התנהגותיים הובילו אליה, ומאפשרים לצוות רב-מקצועי לבקר את ההחלטה.

לבסוף, ישנו אתגר כבד משקל סביב ההשלכות הקליניות של התראות האלגוריתם.

מה קורה כשהמערכת טועה? טעות מסוג חיובי כוזב False Positive, עלולה לייצר חרדה עצומה ומיותרת אצל משפחות ולהעמיס על מערכות האבחון שגם כך קורסות תחת הנטל.

מנגד, טעות מסוג שלילי כוזב False Negative, עלולה להרגיע הורים מודאגים בשל תשובת שווא, לעכב פנייה לאבחון, ולמנוע מהילד התערבות מוקדמת בחלון הזדמנויות התפתחותי קריטי.

לכך יש להוסיף סוגיות אתיות מהמעלה הראשונה של פרטיות, במיוחד כשמדובר באיסוף וניתוח של צילומי פנים וסרטוני וידאו מתוך הבתים הפרטיים של המשפחות.

מה אנחנו, כהורים ומטפלים, צריכים לקחת?

אם אתם הורים לילד המצוי בהליכי אבחון, או אנשי חינוך וטיפול, המסקנה המרכזית העולה מהסקירה היא שבינה מלאכותית לעולם אינה יכולה לשמש כתחליף לאבחון מקצועי ולשיקול דעת קליני, אלא רק ככלי עזר משלים.

אבחון רשמי של אוטיזם, הנסמך על ה-DSM-5, דורש היכרות מעמיקה עם ההיסטוריה ההתפתחותית של הילד, תצפיות רב-ממדיות והעברת כלי אבחון שהם סטנדרט הזהב העולמי, כמו תצפית ADOS-2 וראיון הורים ADI-R.

כאשר חברה מסחרית מציעה לכם אפליקציה שמבטיחה לאבחן התפתחות, כדאי לשאול שאלות כמו:

• על איזה מאגר נתונים היא אומנה?
• האם היו שם מספיק ילדים בגיל וברקע הדומה לילד.ה שלכם?
• אם היא נבדקה במחקר שמשווה את תוצאותיה לכלים קליניים סטנדרטיים כמו ה-ADOS-2?
• האם מחקר זה כלל מסה גדולה של נבדקים, או נעשה בתנאי מעבדה סגורים ומצומצמים בלבד?

עבור צוותים מקצועיים, המסר די ברור: אל תפחדו מהטכנולוגיה, אך אמצו אותה כחלק ממודל משולב.

כלי סינון ראשוני שיכול לקצר המתנה, או כמנגנון אובייקטיבי התומך בהחלטות שאתם מקבלים, ולא כאוטוריטה שיש לציית לה בעיוורון.

בינה מלאכותית בשירות הגיוון האנושי

הסקירה החדשה מראה בבירור כי הבינה המלאכותית מסמנת הבטחה עצומה עבור עולם האוטיזם.

מהתראות מוקדמות ועד ללמידה מותאמת אישית ועזרי תקשורת, הטכנולוגיה משתכללת בקצב מסחרר. אך חוקרי הסקירה שבים ומדגישים שחדשנות טכנולוגית לבדה אינה מספיקה כדי לחולל שינוי אמיתי.

האתגר של השנים הבאות יהיה לחצות את הקווים בין דיסציפלינות. אנשי מדעי המחשב יצטרכו לשבת באותו חדר עם אנשי חינוך מיוחד, פסיכולוגים ואנשים אוטיסטים בעצמם, כדי לבנות כלים נטולי הטיות, שקופים מבחינה אתית, ומבוססים על הבנה עמוקה של השטח.

מעל הכל, פיתוח מערכות עתידיות צריך לאמץ את פרספקטיבת המגוון הנוירולוגי, המכירה בכך שאוטיזם אינו רק הפרעה קלינית שיש לתקן, אלא חלק מהשונות האנושית הטבעית.

הבינה המלאכותית הטובה ביותר לא תהיה זו שמנסה לנרמל את הילד, אלא זו שמבינה את הפרופיל הייחודי שלו, תומכת בחוזקותיו הקוגניטיביות, ומעצבת עבורו סביבה חברתית ולימודית מכילה ונגישה יותר.

נכון לחודש יוני 2026 חשוב לזכור:

• בינה מלאכותית אינה מחליפה את הרופא: כלי AI מיועדים לסייע בסינון מוקדם ותמיכה בקבלת החלטות, ואינם תחליף בשום אופן לאבחון קליני רב מקצועי רשמי.
• זהירות עם קופסאות שחורות: לפני שסומכים על המלצה של אפליקציה, כמו ניתוח של סרטון ביתי, יש לוודא שהיא נשענת על כלים שהושוו לתקני הזהב הרפואיים כגון תצפיות ADOS-2.
• יתרון מובהק בכיתה: הפוטנציאל הגדול ביותר לשיפור יומיומי טמון כיום בסביבות למידה חינוכיות שמבוססות על AI, היודעות להתאים את דרגת הקושי של המשימות בזמן אמת לקצב הייחודי של כל תלמיד ולסייע לו בתקשורת.
• דורש גיוון נתונים: זכרו שאלגוריתמים חשופים להטיות. כלים שאומנו בעיקר על נתוני בנים או במדינות מערביות, עשויים להיות פחות מדויקים באיתור בנות על הרצף או ילדים מרקעים שונים.

קריאה נוספת: האם השימוש בכלי AI עלול לגרום לילדים שלנו נזק?