התפיסות השונות שהוצגו לעיל לגבי אופני הארגון של מידע במאגרים, הובילו לפיתוחם של ארבעה סוגי מאגרים עיקריים, שיתוארו להלן:

• מאגרים המאורגנים כטבלה (מסדי נתונים);
• מאגרים הבנויים כעץ נושאים;
• מאגרים עם מבנה מסתעף – היפרטקסטואלי או היפרמדיאלי;
• מאגרים המאורגנים לפי חוקים (מערכות מומחה).

מסדי נתונים: מאגרי מידע בעלי ארגון טבלאי

כפי שבוודאי גיליתם בקלות, אפשר לתאר את ארגון הנתונים במאגר בעלי החיים כטבלה. בטבלה יש סדרה קבועה של "שדות", שכל אחד מהם מגדיר טור בטבלה (מקום מחיה, תנועה, מזון, רבייה). בכל שדה עשויים להופיע ערכים שונים. למשל, בשדה "מקום מחייה" עשויים להופיע הערכים "על צמח", "יבשה", "חולות", "שלולית" או "מים מתוקים". בכל שורה בטבלה מופיעים הערכים של בעל חיים אחד במאגר, בשדות השונים, וכולם יחד יוצרים רשומה (ראו איור 5) ובה תיאורו המלא של בעל החיים. הרשומה היא בעצם המקבילה הדיגיטלית לכרטסת המסורתית, שבה מתוארת ישות כלשהי (בעל חיים, מדינה, מכונית) בעזרת מערכת קבועה של שדות, שלכל אחד מהם יש ערכים מוגדרים. הרשומה היא הנדבך המרכזי במאגרים שבהם הנתונים מאורגנים באופן טבלאי סדור וקבוע כמו במקרה של מאגר בעלי החיים.

איור 5. ארגון מידע במבנה רשומות: דוגמה ממאגר בעלי החיים הקטנים

חומר למחשבה

חשוב על מעמדה של הרשומה ברצף:

נתונים

מידע

ידע

האם היא נתון, פריט מידע או ידע? note_01

note_01הרשומה היא פריט מידע שנוצר מהנתונים שיש בה. את הידע עצמו יוצר הלומד מעיון בסדרת רשומות או פריטי מידע.

מערכות לניהול נתונים שבהן הנתונים מאורגנים ברשומות בשיטה הטבלאית, נקראות מסדי נתונים (databases). מערכות אלה יעילות במיוחד כשאפשר לארגן את כל המידע הרלוונטי לתחום הדעת בעזרת שדות מוגדרים מראש, ולהתאים לכל שדה ערכים מוגדרים. באופן כזה בנויים מסדי נתונים רבים, כמו זה של הלשכה המרכזית לסטטיסטיקה, כמודגם בארגון הנתונים על אוכלוסיית ישראל. נסה לעצב רשומה מנתונים אלה.

בבואנו להעריך את הפוטנציאל של מסד נתונים ללמידה, נבדוק באיזו מידה ארגון המידע בו עשוי לסייע בהבניית ידע. יש לוודא שהשדות שבחר מעצב המאגר לתיאור המידע מייצגים באופן נכון ומקובל את הידע בתחום, שהם הולמים את מטרות השימוש במאגר ושהם מותאמים ליכולותיו של הלומד: ליכולת התפיסה והעיבוד שלו, לידע התוכני שלו ולרמת שליטתו בטכנולוגיה. בלי שיתקיימו התנאים האלה, יתקשה הלומד לגבש ידע מהנתונים. הבה נבחן, לדוגמה, את אופן ארגון הנתונים במאגר של פסקי דין.

מאגרי מידע המאורגנים כ"עץ נושאים"

נפתח את הדיון בניתוח של מבנה ארגון המידע בשני מאגרי מידע.

כפי שיכולתם לגלות מיד, פריטי המידע בשני המאגרים אינם בנויים כרשומות עם שדות קבועים מראש וערכים מוגדרים, כי הרי אין אפשרות לתאר בעזרת אותם שדות פריטי מידע בנושאים כה שונים זה מזה, כמו בריאות וסביבה, כלכלה וכספים ודת ומסורת (בשער הממשלה) או פריטים העוסקים במגוון ההיבטים של ההיסטוריה (במאגר הקמת המדינה). יתרה מזו, המגוון הגדול בסגנונות של הצגת הנתונים (מפות, קטעי וידאו, תמונות, גרפים, קולות, טקסטים, נתונים מספריים) היה מקשה על מעצב המאגר, אפילו רצה בכך, להציגם כרשומות. זאת מפני שלא כל הנושאים מתאימים לייצוג ברשומות בעלות מבנה נתונים טבלאי, המחייב הגדרה של שדות וערכים קבועים. זו הסיבה שהטכנולוגיה המנהלית של מסד הנתונים, המתאימה כל כך לארגון נתונים כמו אוכלוסייה, רשימות ביבליוגרפיות ומזג אוויר, אינה מתאימה לטיפול במידע בנושאים שמתקיימים בהם קשרים מורכבים בין הנתונים (ראו דיון מפורט במאמרם של גבעון ורימור, 2001).

לעתים קרובות הדרך הטובה ביותר לייצג ידע במאגר היא לארגן אותו לפי נושאים ונושאי משנה. בדרך זו נוצר מבנה ידע בצורת "עץ הפוך", שבראשו נושא המאגר ובתחתיתו – פריטי המידע (ראו איור 6). מאחר שארגון הנתונים במאגר מכתיב במידה רבה את אופי הלמידה ואת תוצריה, האתגר המרכזי בעיצוב מאגר מסוג זה הוא לבחור את הקטגוריות המתאימות למיון הנושאים כך שיקיפו את התחום וייצגו אותו נכונה מהבחינה האקדמית, וגם יתאימו למבנה הידע הקיים של המשתמש. בקביעת מבנה ייצוג הידע במאגר מידע מסוג זה אנו מבטאים את תפיסותינו לגבי המבנה ההיררכי של הידע בתחום ולגבי האופן המתאים לייצוגו בעבור לומדים שונים.

איור 6. ארגון מידע בעץ נושאים

הבה נבחן את סוג הלמידה שמכתיב מבנה ייצוג הידע במאגרים שבחנתם לעיל: מתכנני המאגר "שער הממשלה" הניחו כנראה שהמשתמש הממוצע יחפש בו מידע שימושי לגבי שירותים שונים שמציעה לו הממשלה, ולא יבקש לערוך מחקר מורכב ומתקדם על המידע. על-פי הנחה זו אורגנו הנתונים והמידע במאגר באופן שייצגו את מרב הנושאים והתחומים שלגביהם האזרח נזקק לרשויות הממשלה (למשל: חינוך, בריאות, רישיונות בנייה, תיירות). לעומת המאגר הממשלתי, המאגר "הקמת המדינה" נועד להשתלב בלימודי ההיסטוריה בכיתות ט' בבתי הספר בישראל, ומבנה הידע שלו תוכנן כך שיתאים לתכנית הלימודים הרשמית שקבע משרד החינוך. מתכנני המאגר הניחו שהלומד יתעניין הן במציאת עובדות והן בחקירת הקשרים שבין העובדות האלה לשם יצירת ידע בהיסטוריה.

ארגון נכון של מאגר מידע מאפשר לעשות בו שימושים מגוונים למטרות רבות ואף בלתי-צפויות. ארגון יעיל של המאגר מאפשר למשתמש לחקור ולגלות קשרים, לעתים מפתיעים, בתחום הדעת הנחקר. הניתוח שעשיתם לעיל לגבי אופן ארגון המידע בשני המאגרים, ממחיש היטב את הצורך לשלב שיקולים מתחומי התוכן והפדגוגיה בתכנון של מאגרי מידע.

מערכות היפרטקסט\היפרמדיה: ארגון מידע ברשת

הבה נחשוב על ספר לימוד כעל מערכת להצגת ידע: הידע מוצג בו באופן לינארי-רציף, ונבנה בשלבים, באופן סדור, כשכל טענה מבוססת על הטענה שלפניה. כבר באמצע שנות הארבעים של המאה העשרים החלו להישמע טענות שייצוג הידע באופן רציף ולינארי, כפי שהוא בא לידי ביטוי בספרים, אינו תואם את תהליכי החשיבה האנושית (Bush, 1945). טענה זו נתמכת כיום על-ידי ממצאי מחקרים בפסיכולוגיה קוגניטיבית ובחקר המוח (למשל, Anderson & Bower, 1973). לפי טענה זו, החשיבה האנושית מתבססת על אחסון מידע וידע במבניםה לא-לינאריים אלא רשתיים ומסועפים, המבוססים על קשרים אסוציאטיביים, והידע מיוצג ומאורגן בזיכרון ארוך הטווח (הסמנטי) בצורה של רשתות משמעות, או רשתות סמנטיות (semantic networks), המכונות גם מפות ידע. החשיבה מעצם מהותה היא תהליך דינמי שבמהלכו נוצרות מפות הידע במוח. מפות אלה מתחלפות על-פי העניין העומד במרכז המחשבה, והן תלויות בגורמים כמו היזכרות בידע קודם, אופן אחסון הידע הקודם בזיכרון, וההקשרים שבהם הוא נוצר בזיכרון.

תובנות אלה הוליכו לפיתוח טכנולוגיית הההיפרטקסט ("טקסט-על"), שהוגדרה תחילה כהצגה דינמית של "טקסט לא רציף", שאי אפשר להדפיסו על דף קונוונציונלי. בהמשך התגבשה הגדרה מורחבת שלפיה היפרטקסט הוא מסמך שממנו מוגדרים קשרים למסמכים אחרים או למקומות אחרים בו. בעשורים האחרונים, עם התפתחות חומרה שאפשרה להוסיף מרכיבים קוליים וחזותיים לטקסט, הוחל המושג היפרטקסט גם על מדיה לא טקסטואליים, והוחלף במושג היפרמדיה. אפשר לתאר את ארגון המידע במערכות היפרמדיה כרשת מסועפת של צמתים (nodes) – יחידות מידע אוטונומיות הקשורות לרעיון כלשהו, ושל קשרים, או קישורים (links), המחברים ביניהם (Jonassen, 2000a, וראו גם איור 7). הגדרה זו מבטאת את עיקרון הדינמיות של מערכות ההיפרטקסט\היפרמדיה: ההתייחסות אל הידע כאל מהות מסתעפת, הנוצרת מכוח קשרים שיכולים להשתנות כל הזמן, ולכן נתונה בהשתנות מתמדת. מבנה ההיפרטקסט קיים גם בטכנולוגיית הדפוס (למשל, בהפניות לעמודים ולמקורות שונים מתוך טקסט כתוב, או בעמוד מן התלמוד, הכולל הפניות למקרא ופירושים מסביב לגמרא), אלא שיישומו מסורבל ומבלבל בגלל הצורך לדפדף במסמך המודפס או לפתוח כל הזמן מקורות אחרים. להלן משימה שתמחיש לכם את אופן יצירת הידע במערכות מידע מהסוג היפרטקסט/היפרמדיה.

איור 7. ארגון מידע במערכת של צמתים וקישורים הנפוצה בסביבות היפרמדיה

אחד היתרונות המרכזיים של סביבות היפרטקסט הוא שהמידע מאורגן ומוצג בהן באופנים רבים ושונים, והדבר מאפשר ללומד להבנות ידע מורכב ורב-ממדי. היכולת הזאת של הלומד הוליכה את ספירו ועמיתיו (Spiro et al., 1990) להציע את תאוריית הגמישות הקוגניטיבית (cognitive flexibility theory) שהכרתם ביחידה 2, המתארת את תהליכי ההבניה של ידע בסביבות היפרטקסט. לטענתם, סביבות אלה מאפשרות ללומד לחצות את מרחב הידע הלוך ושוב (crisscrossing the landscape) – כלומר, להגיע אל אותם פריטי מידע מכיוונים שונים ובהקשרים שונים, ועקב כך הוא מגבש ידע מורכב, המאפשר לו לפתור בעיות אותנטיות מסובכות ולטפל בידע בגמישות. תקפותה של תאוריה זו הודגמה במחקרה של רימור (2002), שהראתה כי ילדים שעסקו בבניית מאגרי מידע בסביבות היפרטקסט, השיגו שליטה בידע מורכב יותר וברמה גבוהה בהרבה ממה שהשיגו ילדים שלמדו את אותם התכנים בסביבות למידה מסורתיות. מומלץ שתעיינו שוב ביחידה 2 בקורס, שעסקה כולה בהיבטים העיוניים והלימודיים של סביבות היפרטקסט והיפרמדיה.

ואולם, בצד החוזק שמקנה גמישות הניווט וההפעלה למערכות ההיפרטקסט/היפרמדיה, היא עלולה גם להיות מקור חולשתן. זאת מפני שהמבנה הלא-לינארי שלהן מטיל על הלומד עומס קוגניטיבי רב ומכביד על הלמידה. לומד שאינו מנוסה בחיפוש מידע עלול לחוש דיסאוריינטציה – "ללכת לאיבוד" ו"להתפזר" במרחבי מארג הידע הרשתי והמסועף, ולאבד את הקשר בין פריט המידע הראשון שמצא לבין הפריט שהוא נמצא בו ברגע נתון. משתמשים רבים במאגרי מידע מדווחים על בעיות כאלה (פיאצ'יאנו [Piacciano, 2001]; דניאלס ועמיתיו [Daniels et al., 2002], ולזר ועמיתיו [Lazar et al., 2003]), והמתכננים של מאגרי היפרטקסט/היפרמדיה חייבים להביאן בחשבון בעת יצירת ארגון מסועף של מידע.

מכיוון שהמבנה של מערכות היפרטקסט/היפרמדיה הוא כאוטי, והן אינן מציעות ללומד ידע באופן סדור, הן מחייבות אותו לפתח ולטפח באופן עצמאי מיומנויות חשיבה ייחודיות, כגון בחירת נתיבי השיטוט, סינון המידע, ויצירת ההקשרים המשותפים לפריטים השונים. עשת (Eshet, 2004) הגדיר מסגרת מושגית לתהליכי החשיבה בסביבות היפרמדיה, והציע את המונח אוריינות רוחבית (לטרלית), או אוריינות מסתעפת, לתיאור החשיבה המסתעפת והלא-לינארית הנדרשת מלומדים בסביבות היפרמדיה, ומסייעת בידיהם לא לאבד את דרכם במרחבי רשתות הידע. נמצא שמחפשי מידע המנסים להתמודד עם העומס הקוגניטיבי הזה נעזרים במטפורות ובמודלים מנטליים של מרחב הידע, והדבר מקל במידה רבה את עבודתם, ומשפר את יכולתם לבנות ידע בסביבות אלה (Smilowitz, 2001; Lee & Hsu, 2002).

כיום, עם התפתחותן של מערכות לאחסון מידע באינטרנט, הולכת ומיטשטשת ההגדרה הקלסית של מאגר המידע כספרייה המכילה מספר מוגדר של פריטי מידע "ממשיים". במקומה הולכת ומתפתחת התפיסה שמאגרי המידע עשויים להיות חסרי גבולות מוגדרים, ושפריט מידע, אפילו אם הוא דיגיטלי, אינו קיים בהכרח במציאות במאגר, אלא יכול להיות תוצר "אד-הוק" של שימוש בקישורים אל מקורות מידע מרובים. אם נרחיב תפיסה זו, אפשר לומר שהאינטרנט הוא מאגר מידע אחד ענק מהסוג של היפרטקסט/היפרמדיה, ובו קישורים אל אינספור מאגרי מידע קטנים יותר המצויים בו. מבחינה זו, מערכות ההיפרטקסט/היפרמדיה מעניקות משמעות מורחבת וגמישה למושג "מידע" ולאופנים האפשריים לארגונו.

מערכות מומחה: מאגרי מידע הבנויים לפי חוקים

עד כה הכרנו מאגרי מידע שבהם מבנה הידע הכתיב ארגון מידע על-פי קטגוריות ונושאים המייצגים את התחומים המטופלים במאגר. מאגרים כאלה הם מקורות מידע המטילים על הלומד את האחריות לבניית הידע. בתת-סעיף הנוכחי נכיר מערכות מומחה (expert systems) – מערכות ממוחשבות לניהול מידע, היכולות לחסוך ללומד חלק מתהליך יצירת הידע, לגבש בעבורו ידע, ולהציע לו פתרון לבעיות. במערכות אלה המידע אינו מאורגן לפי שדות או נושאים אלא לפי הגדרות וחוקים (expert systems) – מערכות ממוחשבות לניהול מידע, היכולות לחסוך ללומד חלק מתהליך יצירת הידע, לגבש בעבורו ידע, ולהציע לו פתרון לבעיות. במערכות אלה המידע אינו מאורגן לפי שדות או נושאים אלא לפי הגדרות וחוקים. הפעילות במערכת מומחה משולה לעבודה מול מומחה בתחום מסוים, המסוגל לנתח את המידע לאור צורכי המשתמש, ולהציע פתרון לבעיה המוצגת לו. אלא שבמקרה הנוכחי המומחה אינו אנושי אלא תוכנת מחשב המכילה נתונים ומידע, ומסוגלת לטפל בהם על-פי חוקים והגדרות שהוזנו לתוכה (רפאלי, 2003; Jonassen, 2000b. ראו גם דיון כללי במערכות מומחה).

בטרם נרחיב בנושא, הבה נכיר מערכת מומחה בזעיר אנפין.

מערכת מומחה: איזה יין לבחור?
אתה מתכנן ארוחת ערב בביתך, ובגלל חשיבותה אתה מתלבט מאוד בבחירת היין. מה יותר טוב מלהיוועץ במומחה ליינות? אלא ששירותיו של מומחה כזה יקרים מאוד, וגם אין לך מושג היכן למצוא אותו. כמה טוב היה לו יכולת להיוועץ במערכת ממוחשבת הזמינה באינטרנט, שתחליף את המומחה האנושי ותסייע לך בבחירת היין. להלן תוכל לקרוא דוגמה לדיאלוג כזה מתוך מערכת מומחה ממוחשבת בשם CLIPS, שנועדה לסייע בבחירת יינות. הדיאלוג שתקרא להלן מתנהל בין התוכנה לבין המשתמש. קרא אותו בעיון ונסה להתרשם מטיב האינטראקציה המתרחשת במערכת מומחה. מהם יתרונותיה לעומת המומחה האנושי? מהם החסרונות? מה ההבדל בין מערכת זו למאגר מידע רגיל על יינות?

מערכת המומחה לבחירת יינות מכילה מידע על יינות, אבל שלא כמו במאגר מידע שהמידע מאורגן בו לפי קטגוריות (למשל: סוג היין, אזור הגידול, סוג הגפן שממנו מופק היין, טעם, מחיר), מערכת המומחה היא מערכת "נבונה" – כלומר, היא יודעת לתשאל את המשתמש ולהציע לו פתרון מתאים לאור תשובותיו. המערכת "מכירה" כמה עשרות סוגי יין, והיא מסוגלת להציע למשתמש את היין המתאים לו על-פי כמה עשרות כללים. ההחלטות במערכת המומחה מתקבלות לאור תשובות המשתמש לשאלות המערכת, כמודגם להלן:

וכן הלאה...., עד שהמערכת מציעה למשתמש את היין המתאים לארוחה על סמך תשובותיו, ממש כפי שהיה עושה מומחה אנושי ליינות! חשוב לציין שבניגוד לתוכנות מחשב רגילות, מערכת המומחה אינה מתוכנתת לשאול מראש את השאלות בסדר שבו הן נשאלו. כל מה שתוכנת מראש הם עובדות וכללים הנוגעים ליינות, והמערכת מנסחת את השאלות לדיאלוג על-פי העובדות הידועות לה. בתשובתו לכל שאלה המשתמש בוחר מבין האפשרויות שהמערכת הציעה, ובחירתו מצמצמת את האפשרויות ומובילה לניסוח שאלה חדשה. תהליך חוזר כזה מכונה איטרטיבי (iterative), והוא נמשך עד שיש בידי המערכת מידע די הצורך להציע פתרון או עצה. ככל שעומדות יותר עובדות לרשות המערכת, כן היא תוכל להציע פתרון או עצה אמינים ומדויקים יותר.

כפי שראיתם במשימת בחירת היין, ייחודה של מערכת המומחה לעומת תוכנת מחשב רגילה הוא ביכולתה לערוך שיקולים (reasoning) ולהסיק מסקנות (inference). אמנם גם תוכנת מחשב רגילה שואלת את המשתמש שאלות, אבל רק במערכת המומחה השאלות וסדר שאילתן הם "נבונים". להבדיל ממאגר מידע רגיל, המספק למשתמש מידע לא-מנומק, מערכות המומחה מגישות לו מידע מעובד ומנומק, ובו תשובות לשאלות שהמערכת עצמה ניסחה.

אפשר להכליל ולומר שמערכות מומחה הן כלי חשיבה (mind tools) דיאלוגיים ממוחשבים, המיועדים לסייע לאנשים לפתור בעיות המחייבות מומחיות אנושית בתחומי ידע וניסיון מוגדרים (ראו איור 8). מערכות מומחה נחוצות במצבים שבהם נדרשת מומחיות, כשביצועיהם של מומחים עולים על אלה של הדיוטות. זיהוי תקלה במערכת מסובכת, אבחון מחלה, שרטוט מפה, טיפול באישור הלוואה – כולן משימות מורכבות שאנו מטילים בדרך כלל על מומחה בתחום הנדון. מכונות, מחשבים או תוכנות היכולים להתחרות בהצלחה עם מומחה ייחשבו למערכות מומחה. מערכת מומחה מאפשרת גם למי שאינו מומחה לתפקד ככזה, שכן הודות לכללים ולחוקים המאפשרים לה לחקות את המציאות כמות שהיא, יש בה ייצוג מושלם של הידע הקיים בתחום. ובהיותה הדמיה מושלמת של מערכת הקיימת במציאות, אפשר ליישם את מערכת המומחה לפתרון בעיות אותנטיות מורכבות.

איור 8. סכמה לשימוש במערכות מומחה ככלי חשיבה

מערכות המומחה מאפשרות לזהות מגמות ולחזות אירועים בעזרת הנתונים המצויים במאגר, ולקבל החלטות על סמך החיזויים. מערכות לחיזוי מזג האוויר, מערכות למיון וקליטה של עובדים חדשים ומערכות לקבלת החלטות כלכליות – כולן מערכות מומחה. יש בהן הגדרות של תנאים (כמו לחות, כיווני רוחות, סוגי עננים – במקרה של חיזוי מזג אוויר), שאותן הן מצליבות עם הנתונים הקיימים במערכת או המוזנים לתוכה, ואז מציעות את הפתרון (מזג האוויר החזוי, רשימת העובדים שיתקבלו לעבודה, או הצעדים הכלכליים שיש לנקוט במצב הכלכלי הנתון). המחשבים המודרניים, בעלי כושר העיבוד הגבוה, מאפשרים לפתח מערכות מומחה מתוחכמות, היכולות לטפל בתנאים ובהגדרות מורכבים ביותר, ולנהל בעזרתם כמויות עצומות של נתונים ומידע. מערכות מומחה אלה הן כלי עזר חשוב לאין ערוך בידי חוקרים, מנהלים, מדינאים, כלכלנים ומדענים. הן יכולות לחסוך זמן יקר, לשפר תהליכי ייצור או שירות, ולפתור בעיות בתנאים ובמהירות שהמוח האנושי אינו מסוגל לפתור.

מערכות המומחה התפתחו ממחקרים בתחום הבינה המלאכותית (artificial intelligence), המשלב ידע ממדעי המחשב וממדעי ההתנהגות, ועוסק בבניית תוכנות ומכשירים היכולים לבצע מטלות שנחוצה תבונה אנושית כדי לבצען. מערכת המומחה הראשונה (MYCIN) פותחה בין השנים 1980-1972 (McCarthy, 1984) כדי לסייע לרופאים לאבחן דלקות הנגרמות על-ידי חיידקים. מערכות מומחה מורכבות מאוד משמשות כיום באלפי ארגונים ומוסדות, בעיקר באקדמיה (למשל, מערכות מומחה לזיהוי מחלות, מערכות לאיתור מרבצי פחם, מערכות לקבלת החלטות כלכליות), במערכות ממשל (למשל, מערכות מומחה לטיפול בפניות אזרחים), בצבא (למשל, מערכות מומחה לניהול לחימה), ובמערכות רבות אחרות (כמו מערכות מומחה לניהול שדות תעופה). יתרונן העיקרי הוא יכולתן לחזות אירועים ולזהות מגמות באופן אמין ומהיר. בבתי-ספר נפוצות מערכות מומחה במיוחד בתחומים הדורשים מיומנויות של הגדרה וזיהוי (למשל, ציפורים, סלעים, צמחים). מיומנויות מסוג זה מצריכות מומחיות, והמומחה האנושי אינו זמין לתלמיד בדרך כלל. לעזרתו באה מערכת המומחה, הכוללת מאגר של כל האובייקטים על תכונותיהם (צמחים, בעלי חיים, סלעים), וכן כללים להגדרתם של אותם אובייקטים. המערכת מציעה ללומד תהליך איטֶרָטיבי שבאמצעותו יוכל להגדיר כל אובייקט על סמך התשובות לשאלות שהמערכת שואלת. באופן זה בנויים כל מגדירי הציפורים, הצמחים והסלעים שאתם מכירים.

ממצאים רבים מעידים שמערכות מומחה משפרות את הלמידה, בעיקר כשרמת הלומדים גבוהה או כשהם מתמחים. לעומת זאת, לומדים מתחילים מתקשים ללמוד בעזרת מערכות מומחה (Karake, 1990). מחקרים אחרים הדגישו שיתרונה של הלמידה בעזרת מערכות מומחה ניכר במיוחד ב"תנאים קונסטרוקטיביסטיים" – כלומר, כשהלומדים עוסקים בתכנון מערכת כזאת ולא מסתפקים בהפעלתה (Jonassen et al., 1993; Wilson, 1997).