מאמר מחקר

הכוחות הכפולים של הבינה המלאכותית: כיצד בינה מלאכותית גנרטיבית ותלות נתפסת בבינה מלאכותית משפיעות על פחד מהחמצה (FoMO) ורכישת אוצר המילים של תלמידי EFL

DOI:

10.3791/69637

⸱

19 בדצמבר 2025

 ,  ,  , 
1College of International Studies, Yangzhou University, 2College of Sciences and humanities, Prince Sultan University

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה בוחן כיצד שילוב בינה מלאכותית משפיע על לומדי אנגלית מבחינה פסיכולוגית וקוגניטיבית. המחקר מצא כי שימוש בבינה מלאכותית מעלה את החרדה (FoMO), ופוגע בהבנת הנקרא, בעוד שחיקה דיגיטלית מחלישה את הקשר בין הבנה לאוצר מילים. המטרה היא להדגיש את הצורך בשימוש מאוזן בבינה מלאכותית לתמיכה בלמידה.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה בוחן כיצד שילוב בינה מלאכותית (AI) בלמידת שפה משפיע על תוצאות פסיכולוגיות וקוגניטיביות בקרב לומדי אנגלית כשפה זרה (EFL). בפרט, הוא בוחן את השפעות התלות הנתפסת בבינה מלאכותית, חששות אתיים ושימוש בבינה מלאכותית גנרטיבית על פחד מהחמצה (FoMO), הבנת הנקרא הנמדדת באמצעות סולם אסטרטגיות קריאה ורכישת אוצר מילים, תוך התחשבות בתפקיד המתון של שחיקה דיגיטלית. עיצוב סקר חתך נעשה עם n = 450 לומדים EFL, והנתונים נותחו באמצעות מידול משוואות מבניות של ריבועים חלקיים (PLS-SEM) להערכת יחסים ישירים ומתווכים כאחד. הממצאים מגלים כי גורמים הקשורים לבינה מלאכותית חוזים באופן משמעותי שיעור FoMO גבוה יותר, מה שפוגע בהבנת הנקרא. בעוד שהבנת הנקרא תומכת מאוד ברכישת אוצר מילים, שחיקה דיגיטלית מחלישה את הקשר הזה. המחקר מדגיש את האופי הכפול של הבינה המלאכותית בחינוך, שמקלה על תוצאות הלמידה ובו בזמן תורמת למתח פסיכולוגי. תוצאות אלו מדגישות את חשיבות האינטגרציה המאוזנת של בינה מלאכותית בלמידת שפה, ומדגישות את הצורך באסטרטגיות שמפחיתות חרדה ושחיקה דיגיטלית. השלכות תיאורטיות מרחיבות את המחקר על למידה מתווכת טכנולוגיה על ידי זיהוי FoMO כמסלול רגשי קריטי בהקשרים חינוכיים מונחי בינה מלאכותית. המלצות מעשיות כוללות שילוב פרקטיקות רווחה דיגיטליות לצד כלי בינה מלאכותית כדי למקסם את יתרונות הלמידה תוך מזעור השפעות פסיכולוגיות שליליות.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

השילוב המהיר של בינה מלאכותית גנרטיבית (AI) בחינוך שינה את פרדיגמות הלימוד המסורתיות, במיוחד בהקשרים של אנגלית כשפה זרה(EFL) 1. כלים כמו עוזרי אוצר מילים מבוססי בינה מלאכותית, מערכות משוב כתיבה אוטומטיות ופלטפורמות למידה אדפטיביות מבטיחים יעילות משופרת והוראה מותאמת אישית2. עם זאת, שינוי טכנולוגי זה הביא גם אתגרים פסיכולוגיים ופדגוגיים, כולל תלות נתפסת בבינה מלאכותית, שחיקה דיגיטלית ודאגות אתיות, שעשויות לתווך תוצאות למידה3. תופעה אחת שנחקרה פחות אך קריטית בתחום זה היא הפחד מהחמצה (FoMO). במצב פסיכולוגי זה, הלומדים מרגישים מחויבים לאמץ כלי בינה מלאכותית בשל לחצים של השוואה חברתית, שעשויים לעלות על חשבון מעורבות קוגניטיבית עמוקה4. בעוד שמחקרים קיימים חקרו את תפקיד הבינה המלאכותית ברכישת שפה5, מעט מחקרים בחנו כיצד בינה מלאכותית גנרטיבית מתקשרת עם תלות נתפסת ו-FoMO כדי לעצב רכישת אוצר מילים, מה שמשאיר פער משמעותי בהבנת הכוחות הכפולים המסייעים והמזיקים ל-AI בחינוך 6,7.

סקירה של הספרות חושפת שלושה פערים מרכזיים. ראשית, מחקרים על בינה מלאכותית בלמידת EFL התמקדו בעיקר בתוצאות ביצועים (ציוני מבחנים, שיפור בשטף) ולא במנגנונים הפסיכולוגיים שמניעים את אימוץ ה-AI8. לדוגמה, בעוד שהיעילות של הבינה המלאכותית בשימור אוצר מילים מתועדת היטב, מעט ידוע על האופן שבו תלות נתפסת, האמונה שאי אפשר ללמוד ביעילות ללא בינה מלאכותית, משפיעה על המוטיבציה והשימור לטווח ארוך9. שנית, למרות ש-FoMO נחקר לעומק בהקשרים של מדיה חברתית, תפקידו בסביבות למידה המתווכות על ידי בינה מלאכותית נותר לא נחקר. בהינתן שכלי בינה מלאכותית מספקים לעיתים משוב בזמן אמת, גלוי חברתית (תכונות השוואת שוואה), הלומדים עלולים לחוות חרדה מוגברת מלהישאר מאחור, מה שמגביר את התלות ב-AI10. שלישית, בעוד שהחששות האתיים לגבי בינה מלאכותית (פרטיות נתונים, הטיה אלגוריתמית) מוכרים באופן נרחב, השפעתם הממתנת על התלות ויעילות הלמידה לא נבדקה אמפירית בהקשרים של EFL. פערים אלו מדגישים יחד את הצורך בחקירה הוליסטית שמגשרת בין קבלת טכנולוגיה, פסיכולוגיה מוטיבציונית ותיאוריות למידה קוגניטיבית.

מחקר זה מתמודד עם פערים אלו על ידי הצעת מודל קונספטואלי חדשני הבוחן כיצד השימוש בבינה מלאכותית גנרטיבית, תלות נתפסת בבינה מלאכותית ודאגה אתית נתפסת של הבינה המלאכותית משפיעים על FoMO בקרב לומדי EFL, על תפקיד התיווך של FoMO בקישור שלושת המשתנים העצמאיים להבנת הנקרא של תלמידי EFL, והאפקט הממתן של שחיקה דיגיטלית בין הבנת הנקרא לרכישת אוצר מילים. המחקר המוצע תורם לפיתוח מסגרת תיאורטית מקיפה שניתן להשתמש בה לחקר השפעות התלות בבינה מלאכותית על מוטיבציה פנימית ואוטונומיה של הלומדים דרך עדשות תיאוריית ההגדרה העצמית (SDT)12, המנגנונים הפסיכולוגיים שמאחורי FoMO בסביבות למידה המתווכות על ידי בינה מלאכותית על תיאוריית ההשוואה החברתית13 והשפעות כלי התלות בבינה מלאכותית על העומס הקוגניטיבי באמצעות תיאוריית העומס הקוגניטיבי (CLT)14.

התרומות התיאורטיות של מחקר זה הן בשלוש מחלקות. ראשית, הוא מרחיב את SDT על ידי תפיסת התלות בבינה מלאכותית כאיום פוטנציאלי על אוטונומיה של הלומד, ומאתגר את ההנחה שבינה מלאכותית משפרת מוטיבציה באופן אוניברסלי. שנית, הוא מיישם את תיאוריית ההשוואה החברתית בלמידה מתווכת בינה מלאכותית, וחושף כיצד FoMO משתנה מתופעה ברשתות החברתיות למניע לאימוץ כלים חינוכיים15. שלישית, הוא משפר את CLT בכך שהוא מראה כי היתרונות הקוגניטיביים של הבינה המלאכותית (הפחתת עומס חיצוני) עשויים להיות מנוזלים על ידי עומס גרמני16 המושרה על ידי תלות, ומציע מבט מעמיק על השפעת הבינה המלאכותית על קידוד הזיכרון. התקדמויות תיאורטיות אלו מהוות בסיס למחקר עתידי על הפסיכולוגיה של למידה בסיוע בינה מלאכותית.

כדי להבטיח קפדנות מתודולוגית ויישום מעשי, מספר שיקולים מרכזיים הונחו את התכנון. אוכלוסיית היעד של לומדי אנגלית אנגלית באוניברסיטאות סיניות נבחרה בשל החשיפה הגבוהה שלהם לכלי בינה מלאכותית ואינטגרציה מוסדית, מה שמספק הקשר רלוונטי לבחינת התלות בבינה מלאכותית. גבולות המבנה מוגדרים בבירור באמצעות סולמות מאומתים ורב-פריטים לכל משתנה סמוי, ומונעים חפיפה מושגית. הבחירה בסולמות הספציפיים הללו הוצדקה בשל אמינותם הממוסדת ובהפעלה הישירה של המבנים הפסיכולוגיים וההתנהגותיים המורכבים הנחקרים (דאגות אתיות רב-ממדיות, שחיקה דיגיטלית ספציפית ללמידה). לגבי ניתוחי התיווך והמתון המתוכננים, אנו מכירים בכך שנתוני החתך, אף שהם מספקים למידול חיזוי באמצעות PLS-SEM, מגבילים את ההסקה הסיבתית הסופית עבור המסלולים המתווכים והמתונים. גודל המדגם של 465 עולה בהרבה על הדרישות המינימליות לעוצמה סטטיסטית הן ברגרסיה והן ב-PLS-SEM, תוך שמירה על 'כלל 10 פעמים' למספר המקסימלי של מסלולי מבנה, ובכך מבטיח הערכות פרמטרים יציבות וניתנות להכללה עבור המודל המוצע.

המבנים המרכזיים של המחקר מוגדרים כך: תלות נתפסת בבינה מלאכותית מתייחסת לאמונתו של הלומד בהסתמכות על כלי בינה מלאכותית ליעילות והשלמת משימות. חששות אתיים נתפסים של בינה מלאכותית כוללים חששות בנוגע לשקיפות אלגוריתמית, הוגנות, בטיחות ואחריות. שימוש בבינה מלאכותית גנרטיבית מציין את התדירות וההיקף של שימוש במודלים של בינה מלאכותית ליצירת טקסט או תמונות. פחד מהחמצה (FoMO) הוא החרדה שאחרים עשויים לחוות חוויות מתגמלות שבהן הוא נעדר, כאן בהקשר ללמידה מונעת בינה מלאכותית. שחיקה דיגיטלית היא מצב של תשישות רגשית ומנטלית הנובעת ממעורבות דיגיטלית ממושכת. לבסוף, תוצאות הלמידה נלכדות על ידי הבנת הנקרא, היכולת להבין וליישם אסטרטגיות עם חומר כתוב, ורכישת אוצר מילים, היעילות העצמית הנתפסת בלמידה ובשימוש במילים חדשות.

מבנה המאמר הזה הוא כדלקמן. סעיף 1 עוסק ברקע, חשיבות, פערי מחקר ותרומת המחקר הנוכחי. סעיף 2 סוקר עבודות קודמות על בינה מלאכותית בלמידת EFL, תלות ו-FoMO, ומסכם דיונים מרכזיים. סעיף 3 מפרט את המתודולוגיה הכוללת עיצוב מחקר, שילוב סקרים למדידת תלות נתפסת/FoMO ומשימות ניסיוניות להערכת שימור אוצר מילים. סעיף 4 מציג את הממצאים, כולל ניתוחי גישור/מתיון. סעיף 5 דן בהשלכות על תיאוריה, פדגוגיה ועיצוב בינה מלאכותית, בעוד שסעיף 6 מסכם במגבלות ובכיוונים עתידיים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה נערך בהתאם להנחיות אתיות למחקר בנבדקים אנושיים באוניברסיטת יאנגג'ואו. הסכמה מדעת התקבלה מכל המשתתפים לפני מעורבותם, כדי להבטיח שהם יהיו מעודכנים במלואם במטרת המחקר, נהלי הסקר, אופיו הוולונטרי, וזכותם למשוך בכל עת ללא השלכות. כל השיטות עמדו בסטנדרטים אתיים למחקר אנושי, תוך הבטחת סודיות המשתתפים, אנונימיזציה של נתונים והגנה לאורך כל המחקר. המחקר כלל איסוף נתונים לא פולשני, מבוסס סקרים, עם סיכון מינימלי למשתתפים. המחקר עומד בהנחיות אתיות למחקר חינוכי, ומבטיח אנונימיות המשתתפים והשתתפות מרצון. הסכמה מדעת התקבלה באופן אלקטרוני, עם מידע ברור על שימוש ואחסון נתונים. לא נאסף מידע אישי מזהה, והתגובות נשמרות בצורה מאובטחת בשרתים מוגנים בסיסמה. המשתתפים שומרים על הזכות לפרוש בכל שלב. סיכונים פוטנציאליים (עייפות סקרים) מתמודדים באמצעות עיצוב שאלון תמציתי, והממצאים מדווחים בצורה מצטברת כדי למנוע זיהוי אישי.

סקירת ספרות

תלות נתפסת בבינה מלאכותית, חששות אתיים נתפסים של בינה מלאכותית ופחד מהחמיץ (FoMo)
השילוב הדינמי של השימוש בבינה מלאכותית (AI) בחינוך העניק טוויסט דרמטי חדש ללימוד השפה, במיוחד בקרב תלמידי אנגלית כשפה זרה (EFL)17. מערכות לימוד חכמות, הערכת כתיבה אוטומטית ופלטפורמות למידה אדפטיבית מבוססות בינה מלאכותית ומספקות חוויית למידה יעילה ואישית18. עם זאת, לצד ההתפתחות הטכנולוגית הזו, היו גם בעיות פסיכולוגיות מסוימות, כמו פחד מהחמצה (FoMO), שהוא סוג של חרדה חברתית שאנשים חוששים שלא ייכללו בפעילויות מהנות19. לפי ממצאי המחקר, התלות הנתפסת בבינה מלאכותית והחששות האתיים הנתפסים בבינה מלאכותית יכולים לחזק את רמות ה-FoMO בקרב לומדי EFL ולשנות את האינטראקציות שלהם עם החינוך המבוסס בינה מלאכותית בעתיד.

בנוסף, כאשר הבינה המלאכותית מוצאת את מקומה בתהליך הוראת השפה, תלמידים עלולים להיות תלויים בכלים אלו כדי לשפר את הדקדוק והאוצר מילים שלהם ולשפראת ההגייה. תלות זו עלולה לגרום ללחץ פסיכולוגי, והתלמידים עשויים להרגיש שעליהם להשתמש בכלי בינה מלאכותית באופן עקבי כדי למנוע עיכובים אקדמיים. ממצאי מחקר על תלות דיגיטלית הובילו למסקנה שתלות יתר בטכנולוגיה יוצרת חרדה בשל פחד מחוסר גישה למכשירים כאלה21. בתחום הלמידה בשפה האנגלית האנגלית, תלמידים שמאמינים שבינה מלאכותית היא הכרחית עשויים להרגיש FoMO כי הם חושבים שתלמידים אחרים מנצליםיותר טכנולוגיות כאלה. התופעה תואמת את תיאוריית ההשוואה החברתית23, שמניחה שאנשים משווים את ההתקדמות שלהם לזו של אחרים. כאשר למידה משופרת באמצעות בינה מלאכותית נתפסת כאות תחרותי, תלמידים עלולים לחשוש להחמיץ הצלחה אקדמית אלא אם כן ימקסמו את מעורבותםבשימוש בכלים כאלה. בנוסף, הקשר המתמשך שמטפחים כלי הבינה המלאכותית יכול לעוות את ההבדלים בין חינוך לבידור, מה שמחזק עוד יותר התנהגויות ביות ממכרות שמחזקות עוד יותר את FoMO25.

H1: תלות נתפסת בבינה מלאכותית משפיעה לטובה על הפחד מהחמצה (FoMO) בקרב לומדי EFL.

H2: חששות אתיים נתפסים של בינה מלאכותית משפיעים לטובה על הפחד מהחמצה (FoMO) בקרב לומדי EFL.

בינה מלאכותית גנרטיבית (שימוש ב-ChatGPT) ופחד מהחמצה (FoMo)
העלייה הנוכחית בפופולריות של בינה מלאכותית גנרטיבית (ChatGPT) בתחום החינוך הובילה לתנאים חדשים של חוויות פסיכולוגיות בתהליך לימוד שפה. המחקר זיהה לאחרונה כי השימוש בכלי בינה מלאכותית מתקדמים כאלה עשוי לשנות משמעותית את מצבם הרגשי של הלומדים, במיוחד הפחד מהחמצה (FoMO)28. ככל שהבינה המלאכותית מתוכנתת לספק משוב מיידי, לייצר חומרי לימוד ולדמות תרגול שיחה, כך התלמידים עלולים לפתח חרדות ולדאוג שיישארו מאחור אם לא ישתמשו בכלים אלה עד הסוף29. התהליך מרמז על מגמה רחבה יותר של למידה דיגיטלית, שבה ההתקדמות הטכנולוגית לא רק מאפשרת לעשות יותר דברים בלמידה, אלא גם חושפת חוויות למידה לרמות חדשות של חרדה.

ההשפעות הפסיכולוגיות של כלי הבינה המלאכותית הגנרטיבית על לומדי שפה ניתנות להסבר על ידי התייחסות לתיאוריית ההגדרה העצמית, לפיה מיומנות, אוטונומיה וקרבה הם צרכים פסיכולוגיים בסיסיים14. במקרים שבהם סטודנטים מאמינים שחבריהם משיגים תוצאות טובות יותר בעזרת בינה מלאכותית, כפי שמיוחס לכך ש-FoMO לא טופלב-31, זה גם מחמיר על ידי איומים על תחושת המיומנות שלהם. השפעה זו יכולה להיות חמורה במיוחד בסביבות אקדמיות מאתגרות, כאשר סטודנטים משווים את ההתקדמות והיכולות שלהם. יתרה מזאת, הגישה הבלתי מוגבלת לכלי בינה מלאכותית גנרטיבית עלולה גם להוביל לבעיה של שימוש מתמיד, שכן הלומדים חוששים שהם יפגרו ויאבדו התקדמות משמעותית.

FoMO מופיע גם בצורת הדינמיקה החברתית של יישום בינה מלאכותית בקהילות למידה33. ברגע שבינה מלאכותית גנרטיבית תהפוך לנורמלית בסביבה חינוכית, סביר להניח שהיא תיצור תחושת לחץ חברתי להתאים את עצמה לפרקטיקות הדיגיטליות החדשות המעודדות בסביבה החינוכית34. לחץ כזה עשוי להיות חזק במיוחד בלמידת שפה זרה, שבה הבינה המלאכותית זמינה לסייע בכתיבה, דקדוק ותקשורת ללא מאמץ נראה לעין מצד הלומד35. הרעיון להישאר מחוץ לדרך בשינוי הזה עשוי להיות מוטיבציה לאמץ אסטרטגיות שימוש כפייתיות, אפילו בקרב לומדים שיכלו להיות נוטים יותר ללמוד בדרכים קונבנציונליות יותר36. מחקרים חדשים מדגישים את הצורך להבין בפירוט רב יותר את השפעת התיווך של תכונות שונות של הלומד על הקשר בין שימוש בבינה מלאכותית גנרטיבית ל-FoMO. התשובות לשאלות אלו תלויות בגורמים כמו רמת האוריינות הדיגיטלית וכישורי ויסות עצמי, ומוטיבציה ללמידה, שיכולים להגדיר האם כלי בינה מלאכותית הם משאבים מעצימים או מהווים את הגורם לחרדה37. בהתבסס על הספרות לעיל, מוצעת ההשערה הבאה:

H3: שימוש מוגבר בבינה מלאכותית גנרטיבית משפיע לטובה על הפחד מהחמצה (FoMO) בקרב לומדי EFL.

פחד להחמיץ (FoMo), הבנת הנקרא ורכישת אוצר מילים
המושג הפסיכולוגי של פחד מהחמצה (FoMO) הפך למשמעותי יותר ויותר על התנהגויות למידה באינטרנט, ומדגיש קשר מורכב בין למידת שפה שנייה ותוצאות אקדמיות38. מחקרים עדכניים מראים כי FoMO, בהתאם לממד למידת השפה39, עשוי להשפיע באופן מובחן על למידת מספר ממדים של לימוד שפה, במיוחד על הבנת הנקרא ורכישת אוצר מילים. תלות זו נראית כמונעת על ידי עומס קוגניטיבי41, ומערכות שליטהקשב 42, מכיוון שאנשים עם FoMO גבוה מראים דפוס ייחודי של אינטראקציות טקסטואליות חומריות.

המחקרים האמפיריים מצביעים על כך שמידה מתונה של FoMO מגבירה את המעורבות בחומרי קריאה כאשר הלומדים מרגישים שחומרי קריאה הם עיסוקים בעלי ערך חברתי ואקדמי43. עם זאת, התמכרות מופרזת ב-FoMO קשורה לקריאה לא שלמהולעיבוד מידע עמוק נמוך, מה שעלול לפגוע בהבנה. התחושה נראית נפוצה יותר במרחב הקריאה הדיגיטלית, שם התראות ומלכודות ברשתות החברתיות מגבירותהפרעות קשב. ברכישת אוצר מילים, ל-FoMO יש מערכת יחסים מורכבת יותר, אם כי החשיפה לפריטים לקסיקליים חדשים עשויה להיות מוגברת בשל מעורבות מוגברת 46,47, השימור נפגע בשל התנהגויות הלמידה הכפייתיות.

עדויות מתחדשות מצביעות על כך שיש שונות תרבותית ואישית ביחסים אלו. בהשוואה לכך, לומדים קולקטיביסטים נראים נוטים יותר להשלכות השליליות של FoMO על הבנת הנקרא48, שעשויה להיות קשורה לנטייתם המוגברת להשוות חברתית49. מצד שני, חוויות FoMO אינן משפיעות על ההבנה ולמידת אוצר מילים אצל לומדים עם אסטרטגיות ויסות עצמי גבוהות 50. בהתבסס על הספרות לעיל, מוצעות ההשערות הבאות:

H4: פחד מהחמצה (FoMO) משפיע לרעה על הבנת הנקרא.

H5: הבנת הנקרא משפיעה לטובה על רכישת אוצר מילים.

השפעה ממתנת של שחיקה דיגיטלית בלמידה
שחיקה דיגיטלית היא בעיה עדכנית עם השלכות פסיכולוגיות וחברתיות המשפיעות על תהליכי רכישת השפה51,52. מבחינה רגשית וקוגניטיבית, ובאותו זמן חסרה לי מוטיבציה בגלל טווח ארוך של למידה אקדמית מתווכת טכנולוגיה. שחיקה דיגיטלית פגעה ביכולות הקוגניטיביות הנדרשות לעיבוד שפה53. מחקרים נוירוקוגניטיביים פעילים מצביעים על כך ששחיקה תעסוקתית גורמת לעייפות, מה שמפריע לקיבולת הזיכרון העובד54, שהיא מרכיב מרכזי הן בזיכרון מיליםוהן בקריאה. עייפות מנטלית זו עשויה להיות מאחורי הראיות החדשות לקידוד סמנטי חלש אצל לומדים שחוקים דיגיטלית כאשר מתבקשיםלבצע משימות למידת אוצר מילים.

שחיקה דיגיטלית מתבטאת באופן ייחודי בהקשרים של EFL בשל הדרישות הקוגניטיביות והרגשיות הייחודיות של רכישת שפה. בניגוד לשחיקה אקדמית כללית, שחיקה דיגיטלית ב-EFL מחמירה על ידי העומס הקוגניטיבי המתמיד של עיבוד פונולוגיה, תחביר וסמנטיקה לא מוכרים דרך ממשקים דיגיטליים, שיכולים להעמיס על זיכרון העבודה בצורה חמורה יותרמלמידה מבוססת תוכן. יתרה מזאת, המסנן הרגשי מוגבר על ידי האופי הביצועי של תרגול השפה בפלטפורמות בינה מלאכותית, שם הלומדים עלולים לחוות חרדה מתיקונים מיידיים מונעי אלגוריתמים ולחץ להשיג שליטה דומה לשפת אם58. שילוב זה של עומס קוגניטיבי מוגבר ולחץ סוציו-אפקטיבי ייחודי בסביבות שפה מתווכות דיגיטלית יוצר פרופיל שחיקה ספציפי שמפריע ישירות לתהליכים המורכבים של קידוד אוצר מילים והבנת הנקרא59.

שחיקה דיגיטלית והבנת הנקרא מראות קשרים עדינים מאוד בפיתוח אוצר מילים. למרות שידע מקרי באוצר מילים צפוי להיווצר באמצעות הסקה הקשרתית כאשר לתלמידים יש כישורי קריאה חזקים60, המתאם החיובי בין אוצר המילים לביצועי קריאה יורד אצל תלמידים עם שחיקה גבוהה61. מדידות מעקב עיניים מצביעות על כך שלומדי הזדקנות מילולית מראים גם זמני קיבוע מופחדים על אובייקטים לקסיקליים חדשים במהלך קריאת62, מה שמרמז על ירידה בריכוז המנטלי של רקעים עשירים באוצר מילים. זה דומה לתיאוריית בקרת הקשב, שגורסת כי עייפות קוגניטיבית משפיעה על כישורי הפונקציות הניהוליות המעורבות בהבנה ובעיבוד לקסיקלי בו-זמני. ניתן לציין שתפקיד המתון של שחיקה דיגיטלית ניכר רק בהבדלים אישיים בוויסות עצמי ובעיצוב סביבות למידה63. עמידות להשפעות השליליות של שחיקה באה לידי ביטוי גם בלומדים עם אסטרטגיות מטה-קוגניטיביות בעלות ביצועים גבוהים, שכן הם שומרים על יתרון באוצר המילים גם כאשר הם מתמודדים עם לקשיי הבנה. בהתבסס על הספרות לעיל, מוצעות ההשערות הבאות:

H6: שחיקה דיגיטלית בלמידה משפיעה לרעה על רכישת אוצר מילים.

H7: שחיקה דיגיטלית בלמידה ממתנת לרעה את הקשר בין הבנת הנקרא לרכישת אוצר מילים, כך ששחיקה גבוהה מחלישה את ההשפעה החיובית של ההבנה על עליית אוצר המילים.

אפקט מתווך של פחד מהחמצה (FoMo)
הכנסת הבינה המלאכותית לחינוך הוסיפה מערכות פסיכולוגיות מורכבות שקובעות את תוצאות הבנת הנקרא64. הנתונים המתפתחים מצביעים על כך שהפחד מהחמצה (FoMO) הוא מתווך חיוני בקשר בין מעורבות הלומדים בטכנולוגיות בינה מלאכותית לבין הישגי הקריאה שלהם65. תפקידו של אפקט התיווך הזה בולט במיוחד בהקשרים שבהם כלי בינה מלאכותית קודמו כאמצעי ללמידה יעילה יותר, וכך יוצרים לחצים פסיכולוגיים שיכולים להפריע לחשיבה מסדר גבוה66. כדי להבטיח שחרדות בלמידה אוטונומית לא יתפתחו כאשר לומדים מבינים תלות לא רציונלית בסיוע בינה מלאכותית67, מחקרים עדכניים מתמקדים בקביעת האופן שבו רמות התלות הנתפסות בבינה מלאכותית משפיעות על התפתחות החרדה בנוגע ליכולות הלמידה האוטונומית68. חרדה זו הופכת ל-FoMO כאשר התלמידים חושבים על מה שהם לא מסוגלים לעשות לעומת תוצאות משודרגות בינה מלאכותית69, ומראים נטייה להזיז משאבים קוגניטיביים הרחק משלבים של הבנה עמוקה.

סוגיות אתיות הקשורות ליישום AI תואמות את מסלולי FoMO, וכן הלומדים המתמודדים עם קונפליקטים מוסריים עקב השימוש בבינה מלאכותית מגלים ערנות מוגברת לפעולות חבריהם, מה שמסייע ליצור הפרדות קשב בין אתיקה להבנת הנקרא70. זה משתקף במחקרי מעקב עיניים שבהם הקורא מבצע תנועות עיניים רגרסיביות יותר בקריאת65. אפקט התיווך בולט במיוחד כאשר הסוגיות האתיות לא הובארו, ומשאיר נטל קוגניטיבי מתמשך שמשפיע על קריאה71. כלי בינה מלאכותית גנרטיבית יוצרים סוגים חדשים של מדיטציה עם היכולת ליצור פלטים כמעט ברגע. בהתבסס על הספרות לעיל, מוצעות ההשערות הבאות:

H8: פחד מהחמצה (FoMO) מתווך את הקשר בין תלות נתפסת בבינה מלאכותית לבין הבנת הנקרא

H9: פחד מהחמצה (FoMO) מתווך את הקשר בין חששות אתיים נתפסים של בינה מלאכותית לבין הבנת הנקרא

H10: פחד מהחמצה (FoMO) מתווך את הקשר בין שימוש בבינה מלאכותית גנרטיבית להבנת הנקרא

מסגרת תיאורטית
מחקר זה מונחה בעיקר על ידי תיאוריית ההגדרה העצמית (SDT)12, שמספקת מסגרת מגובשת להבנת האופן שבו כלי הבינה המלאכותית משפיעים על הצרכים הפסיכולוגיים הבסיסיים שמאחורי המוטיבציה והמעורבות הקוגניטיבית של הלומדים. לפי המודל, תלות נתפסת בבינה מלאכותית מסכנת ישירות את הצרכים הראשוניים של SDT – אוטונומיה ומיומנות, ועלולה לערער את המוטיבציה הפנימית ללמוד את השפה על ידי פיתוח תלות מופרזת בוויסות חיצוני להשגת מטרות כמו הבנת הנקרא ורכישת אוצר מילים. בהקשר זה, הפחד מהחמצה (FoMO) מובן במסגרת הקרבה, המתוארת על ידי תיאוריית ההשוואה החברתית המשנית72. הנורמה החברתית שהתפתחה בקרב בני גילם בעקבות השימוש הנרחב בבינה מלאכותית גורמת למצב FoMO, שמוביל לחרדה מהחמצה, מה שמגביר את התלות ומוריד את המוטיבציה ללמוד באופן עצמאי עוד יותר.

דינמיקה מוטיבציונית זו מוסברת על ידי התוצאות הקוגניטיביות כפי שתוארו בתיאוריית העומס הקוגניטיבי (CLT)73. למרות שבינה מלאכותית גנרטיבית יכולה לשפר את הלמידה על ידי מזעור העומס הקוגניטיבי המיותר (למשל, באמצעות הגדרה מיידית), הסתמכות מופרזת על כך עלולה להזיק לרכישת אוצר מילים, על ידי הפחתת העומס הקוגניטיבי הנדרש לקידוד הלקסיקון לעומק ואחסון בזיכרון לטווח ארוך. מצב זה מחמיר עוד יותר על ידי מצב השחיקה הדיגיטלית, שמהווה ניקוז של המשאבים הקוגניטיביים שמערערים את הקשר בין הבנה ללמידה. בתורו, SDT מציע את ההסבר הכללי של מסלולי המוטיבציה, CLT מפרט את התהליכים הקוגניטיביים הנובעים מכאן ותאוריית ההשוואה החברתית מתארת את הגירוי החברתי-רגשי (FoMO), שמשתלבים בהסבר מורכב להשפעה הדואלית של AI על למידת השפה.

עיצוב מחקר
מחקר זה מאמץ עיצוב מחקר אמפירי כמותי כדי לבחון את הקשרים בין גורמים הקשורים לבינה מלאכותית (תלות נתפסת, חששות אתיים, שימוש גנרטיבי בבינה מלאכותית), פחד מהחמצה (FoMO), שחיקה דיגיטלית ותוצאות למידת שפה (הבנת הנקרא ורכישת אוצר מילים). נעשה שימוש בגישה מבוססת סקר חתך, המאפשרת איסוף נתונים בנקודת זמן אחת להערכת קורלציות והשפעות תיווך/מתיון. העיצוב מתאים במיוחד לבדיקת המודל התיאורטי המוצע, שכן הוא מאפשר שימוש במודל משוואות מבניות (SEM) לניתוח יחסים מורכבים בין מבנים סמויים.

אוכלוסייה ודגימה
אוכלוסיית היעד מורכבת מלומדי אנגלית אנגלית באוניברסיטאות סיניות, הקשר שבו כלי לימוד שפה בסיוע בינה מלאכותית משתלבים יותר ויותר בתכניות הלימודים. טכניקת דגימה נוחה שימשה לגיוס 465 משתתפים, כאשר גודל המדגם נקבע באמצעות ניתוח עוצמה מראש באמצעות G*Power 3.174. לניתוחי רגרסיה מרובים מתוכננים (α = 0.05, הספק = 0.95, גודל אפקט בינוני f² = 0.15), הניתוח הצביע על גודל מדגם מינימלי נדרש של 166 משתתפים, מה שמאשר שהמדגם שלנו של 465 מספק עוצמה סטטיסטית מספקת. גודל המדגם גם מספק לביצוע ניתוח SEM, והוא עומד בדרישת PLS-SEM, שמצביעה על כך שמספר נקודות הדגימה המינימלי צריך להיות פי 10 ממספר המסלולים המבניים המקסימלי למבנה במודל75. המדגמים יגויסו באמצעות יחידות מדגם של מספר אוניברסיטאות באזורים גאוגרפיים שונים בסין כדי להשיג תוצאות גבוהות בהיבט ההכללה. לעומת זאת, המשתנים הדמוגרפיים (גיל המבקש, מין, רמת השליטה באנגלית ותדירות השימוש בכלי בינה מלאכותית) יירשמו וישמשו כרכיבי ביקורת במחקרים עתידיים.

כדי להבטיח את שלמות הממצאים האנליטית, יושמו אמצעי בקרת איכות רבים לאורך תהליך איסוף והכנת הנתונים. התפלגות הסקר הראשונית הניבה שיעור תגובה של 87%. לאחר איסוף הנתונים, יושמו נהלי סינון קפדניים: סקרים לא שלמים עם יותר מ-10% נתונים חסרים הוצאו ברשימה, וכל ערכים חסרים ספורדיים ברמת הפריט טופלו באמצעות אלגוריתם ההערכה Expectation-Maximisation ב-SPSS כדי לשמור על עוצמה סטטיסטית תוך מזעור הטיה. בנוסף, שאלות בדיקת קשב מוטמעות, זיהו והקלו על הסרת משיבים לא קשובים. פרוצדורות מקיפות אלו, בשילוב עם סינון אחר חריגים רב-משתניים, הבטיחו שמאגר הנתונים האנליטי הסופי (N=450) יעמוד בסטנדרטים גבוהים של אמינות למידול משוואות מבני מאוחר יותר.

הליך איסוף נתונים
הנתונים נאספו בגישה מעורבת, תוך שימוש בשיטות מקוונות ובאתר למקסום ההשתתפות והנגישות. צוות המחקר שיתף פעולה עם מרצים באוניברסיטאות המיועדות, שהפיצו את קישור הסקר הייחודי ישירות לסטודנטים דרך קבוצות כיתה רשמיות ב-WeChat. שיטה זו ניצלה ערוצים מהימנים לשיפור שיעורי התגובה. לאיסוף נתונים במקום, החוקר הראשי והעוזרים המוכשרים ביקרו בכיתות המיועדות במהלך המפגשים המתוכננים. לאחר הקדמה קצרה למחקר, הם חילקו את חבילות הסקר המבוססות על נייר. ההליך לקבלת הסכמה מדעת הותאם לכל מצב. בגרסה המקוונת, המשתתפים קיבלו טופס הסכמה דיגיטלי בעמוד הראשון. הם נדרשו לבחור "קראתי והבנתי את המידע לעיל, ואני מסכים מרצוני להשתתף" לפני הפעלת פריטי השאלון. למשתתפים במקום, צורף דף מידע מפורט לחבילת הסקר, והסכמה בכתב התקבלה על ידי כך שהמשתתפים חתמו על טופס הסכמה פיזית לפני קבלת השאלון. השאלון המלא תוכנן להיות מושלם תוך 15-20 דקות כדי למזער עייפות המשיבים. כדי להבטיח את איכות הנתונים, שולבו בסקר שני פריטי בדיקת קשב ("אנא בחרו 'מתנגדים בתוקף' להצהרה זו") בסקר. הגשות לא שלמות עם יותר מ-10% נתונים חסרים ואלו שנכשלו בבדיקות הקשב סומנו אוטומטית על ידי המערכת ולאחר מכן הוצאו. תקופת איסוף הנתונים נמשכה ארבעה שבועות, שבמהלכם נשלחו שתי הודעות תזכורת דרך ערוצי ההפצה הראשוניים. לאחר האיסוף, מערך הנתונים עבר תהליך ניקוי קפדני, שכלל בדיקות לערכים חסרים, חריגים חד-משתניים ורב-משתניים, והפרות הנחות נורמליות, לפני ניתוח סטטיסטי.

מדידות והתאמת קנה מידה

תלות נתפסת בבינה מלאכותית
התלות הנתפסת בבינה מלאכותית נמדדה באמצעות סולם בן 5 פריטים שהותאם ממוראלס-גרסיה ואחרים. הסולם מודד עד כמה אנשים תלויים בבינה מלאכותית בפעילויות היומיומיות שלהם ובתהליך קבלת ההחלטות. הפריטים משקפים מספר היבטים של תלות, כולל הצורך הנתפס בשימוש בכלי בינה מלאכותית כדי להיות יעיל וחוסר היכולת לעבוד ללא תמיכת בינה מלאכותית.

חששות אתיים נתפסים של בינה מלאכותית
הדאגות האתיות הוערכו באמצעות סולם רב-ממדי שפותח על ידי קים וקו77. כדי לחזק את התוקף והרלוונטיות עבור אוכלוסיית אנגלית אנגלית, ארבעת הממדים של הסולם הוצבו בהקשר הספציפי של למידת שפה מונחית בינה מלאכותית. סולם זה מורכב מארבעה ממדים קריטיים: שקיפות (8 פריטים), הוגנות (5 פריטים), בטיחות (5 פריטים) ואחריות (8 פריטים). כל ממד מעריך אתגרים אתיים שונים, כגון בהירות תהליכי קבלת החלטות ב-AI, הטיות באלגוריתמים, סיכונים הקשורים לשימוש ב-AI ואחריות בפריסת AI. הפעולה הממוקדת הזו מבטיחה שהפריטים יתיישרו ישירות לדילמות האתיות שלומדי EFL צפויים להיתקל בהן.

שימוש בבינה מלאכותית גנרטיבית
השימוש בבינה מלאכותית גנרטיבית הופעל באמצעות סולם של 8 פריטים מאת Abbas ואחרים. קנה מידה זה מודד את רמת וסדירות השימוש במודלים של בינה מלאכותית גנרטיבית, כולל מכשירי יצירת טקסט ותמונה. המוצרים בוחנים יישומים שונים, כגון יישומים אקדמיים, מקצועיים ואישיים, ועוזרים להבין כיצד אנשים משלבים אותם בחייהם ומשתמשים בהם. גישה מקיפה זו מאפשרת לנו ללכוד את האינטגרציה ההוליסטית של בינה מלאכותית גנרטיבית באקוסיסטם של הלומדים, שהיא דרישה מוקדמת להבנת ההשפעות הפסיכולוגיות והקוגניטיביות הרחבות יותר שלה.

פחד להחמיץ (FoMO)
הפחד מהחמצה נמדדה באמצעות סולם של 17 פריטים על ידי מזלום ואטליי79. סולם זה נבחר בשל הערכתו המורכבת של החרדה שבני גילם חווים חוויות מתגמלות שבהן נעדרים. הוא מתאים במיוחד למחקר זה, שכן הוא לוכד אלמנטים הרלוונטיים מאוד לסביבות למידה מתווכות דיגיטלית, כולל הצורך הכפייתי להישאר מחוברים באינטרנט והפחד להחמיץ אסטרטגיות למידה מתקדמות, משאבים או התקדמות עמיתים המתאפשרת על ידי בינה מלאכותית, ובכך מקשר ישירות את השימוש בבינה מלאכותית לחרדה פסיכוסוציאלית.

הבנת הנקרא
הבנת הנקרא נמדדה באמצעות אסטרטגיות קריאה שהותאמו ממוחטארי ואח' 80, הכוללות שלושה ממדים: אסטרטגיות קריאה גלובליות 5 פריטים, אסטרטגיות פתרון בעיות 5 פריטים, ואסטרטגיות קריאה תומכות 5 פריטים. סולם זה מעריך כיצד אנשים ניגשים ומבינים את החומר הכתוב, תוך התמקדות ביכולתם לסנתז מידע, לפתור קשיים בהבנה ולהשתמש בעזרים חיצוניים לשיפור ההבנה.

שחיקה דיגיטלית בלמידה
שחיקה דיגיטלית בלמידה נמדדה באמצעות סולם מותאם מארטן ואוזדמיר81, הכולל שלושה ממדים: הזדקנות דיגיטלית (12 פריטים), מחסור דיגיטלי (6 פריטים) ועייפות רגשית (6 פריטים). סולם זה מעריך את ההשפעות הפסיכולוגיות השליליות של מעורבות דיגיטלית ממושכת, כולל עייפות מזמן מסך מופרז, תחושות ניתוק ועייפות נפשית עקב דרישות למידה מקוונת.

רכישת אוצר מילים
רכישת אוצר המילים הוערכה באמצעות סולם של 4 פריטים של Li ואחרים. הסולם משמש למדידת יעילות אסטרטגיות למידת אוצר מילים באופן שבו אנשים מאמצים, זוכרים ומשתמשים במילים חדשות בהקשרים שונים. החומר מעריך את היכולת והביטחון העצמי המדווחים בשימוש באוצר מילים.

תוכנית ניתוח נתונים
המחקר מאמץ אסטרטגיה אנליטית מקיפה דו-שלבית לבחינת הקשרים המשוערים לעומק. סקר נתונים ראשוני וניתוחים ראשוניים מתבצעים באמצעות SPSS 28, תוך התמקדות בסטטיסטיקה תיאורית להערכת התפלגות הנתונים, ניתוחי אמינות בקנה מידה (אלפא של קרונבך), וקורלציות דו-משתניות לבחינת קשרים ראשוניים בין מבנים מרכזיים. כל הפריטים בקנה מידה לייקרט קודדו בסולם של 5 נקודות (1=מתנגדים נחרצות ל-5=מסכים בחום). ניתוח יסודי זה מבטיח איכות נתונים ומספק תובנות חיוניות לגבי המאפיינים הבסיסיים של מערך הנתונים לפני המעבר למידול מורכב יותר. לניתוח הראשוני, SmartPLS 4 משמש ליישום מידול משוואות מבניות בריבועים חלקיים (PLS-SEM), שנבחר בשל הטיפול החזק שלו במודלים חיזויים מורכבים הכוללים משתנים חבויים83. הניתוח מתחיל בהערכה מעמיקה של מודל המדידה, כאשר ניתוח גורמים מאשר קובע את התכונות הפסיכומטריות של הסולמות. ההערכות המרכזיות כוללות בדיקות עקביות פנימית (אמינות מורכבת), תוקף מתכנס (שונות ממוצעת שהופקה), ותוקף מבחין (קריטריון פורנל-לקרקר ויחס הטרוטראט-מונוטרייטי). צעדים אלו מבטיחים שהמבנים יהיו תאורטית תקפים ושונים אמפירית.

לאחר מכן, המודל המבני נבדק כדי לבדוק את הקשרים ההיפותטיים בין המבנים. מקדמי המסלול מנותחים לפי גודלם, כיוונם והמשמעות הסטטיסטית שלהם, בעוד שגדלי ההשפעה (f²) מחושבים להערכת השפעה מהותית. הרלוונטיות החיזוי של המודל מוערכת באמצעות סטטיסטיקת Stone-Geisser Q², עם נהלי כיסוי עיניים לאימות יכולת המודל לחזות משתנים אנדוגניים. לניתוחי תיווך, המחקר משתמש בשיטת ה-Bootstrapping של Preacher ו-Hayes84, המספקת מרווחי ביטחון חזקים להשפעות עקיפות תוך שליטה על משתנים מבלבלים פוטנציאליים. השפעות המתינות נבדקות באמצעות מונחי אינטראקציה שנוצרים בשיטת מדד המוצר PLS, עם ניתוח שיפוע פשוט לפרשנות השפעות אינטראקציה משמעותיות. כל הניתוחים משתמשים ב-5,000 דגימות בוטסטרפ ליצירת הערכות יציבות ולהבטיח את עמידות הממצאים.

לניתוח הראשוני, SmartPLS 4 משמש ליישום מידול משוואות מבניות בריבועים חלקיים (PLS-SEM), שנבחר בשל הטיפול החזק שלו במודלים חיזויים מורכבים הכוללים משתנים חבויים83. הבחירה ב-PLS-SEM על פני SEM (CB-SEM) מבוסס קו-וריאנטיות מוצדקת על ידי המטרה העיקרית של המחקר לחיזוי משתנים אנדוגניים (רכישת אוצר מילים) והמודל המורכב הכולל מנגנוני תיווך ומתן85. יתרה מזאת, PLS-SEM מועדף על פני רגרסיה מרובה, שכן הוא מעריך בו-זמנית את הקשרים בין כל המבנים החבויים בתוך כל המודל, תוך התחשבות בטעות מדידה. בעוד שעיצובים ניסיוניים מציעים הסקה סיבתית חזקה, אופיו החתך של מחקר זה שואף לקבוע קשרים חיזויים בהקשר למידה בעולם האמיתי, עבורו PLS-SEM מתאים היטב86. לבסוף, מחקר זה מוקדם לניתוח הנתונים וממצאי המחקר ניתן לראות בסעיף התוצאות למטה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

סטטיסטיקה תיאורית
הסטטיסטיקות התיאוריות מציעות סקירה של המשתנים החשובים במחקר זה, כלומר, תלות נתפסת בבינה מלאכותית, חששות אתיים, ושימוש בבינה מלאכותית גנרטיבי, פחד מהחמצה (FoMO), הבנת הנקרא, שחיקה דיגיטלית ורכישת אוצר מילים. הניתוח יראה נטיות מרכזיות, פיזור ומאפיינים חלוקתיים של הנתונים, ויספק הבנה של העניין של המשתתפים בטכנולוגיות בינה מלאכותית והתוצאות הפסיכולוגיות וההסבקה שלהן. נורמליות ושונות בין מבנים נמדדו באמצעות מדדים כמו ממוצע, סטיית תקן, סטייה וקורטוזיס. הממצאים חושפים רמות שונות של שילוב בי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחקר הנוכחי בחן את האינטראקציה המורכבת בין גורמים הקשורים לבינה מלאכותית, מצבים פסיכולוגיים ותוצאות למידה בקרב לומדי EFL, והניב מספר ממצאים מרכזיים. הגישה המתודולוגית שלנו, ובמיוחד השימוש ב-PLS-SEM, הייתה קריטית למידול הקשרים המורכבים הללו. בניגוד ל-SEM (CB-SEM) מבוסס קווריאנטיות, שמתאים יותר לאישור תיאוריה, הכיוון החיזוי של PLS-SEM ויכולתו להתמודד עם מודלים מורכבים עם משתנים מתווכים וממתנים הפכו אותו לבחירה האופטימלית למחקר חקרניזה 85. שלב מתודולוגי מרכזי שחיזק ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כל המחברים מצהירים שאין ניגוד עניינים.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה ממומן על ידי קרן מדעי החברה של מחוז ג'יאנגסו, מענק מס' (23YYB011). עבודה זו נתמכה על ידי אוניברסיטת הנסיך סולטן במסגרת מעבדת מחקר השפה והתקשורת במסגרת מענק RL-CH-2019/9/1.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מחשב ניידדל טכנולוגיותלא זמיןמשמש לעיבוד נתונים ותיעוד
תוכנה סטטיסטית (SPSS)חברת IBMגרסה 26.0משמש לניתוח סטטיסטי
מיקרוסופט אקסלמיקרוסופטמשרד 365הזנת נתונים וטיפול בסיסי בנתונים

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chen, Y. H. Exploring the influence of generative artificial intelligence anxiety on problematic ChatGPT use: The fear of missing out and personality traits. Univ Access Inf Soc. 24, 2477-2490 (2025).
  2. Lap, T. Q., Vy, P. N. T., Uyen, N. C. B., Tuan, L. C. 34;Fear of missing out!": Veteran EFL teachers' perceptions of using AI-powered tools in English language teaching. Int J Inf Educ Technol. 15 (6), 1161-1171 (2025).
  3. Khamis, N. Y. H., Yusof, N. Artificial intelligence revolutionising writing assessments. Int J Lang Educ Appl Linguist. 14 (2), 1-6 (2024).
  4. Ng, P. M., Chan, J. K., Kwong, R., Kwok, M. L. J., Lau, M. M., et al. Bonus or burden? Exploring the interplay of FOMO and attitudes on DeepSeek adoption, managing information and firm performance in China. J Enterp Inf Manag. , https://profile.cpce-polyu.edu.hk/en/publications/bonus-or-burden-exploring-the-interplay-of-fomo-and-attitudes-on--3/ (2025).
  5. Yang, X., Song, B., Chen, L., Ho, S. S., Sun, J. Technological optimism surpasses fear of missing out: A multigroup analysis of presumed media influence on generative AI technology adoption across varying levels of technological optimism. Comput Human Behav. 162, 108466(2025).
  6. Lee, B. G. Understanding the digital and AI transformation. , Springer Nature. Singapore. (2024).
  7. Mathur, S., Shah, C. S., Vishnoi, S. K., Tewari, A. ChatGPT and me: A dual factor examination. J Comput Inf Syst. , (2025).
  8. Caporusso, N. Generative artificial intelligence and the emergence of creative displacement anxiety. Res Psychol Behav. , (2023).
  9. Abd Ellatif Elsayed, H. Fear of missing out and its impact: Exploring relationships with social media use, psychological well-being, and academic performance among university students. Front Psychol. 16, 1582572(2025).
  10. Yankouskaya, A., Liebherr, M., Ali, R. Can ChatGPT be addictive? A call to examine the shift from support to dependence in AI conversational large language models. Hum Cent Intell Syst. 5, 77-89 (2025).
  11. Montag, C., Yang, H., Wu, A. M., Ali, R., Elhai, J. D. The role of artificial intelligence in general, and large language models specifically, for understanding addictive behaviors. Ann N Y Acad Sci. 1548 (1), 5-11 (2025).
  12. Deci, E. L., Ryan, R. M. The general causality orientations scale: Self-determination in personality. J Res Pers. 19 (2), 109-134 (1985).
  13. Festinger, L. A theory of social comparison processes. Hum Relat. 7 (2), 117-140 (1954).
  14. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  15. Ryan, R. M., Deci, E. L. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Educ Psychol. 61, 101860(2020).
  16. Wu, D., Zhao, Y. C., Wang, X., Song, S., Lian, J. Digital hoarding in everyday hedonic social media use: The roles of fear of missing out (FoMO) and social media affordances. Int J Hum Comput Interact. 40 (18), 5399-5414 (2024).
  17. Venkatesh, V. Determinants of perceived ease of use: Integrating control, intrinsic motivation, and emotion into the technology acceptance model. Inf Syst Res. 11 (4), 342-365 (2000).
  18. Liu, J. When usefulness fuels fear: The paradox of generative AI dependence and the mitigating role of AI literacy. Int J Hum Comput Interact. , (2025).
  19. Shukla, A., Jirli, P. Ethical and social consequences of accelerated technology adoption. Augmenting retail reality, Part A: Blockchain, AR, VR, and the Internet of Things. , Emerald Publishing Limited. (2024).
  20. Owen, A., Graham, M. Ethical considerations in artificial intelligence and the growing dependence on data: Challenges, implications, and future perspectives. , (2024).
  21. Wang, Y. Emotional dependence path of artificial intelligence chatbot based on structural equation modeling. Procedia Comput Sci. 247, 1089-1094 (2024).
  22. Erdmann, M., Lassleben, L., Wagner, L., Prinzing, C., Sauer, S., et al. Effects of increased usage of artificial intelligence (AI) technology on user's perception of dependency on chatbots and smart home systems. In Int Conf Hum Comput Interact. , 178-195 (2025).
  23. Zhang, X., Hu, J., Zhou, Y. The role of perceived utility and ethical concerns in the adoption of AI-based data analysis tools: A multi-group structural equation model analysis among academic researchers. Educ Inf Technol. 30 (13), 18819-19188 (2025).
  24. Uppal, K., Hajian, S. Students' perceptions of ChatGPT in higher education: A study of academic enhancement, procrastination, and ethical concerns. Eur J Educ Res. 14 (1), 199-211 (2025).
  25. Putri, K. Y., Naf'ihima, F. A. R. Pre-service teacher' perceptions of generative AI: Dependency, effect, and ethics. Educ Linguist Knowl J. 7 (1), 1-21 (2025).
  26. Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., Morales-García, M. Development and validation of a scale for dependence on artificial intelligence in university students. Front Educ. 9, 1323898(2024).
  27. Khoso, A. K., Honggang, W., Darazi, M. A. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chinese EFL students' language learning experience. Comput Hum Behav Rep. 18, 100627(2025).
  28. Amin, M. Y. M. AI and Chat GPT in language teaching: Enhancing EFL classroom support and transforming assessment techniques. Int J High Educ Pedagog. 4 (4), 1-15 (2023).
  29. Murphy, R. S., Wotley, D., Minn, D. Integrating ChatGPT into the EFL classroom: Benefits and challenges. Bull Cent Fundam Educ. 40, 97-166 (2023).
  30. Ahmed, M. A. ChatGPT and the EFL classroom: Supplement or substitute in Saudi Arabia's eastern region. Inf Sci Lett. 12 (7), 2727-2734 (2023).
  31. Long, H. S. Exploring the use of ChatGPT as a tool for written corrective feedback in an EFL classroom. J Asia TEFL. 21 (2), 397-412 (2024).
  32. Ferhataj, A., Memaj, F., Sahatcija, R., Ora, A., Koka, E. Ethical concerns in AI development: Analyzing students' perspectives on robotics and society. J Inf Commun Ethics Soc. 23 (2), 165-187 (2025).
  33. Zaiarna, I., Zhyhadlo, O., Dunaievska, O. ChatGPT in foreign language teaching and assessment: Exploring EFL instructors' experience. Inf Technol Learn Tools. 4 (102), 176-191 (2024).
  34. Mali, Y. C. G. Exploring the use of ChatGPT in EFL/ESL writing classrooms: A systematic review. J Lang Educ. 11 (2), 137-156 (2025).
  35. Bin-Hady, W. R. A., Ali, J. K. M., Al-Humari, M. A. The effect of ChatGPT on EFL students' social and emotional learning. J Res Innov Teach Learn. 17 (2), 243-255 (2024).
  36. Kavak, V. İ, Evis, D., Ekinci, A. The use of ChatGPT in language education. Exp Appl Med Sci. 5 (2), 72-82 (2024).
  37. Li, J., Ren, X., Jiang, X., Chen, C. H. Exploring the use of ChatGPT in Chinese language classrooms. Int J Chin Lang Teach. 4 (3), 36-55 (2024).
  38. Dilzhan, B. Teaching English and artificial intelligence: EFL teachers' perceptions and use of ChatGPT. [Dissertation]. , SDU University. (2023).
  39. Hong, W., Liu, R. D., Ding, Y., Yang, X., Yang, Y., Lin, J. The myth of parental fear of missing out on their children's schooling in China: A tentative study to explore its effect on children's learning engagement. Educ Psychol. 45 (9), 1-20 (2025).
  40. Gezgin, D. M., Efeoğlu, E. Using explainable artificial intelligence to predict internet addiction in Turkish university students. Int J Hum Comput Interact. , (2025).
  41. Al-Furaih, S. A., Al-Awidi, H. M. Fear of missing out (FoMO) among undergraduate students in relation to attention distraction and learning disengagement in lectures. Educ Inf Technol. 26 (2), 2355-2373 (2021).
  42. Sweller, J. Cognitive load theory and educational technology. Educ Technol Res Dev. 68 (1), 1-16 (2020).
  43. Engle, R. W. Working memory and executive attention: A revisit. Perspect Psychol Sci. 13 (2), 190-193 (2018).
  44. Pekrun, R. Inquiry on emotions in higher education: Progress and open problems. Stud High Educ. 44 (10), 1806-1811 (2019).
  45. Santi, E., Kholipa, R., Putri, M. G. Reading interest strength and vocabulary acquisition of EFL learners: A meta-analysis. J Lang Linguist Stud. 17 (3), 1225-1242 (2021).
  46. Chang, A. C., Renandya, W. A. The effect of narrow reading on L2 learners' vocabulary acquisition. RELC J. 52 (3), 493-508 (2021).
  47. Lin, Z., Chen, H. Investigating the capability of ChatGPT for generating multiple-choice reading comprehension items. Syst. 123, 103344(2024).
  48. Shane-Simpson, C., Bakken, T. Students' fear of missing out predicts in-class social media use. Teach Psychol. 51 (2), 141-150 (2024).
  49. Tong, X., Yu, L., Deacon, S. H. A meta-analysis of the relation between syntactic skills and reading comprehension: A cross-linguistic and developmental investigation. Rev Educ Res. 95 (3), 385-426 (2025).
  50. Arini, A., Hudha, M. C. Analyzing the effect of FoMO on students' learning motivation in Islamic religious education. Southeast Asian J Islam Educ. 8 (1), 125-138 (2025).
  51. Mohamed, A. A. A. E. F. Fear of missing out disorder of social networking sites (FoMO) towards blinds and mechanisms of combating it in the framework of technological literacy. Egypt J Public Opin Res. 21 (1), 67-130 (2022).
  52. Chen, C., Shen, Y., Xiao, F., Ni, J., Zhu, Y. The effect of smartphone dependence on learning burnout among undergraduates: The mediating effect of academic adaptability and the moderating effect of self-efficacy. Front Psychiatry. 14, 1155544(2023).
  53. Ye, X., et al. Effect of fear of missing out on learning burnout in medical students: A moderated mediation. Front Psychiatry. 14, 1289906(2023).
  54. Yang, X., Du, J. The effect of teacher self-efficacy, online pedagogical and content knowledge, and emotion regulation on teacher digital burnout: A mediation model. BMC Psychol. 12 (1), 51(2024).
  55. Qin, Y., Liu, S. J., Xu, X. L. The causalities between learning burnout and internet addiction risk: A moderated-mediation model. Soc Psychol Educ. 26 (5), 1455-1477 (2023).
  56. Li, H. I cannot miss it for the world: The relationship between fear of missing out (FoMO) and acceptance of ChatGPT. Basic Appl Soc Psych. 46 (5), 285-294 (2024).
  57. Saboor, A., Ali, K., Mugheri, A., Fatima, M. The impact of digital transformation on educational leadership: Assessing digital burnout and mental health in virtual teaching. Rev Appl Manag Soc Sci. 7 (4), 391-408 (2024).
  58. Kuadey, N. A. m, et al. Using machine learning algorithms to examine the impact of technostress creators on student learning burnout and perceived academic performance. Int J Inf Technol. 16 (4), 2467-2482 (2024).
  59. Al-Enezi, F. K. The mediating role of academic resilience between digital overload and school burnout among high school students in Kuwait. Educ Process Int J. 17, e2025341(2025).
  60. Basri, S., Hawaldar, I. T., Nayak, R., Rahiman, H. U. Do academic stress, burnout and problematic internet use affect perceived learning? Evidence from India during the COVID-19 pandemic. Sustainability. 14 (3), 1409(2022).
  61. Hussain, Z., Chenmei, C., Saeed, M., Hassan, N., Chiragh, F. Personality and teachers' burnout stress: Exploring the digital competence as personal job resource in allied health institutions. Front Psychol. 15, 1334371(2024).
  62. Zhang, P., Ma, S., Zhao, Y., Ling, J., Sun, Y. Analysing influencing factors and correlation paths of learning burnout among secondary vocational students in the context of social media: An integrated ISM-MICMAC approach. Heliyon. 10 (7), e28696(2024).
  63. Song, W., Wang, Z., Zhang, R. Classroom digital teaching and college students' academic burnout in the post COVID-19 era: A cross-sectional study. Int J Environ Res Public Health. 19 (20), 13403(2022).
  64. Dinh, T. C. T., Lee, Y. Social media influencers and followers' conspicuous consumption: The mediation of fear of missing out. Heliyon. 10 (16), (2024).
  65. Kovan, A., Yıldırım, M., Gülbahçe, A. The relationship between fear of missing out and social media addiction among Turkish Muslim students: A serial mediation model through self-control and responsibility. Soc Sci Humanit Open. 10, 101084(2024).
  66. Shi, G., Wu, Y., Pang, H., Liu, Z. The double-edged sword effect of leaders' fear of missing out on leaders' creativity: An experience sampling method study. Psychol Res Behav Manag. 17, 259-271 (2024).
  67. Batmaz, H., Çelik, E., Koçak, L., Tufan, B. N., Makas, S., et al. Fear of missing out mediated the relationship between social appearance anxiety and phubbing in Turkish adults. J Gambl Issues. 53, (2024).
  68. Budhathoki, T., Zirar, A., Njoya, E. T., Timsina, A. ChatGPT adoption and anxiety: A cross-country analysis utilising the unified theory of acceptance and use of technology (UTAUT). Stud High Educ. 49 (5), 831-846 (2024).
  69. Holte, A. J., Nixon, A., Cooper, J. Attachment anxiety mediates the relationship of need to belong and fear of missing out (FoMO). Discov Psychol. 4 (1), 141(2024).
  70. Liu, H., Li, T., Zheng, H., Li, Y., Fan, J. Exploring the relationship between students' language learning curiosity and academic achievement: The mediating role of foreign language anxiety. Behav Sci. 15 (8), 1133(2025).
  71. Jin, W., Li, P., Ma, H., Qin, M. The impact of communication software usage on work engagement in remote work: The mediating role of distraction and FoMO. Curr Psychol. 43 (27), 23156-23177 (2024).
  72. Festinger, L. A theory of social comparison processes. Hum Relat. 7 (2), 117-140 (1954).
  73. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  74. Faul, F., Erdfelder, E., Buchner, A., Lang, A. G. Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behav Res Methods. 41 (4), 1149-1160 (2009).
  75. Henseler, J., Hubona, G., Ray, P. A. Using PLS path modeling in new technology research: Updated guidelines. Ind Manag Data Syst. 116 (1), 2-20 (2016).
  76. Kim, D., Ko, Y. Development and validation of an ethical awareness scale for AI technology. J Digit Converg. 20 (1), 71-86 (2022).
  77. Abbas, M., Jam, F. A., Khan, T. I. Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. Int J Educ Technol High Educ. 21 (1), 10(2024).
  78. Mazlum, M., Atalay, A. Developing the fear of missing out (FoMO) scale for university students: The validity and reliability study. J Pedagog Res. 6 (4), (2022).
  79. Mokhtari, K., Dimitrov, D. M., Reichard, C. A. Revising the metacognitive awareness of reading strategies inventory (MARSI) and testing for factorial invariance. 8 (2), 219-246 (2018).
  80. Erten, P., Özdemir, O. The digital burnout scale. İnönü Univ J Fac Educ. 21 (2), 668-683 (2020).
  81. Li, R., Meng, Z., Tian, M., Zhang, Z., Xiao, W. Modelling Chinese EFL learners' flow experiences in digital game-based vocabulary learning: The roles of learner and contextual factors. Comput Assist Lang Learn. 34 (4), 483-505 (2021).
  82. Hair, J., Alamer, A. Partial least squares structural equation modeling (PLS-SEM) in second language and education research: Guidelines using an applied example. Res Methods Appl Linguist. 1 (3), 100027(2022).
  83. Preacher, K. J., Hayes, A. F. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behav Res Methods. 40 (3), 879-891 (2008).
  84. Hair, J. F., Risher, J. J., Sarstedt, M., Ringle, C. M. When to use and how to report the results of PLS-SEM. Eur Bus Rev. 31 (1), 2-24 (2019).
  85. Hair, J. F. Jr, Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., Ray, S. Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. , Springer Nature. (2021).
  86. Salah, M., Abdelfattah, F., Alhalbusi, H., Al Mukhaini, M. Me and my AI bot: Exploring the 'AIholic' phenomenon and university students' dependency on generative AI chatbots-Is this the new academic addiction. , (2023).
  87. Razali, K., Razali, I. Strategies in improving reading comprehension through vocabulary acquisition. Englisia J Lang Educ Humanit. 1 (1), 1-16 (2013).
  88. Noor, U., Younas, M., Saleh Aldayel, H., Menhas, R., Qingyu, X. Learning behavior, digital platforms for learning and its impact on university student’s motivations and knowledge development. Front. Psychol. , (2022).
  89. Nguyen Thi Thu, H. EFL teachers' perspectives toward the use of ChatGPT in writing classes: A case study at Van Lang University. Int J Lang Instr. 2 (3), 1-47 (2023).
  90. Ghafar, Z. N. ChatGPT: A new tool to improve teaching and evaluation of second and foreign languages. A review of ChatGPT: The future of education. Int J Appl Res Sustain Sci. 1 (2), 73-86 (2023).
  91. Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., Morales-García, M. Development and validation of a scale for dependence on artificial intelligence in university students. Front Educ. 9, 1323898(2024).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים