הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

כיצד רווחה דיגיטלית ובינה מלאכותית גנרטיבית משיגים הצלחה אקדמית של הסטודנטים ויעדי פיתוח בר-קיימא

742 צפיות

⸱

DOI:

10.3791/70211

⸱

27 בפברואר 2026

1Xuzhou Kindergarten Teachers College

במאמר זה

סיכום

מחקר זה מגלה כי רווחה דיגיטלית ובינה מלאכותית גנרטיבית משפרות את מעורבות הלמידה של אנגלית כשפה זרה, ומובילות לביצועים אקדמיים טובים יותר. הישגים גבוהים מגבירים את המודעות למטרות הפיתוח בר-קיימא, ומקשרים בין טכנולוגיות חינוכיות לתוצאות אקדמיות וקיימות כאחד.

תקציר

מחקר זה בוחן כיצד רווחה דיגיטלית ואימוץ בינה מלאכותית גנרטיבית תורמים להצלחתם האקדמית של תלמידי אנגלית כשפה זרה (EFL) ולמעורבתם ביעדי פיתוח בר קיימא (SDGs). באמצעות עיצוב חתך כמותי, נאספו נתונים מ-440 משתתפים באמצעות סולמות מאומתים שמדדו רווחה דיגיטלית, שימוש בבינה מלאכותית, מעורבות למידה, ביצועים אקדמיים ומודעות למטרות הפיתוח בר-קיימא. מודל משוואות מבניות בריבועים חלקיים (PLS-SEM) שימש לניתוח הקשרים בין מבנים אלו תוך הערכת תוקף החיזוי והחוסן של המודל. הממצאים מגלים כי גם רווחה דיגיטלית וגם בינה מלאכותית גנרטיבית משפרות משמעותית את המעורבות בלמידה של EFL, מה שמוביל להצלחה אקדמית. יתרה מזאת, ההישגים האקדמיים משפיעים לטובה על מודעות התלמידים למטרות הפיתוח בר-קיימא, ומדגישים את הקשר ההדדי בין חינוך דיגיטלי לתוצאות קיימות. המחקר מזהה את מעורבות הלמידה כמתווך קריטי בין למידה משודרגת בטכנולוגיה לבין ביצועים אקדמיים. תוצאות אלו מדגישות את החשיבות של שילוב אסטרטגיות רווחה דיגיטליות ואוריינות בינה מלאכותית במסגרות חינוכיות לקידום הישגים אקדמיים ואזרחות גלובלית. אלה מושגים על ידי עיצוב תוכניות לימוד ופדגוגיות שמלמדות בו זמנית את התלמידים לנהל את חייהם הדיגיטליים ללמידה אפקטיבית, ומציידות אותם לנצל ולבקר טכנולוגיות מתקדמות כדי להבין ולפעול על האתגרים הדחופים ביותר של העולם.

מבוא

בעידן שהתאפיין בהתקדמות טכנולוגית מהירה, שילוב הרווחה הדיגיטלית ובינה מלאכותית גנרטיבית (GAI) בחינוך הפך לכוח משנה חיים עם השלכות רחבות היקף על הישגי התלמידים ויעדי הפיתוח בר-קיימא של האומות המאוחדות (SDGs)1. בעוד שרווחה דיגיטלית מתמקדת בקידום שימוש בריא בטכנולוגיה לשיפור האיזון הקוגניטיבי והרגשי, GAI מציג הזדמנויות חסרות תקדים ללמידה מותאמתאישית 2, נגישות ויעילות חינוכית3. למרות זאת, למרות שיש קו עניין מתפתח בתחומים אלה ברחבי העולם, גוף הידע הקיים מפוזר, עם מעט דגש על ההבטחה העתידית בסינרגיה שלהם לפיתוח הצלחה אקדמית ולקידום אבני דרך עולמיותלקיימות 4. מחקר זה מסייע למלא את הפער הנחוץ הזה על ידי בחינת האופן שבו שימוש אחראי ב-GAI, כאשר הוא מבוסס על עקרונות רווחה דיגיטלית, יכול למקסם תוצאות למידה אך בו זמנית לתמוך ביעדי הפיתוח בר-קיימא המרכזיים, במיוחד SDG 4 (חינוך איכותי), SDG 3 (בריאות טובה ורווחה) ו-SDG 10 (הפחתת אי-שוויון).

סקירה של הספרות העכשווית חושפת מספר ממדים שלא נחקרו מספיק. ראשית, בעוד שמחקרים על רווחה דיגיטלית מדגישים את הסיכונים של זמן מסך מופרז, הסחות דעת דיגיטליות ודאגות נפשיות בקרב תלמידים5, מעטים בחנו כיצד פרקטיקות מיינדפולנס דיגיטליות מובנות יכולות להתקיים לצד כלי למידה מונעי בינה מלאכותית6. שנית, מחקר על GAI בחינוך מדגיש בעיקר את יעילותו באוטומציה של הערכות, יצירת תוכן ואפשרות למידה אדפטיבית7, אך מתעלם מהשפעותיה הפסיכולוגיות וההתנהגותיות על רווחת התלמידים8. שלישית, למרות שמסגרת יעדי הפיתוח בר-קיימא דוגלת בחינוך כוללני והוגן, הושם מעט מאוד תשומת לב לאופן שבו סביבות למידה משודרגות באמצעות בינה מלאכותית, כאשר הן מעוצבות לטובת רווחה, יכולות להפחית פערים חינוכיים ולקדם פרקטיקות למידה ברות קיימא. פערים אלו מדגישים את הצורך בגישה אינטגרטיבית המאזנת חדשנות טכנולוגית עם אסטרטגיות רווחה ממוקדות אדם.

מחקר זה מתמודד עם מגבלות אלו על ידי הצעת מסגרת חדשנית המתיישרת בין עקרונות הרווחה הדיגיטלית ליישומי GAI בחינוך. בניגוד למחקר קודם10, שניתח רעיונות אלו באופן עצמאי, המחקר שלנו בוחן את הדינמיקה שלהן ככזו, וכך מציג ראיות אמפיריות לאופן שבו ניתן ליישם בינה מלאכותית כזו מוסרית לתמוך, ולא לשחוק, את המיקוד של התלמידים, את המוטיבציה וההישגים האקדמיים לטווח הארוך. בדרך זו, כתב היד הנוכחי יוסיף לדיונים נוספים בתחומי טכנולוגיית החינוך, הפסיכולוגיה ומדעי הקיימות, ויספק גרסה עכשווית שתעניין מספר רב של קוראים, חוקרים, מקבלי החלטות ומחנכים המעוניינים למצוא גישות מבוססות ראיות לאיזון הנכון בין התמקדות בשילוב טכנולוגיות לבין קיימות קיימא. התפתחות הוליסטית של הלומדים והתלמידים.

התרומות התיאורטיות של מחקר זה הן בשלושה מחלקים. ראשית, הוא מקדם את השיח על רווחה דיגיטלית על ידי הצגת ממד חדש של רווחה מתווכת בינה מלאכותית, הבוחן כיצד ניתן לכייל בינה מלאכותית גנרטיבית כדי למזער עומס קוגניטיבי ולקדם מעורבות מודעת11. שנית, הוא בונה על הספרות הנוגעת לבינה מלאכותית בחינוך, כשהוא משלב שיקולים של רווחה כמאפיין עיצובי חיוני, ומערער את השיח הקיים המונע על ידי יעילות12. שלישית, הוא משפר את איכות מחקר יעדי הפיתוח בר קיימא בכך שהוא מראה כיצד מערכות חינוך מעודכנות באמצעות בינה מלאכותית יכולות להפוך למניעים לפיתוח בר קיימא, במיוחד בצמצום פערים דיגיטליים ובהבטחת עמידות מנטלית של הלומדים. החידושים הללו של התיאורטיקן ממקמים את המחקר שלנו בין האוונגרד של מחקרים בין-תחומיים, ומספקים פרספקטיבה על התלות ההדדית הנוכחית בין טכנולוגיה, חינוך וקיימות בקנה מידה עולמי. מבחינה אקדמית, המחקר מספק מסגרת הוליסטית כיצד ניתן להעריך את התוצאה הכפולה של GAI ורווחה דיגיטלית על תוצאות הלמידה באמצעות נתונים אמפיריים13. מבין מקבלי ההחלטות, הוא מציג להם המלצות מעשיות כיצד ניתן לשלוט בשימוש בבינה מלאכותית בחינוך בצורה אתית, תוך הגנה על בטיחות התלמידים14. למחנכים, הוא מראה שיטות מבוססות ראיות ליישום כלי הבינה המלאכותית שיכולות לתמוך, אך לא להפר, את יעילות הפדגוגיה15. בנוסף, הקשר בין תוצאות אלו ליעדי הפיתוח בר-קיימא נותן תמונה רחבה יותר של ההשלכות הכוללות של חינוך מתקדם טכנולוגית בחברה, ולכן יש לשים לב לפיתוח אנושי בר-קיימא.

הופעתם של טכנולוגיות דיגיטליות מתפשטות במהירות ובינה מלאכותית גנרטיבית (AI) בחינוך עוררה עניין אינטלקטואלי עצום בהשפעתם המשולבת על רמת ההישגים האקדמיים של הסטודנטים והשגת שלל מטרות חברתיות, כולל יעד הפיתוח בר קיימא16. למרות שלפיתוחים טכנולוגיים אלו יש פוטנציאל מהפכני, היישומים של טכנולוגיות אלו בסביבות הפדגוגיות הם תחום עשיר של קוטבים ולוגיסטיקה שנויה במחלוקת, שבו יש לסנתז באופן ביקורתי מחקרים קיימים כדי להגדיר את התובנות והמגבלות של המחקרים הקרובים17. סקירת הספרות הזו תסקור את התובנות של שלושה תחומים קשורים: (1) רווחה דיגיטלית והשלכותיה החינוכיות, (2) בינה מלאכותית גנרטיבית והשפעתה על הפרקטיקה החינוכית, ו-(3) התאימות של ההתערבויות הטכנולוגיות הנתונות ליעדי הפיתוח בר-קיימא, במיוחד אלו המתייחסים לחינוך איכותי, בריאות ושוויון. רווחה דיגיטלית הפכה לתחום מחקר קריטי בסביבות למידה שמתרחקות יותר ויותר בטכנולוגיה18. בעוד שמחקרים מדגישים סיכונים כמו עומס קוגניטיבי, הסחת דעת דיגיטלית וצריכה פסיבית הקשורים לשימוש יתר במסך, ישנה הכרה גוברת בפוטנציאל להפחיתאת ההשפעות הללו. התערבויות אסטרטגיות כמו מיינדפולנס דיגיטלי, שימוש מכוון בטכנולוגיה והרהור מטאקוגניטיבי יכולות לעודד מעורבות משמעותית ולהגן על הבריאות הנפשית והרגשית. חשוב לציין שהרווחה הדיגיטלית חורגת מעבר למזעור זמן המסך; זה כרוך בטיפוח מערכת יחסים מאוזנת ועצמאית עם טכנולוגיה20. פרספקטיבה זו רלוונטית במיוחד בהקשרים של למידה משופרת בינה מלאכותית, שבהם אתגרים אתיים כמו הטיה אלגוריתמית ותלות יתר באוטומציה יכולים להשפיע ישירות על תחושת המיומנות של התלמידים, אוטונומיה21, וקרבה – צרכים פסיכולוגיים מרכזיים החיוניים למוטיבציה ורווחה22. גידול הפער הזה דורש מסגרת שלא רק מתמודדת עם סיכוני האינטראקציה הדיגיטלית אלא גם משלבת באופן יזום עקרונות רווחה בעיצוב ושימוש בכלי בינה מלאכותית גנרטיבית בחינוך.

עם החידוש של בינה מלאכותית גנרטיבית, היוצרת טקסט, תמונות ומשחקים דמויי אדם שמגיבים לפעולות, נפתח עולם חדש של אפשרויות ללמידה מותאמת אישית ואדפטיבית23. מחקרים אישרו כי הוא יעיל באוטומציה של תהליכים מנהליים, יצירת משאבי למידה מותאמים אישית, מתן משוב בזמן אמת, ושיפור היעילות והנגישות של ההוראות24. לדוגמה, כלים מבוססי בינה מלאכותית כמו Intelligent Tutering Systems ו-ChatGPT הוכחו כמסייעים להוראה מובחנת25. עם זאת, קיימות גם השלכות אתיות ופסיכולוגיות של השימוש הפדגוגי בבינה מלאכותית גנרטיבית, כגון בעיית יושרה אקדמית, הטיה באלגוריתם, והאפשרות שסטודנטים יאבדו את יכולות החשיבה הביקורתית שלהם כאשר הם מסתמכים יותר מדי על עבודות שנוצרו על ידי בינה מלאכותית26. למרות שהמחקר הנוכחי מספק כמויות עצומות של מידע על יכולות התפקוד של בינה מלאכותית בחינוך, הוא מתעלם מבחינת ההשלכות הפסיכולוגיות וההתנהגותיות על תלמידים, במיוחד בכל הנוגע לרווחה דיגיטלית27. טעות זו מצביעה על הצורך בחינה מעמיקה יותר של הדרכים בהן בינה מלאכותית גנרטיבית יכולה לשמש לטובת רווחה קוגניטיבית ורגשית של תלמידים במקום לפגוע בהם. השילוב בין רווחה דיגיטלית לבינה מלאכותית גנרטיבית גם הוא מקבל חשיבות חדשה כאשר הוא מסונן דרך פריזמת יעדי הפיתוח בר-קיימא, שבאמצעותם העולם פיתח קריאה עולמית לפיתוח הוגן ובר-קיימא. מצידה, SDG 4 (חינוך איכותי) דורש גישה שוויונית ומכילה להזדמנויות למידה29. באופן דומה, SDG 3 (בריאות טובה ורווחה) ו-SDG 10 (הפחתת אי-שוויון) מדגישים את הצורך לדאוג לבריאות הנפש ולקדם שוויון חברתי, ששניהם קשורים לחוויות דיגיטליות של תלמידיםבני 30. עם זאת, בינה מלאכותית ויעדי הפיתוח בר-קיימא נדונים כיום בצורה טכנולוגית-פוזיטיביסטית, משבחים את יכולת ההרחבה של התערבויות בינה מלאכותית ומתעלמים מההיבטים הפסיכוסוציאליים של ניצול טכנולוגיה31. להמחשה, למרות שבינה מלאכותית יכולה להתאים אישית את חוויית הלמידה של אוכלוסיות מוחלשות, היישום שלה חסר הגנה על רווחה, מה שעלול להגדיל את העייפות הדיגיטלית ולהגדיל את פער האי-שוויון בין תלמידים בעלי גישה שונה לטכנולוגיה ויכולות ויסות עצמי. המתח בין חדשנות לרווחה מוסיף לכך שהפער הזה בספרות הוא חיוני, קיומה של מסגרת עקבית וקוהרנטית שמחברת התקדמות חינוכית מונעת בינה מלאכותית עם האידיאלים ההומניסטיים של יעדי הפיתוח בר-קיימא33.

פסיכולוגיה חינוכית, אינטראקציה בין אדם למחשב ולימודי קיימות מייצגים חלק מהגישות התיאורטיות שיכולות לספק עדשות שימושיות לגשר בין שני קווי המחקר השונים הללו. דוגמה לתיאוריה כזו היא תיאוריית ההגדרה העצמית (SDT), לפיה ניתן להשיג למידה ורווחה בריאה כאשר אנשים חווים סיפוק של אוטונומיה, מיומנות וקשר קשור34. כאשר מיישמים אותו בסביבות דיגיטליות, SDT מרמז שהבינה המלאכותית הגנרטיבית עשויה להגדיל הן את האוטונומיה באמצעות תוכניות למידה מותאמות אישית והן את המיומנות בשל גמישות המשוב, אך גם חייבת להיות מתוכננת לתמוך בקשריות על ידי חציגת עקירה חברתית35. באופן דומה, מושג האיזון הדיגיטלי, המצב שבו השימוש בטכנולוגיה מתאים הן לרווחה האישית והן לרווחה הקולקטיבית, מספק בסיס נורמטיבי להערכת תפקיד הבינה המלאכותית בחינוך36. עם זאת, מבנים תיאורטיים אלו לעיתים רחוקות שולבו בניתוח אמפירי של סביבות למידה מבוססות בינה מלאכותית, מה שמעלה שאלות לגבי האופן שבו ניתן להנדס מערכות בינה מלאכותית שמכוונות מטבען לרווחהדיגיטלית. סקירה ביקורתית של הספרות מראה שיש כמה מתחים לא פתורים ותחומים של פיתוח עתידי38. ראשית, למרות שנושא הרווחה הדיגיטלית מתמקד בחוכמה באיפוק ומודעות, בינה מלאכותית גנרטיבית היא סוגיית מעורבות והטמעה, שהפרדוקס שלה דורש פתרונות אמפיריים39. שנית, הדיון האתי סביב בינה מלאכותית בחינוך התבסס מאוד על פרטיות נתונים ושקיפות אלגוריתמית, מבלי להקדיש מחשבה רבה להשלכות הפסיכולוגיות של האינטראקציה עם AI40. שלישית, המיקוד בקיימות ושוויון שמספקים יעדי הפיתוח בר-קיימא אינו מתייחס באופן מקיף להיבטים הטכניים והפדגוגיים של יישום בפועל של הבינה המלאכותית. כדי להתגבר על מוגבלות זו, חשוב לחצות תחומים ולהשתמש בתובנות של מדעי הקוגניציה, כלכלה התנהגותית ומדיניות חינוכית כדי לגבש מסגרות שלא רק יציבות טכנולוגית אלא גם אנושיות. איור 1 מציג את המסגרת המושגית של המחקר הנוכחי, הכוללת את כל המשתנים ואת הקשר ביניהם למסלולים. במודל זה ניתן קשר היפותטי בין משתני מחקר במסגרת המושגית.

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

פרוטוקול

מחקר זה לא דרש אישור אתי פורמלי מוועדת ביקורת מוסדית (IRB) שכן הוא כלל סקרים אנונימיים ו/או ראיונות עם משתתפים שנתנו הסכמה מדעת. לא נאספו נתונים אישיים או רגישים, וכל התגובות טופלו בסודיות למטרות מחקר בלבד. ההשתתפות הייתה וולונטרית, והמשיבים קיבלו מידע על מטרות המחקר לפני שהביאו את דעתם.

המחקר השתמש בעיצוב כמותי וחתך כדי לחקור את הקשרים בין רווחה דיגיטלית, שימוש בבינה מלאכותית גנרטיבית ותוצאות אקדמיות בקרב תלמידי אנגלית כשפה זרה (EFL). הנתונים נאספו באמצעות סקר מקוון מאוכלוסייה מדוגמת מכוונת של 440 סטודנטים לתואר ראשון ב-EFL באוניברסיטאות סיניות שונות שהשתמשו באופן פעיל בכלי בינה מלאכותית גנרטיבית בלמידה. השאלון המובנה השתמש בסולמות מאומתים, כולל מדד בן 12 פריטים לרווחה דיגיטלית41, סולם של 8 פריטים לשימוש בבינה מלאכותית גנרטיבית, סולם הצלחה אקדמית נתפסתעצמית 42, ומדדים למודעות ומעורבות ללמידת מטרות הפיתוח בר-קיימא, כולם באמצעות תגובות ליקרט של 5 נקודות. ניתוח הנתונים התבצע לפי פרוטוקול דו-פאזי המשתמש ב-SPSS v.27 לבדיקות סטטיסטיקה תיאוריות ואמינות, וב-SmartPLS v.4.0 למידול משוואות מבניות חלקית של ריבועים מינימליים (PLS-SEM) להערכת מודלים של מדידה ומבניים, עם יישום בוטסטרפינג לבדיקת מובהקת המסלול.

עיצוב מחקר
עיצוב המחקר בו השתמשו במחקר זה הוא כמותי וחתך כדי לקבוע כיצד רווחה דיגיטלית, בינה מלאכותית גנרטיבית, הצלחה אקדמית של תלמידים ויעדי הפיתוח בר-קיימא קשורים זה לזה בקרב תלמידי EFL. עיצוב חתך מאפשר לחוקר לאסוף נתונים בנקודת זמן מסוימת ומספק תמונה של המשתנים הנחקרים. עיצוב המחקר הכמותי הופך את התוצאות למבוססות על מידע מדיד וניתן לניתוח סטטיסטי, כדי להפוך את התוצאות לאמינות ומוכללות יותר. תבנית זו רלוונטית במיוחד לניתוח ההשפעות הישירות והעקיפות של רווחה דיגיטלית ובינה מלאכותית גנרטיבית על הישגים אקדמיים ויעדי SDG, משום שהוא יאפשר שימוש בהליכים סטטיסטיים מתקדמים כמו מידול משוואות מבניות.

אוכלוסייה ודגימה
אוכלוסיית היעד למחקר זה כללה סטודנטים לתואר ראשון שנרשמו לתוכניות אנגלית כשפה זרה (EFL) במוסדות להשכלה גבוהה בסין. כדי להשתתף, הסטודנטים היו צריכים לעמוד בקריטריונים הבאים: להיות רשומים כסטודנטים לתואר ראשון, להשתמש באופן פעיל בכלי בינה מלאכותית גנרטיביים (כגון ChatGPT, Copilot או פלטפורמות דומות לסיוע בכתיבה, מחקר או יצירת תוכן) כחלק מתהליך הלמידה האקדמי הרגיל שלהם, ולספק הסכמה מדעת. קריטריוני ההדרה כללו לא שימוש בבינה מלאכותית גנרטיבית למטרות אקדמיות, להיות סטודנט לתארים מתקדמים או ללא תואר, ומתן תגובות סקר לא שלמות.

טכניקת דגימה מטרתית שימשה לגיוס משתתפים שעומדים בקריטריונים אלו, תוך הבטחת מדידה משמעותית של משתנה השימוש המרכזי בבינה מלאכותית. המדגם הסופי כלל N = 440 משתתפים, גודל שנחשב מספק לעמידות סטטיסטית הנדרשת למידול משוואות מבניות של ריבועים חלקיים (PLS-SEM). כדי לשפר את הייצוג וההכללה, הגיוס פעל על פני אוניברסיטאות שונות ודיסציפלינות אקדמיות מגוונות (מדעי הרוח, מדעי החברה, STEM). הנתונים הדמוגרפיים של המדגם הם: הגיל נע בין 18 ל-24 שנים (M = 20.4, SD = 1.6); המין התפלג כ-58% נשים (n = 255) ו-42% גברים (n = 185); שנת הלימודים כללה תלמידי שנה א' (22%, n = 97), שנה שנייה (31%, n = 136), שנה שלישית (28%, n = 123) ושנה רביעית (19%, n = 84). מידע על המשקל לא נאסף כיוון שלא היה רלוונטי למבני המחקר.

הליך איסוף נתונים
איסוף הנתונים בוצע באמצעות סקר אנונימי מקוון המתארח בפלטפורמה מאובטחת (למשל, Qualtrics). משתתפים פוטנציאליים מהאוניברסיטאות המיועדות הוזמנו דרך רשימות תפוצה מוסדיות, הודעות במערכות ניהול למידה (כגון Moodle, Blackboard) וקבוצות מדיה חברתית רלוונטיות של סטודנטים. ההזמנה פירטה בבירור את מטרת המחקר, אופיו הוולונטרי, זמן ההשלמה המשוער (15-20 דקות) והבטחות סודיות. העמוד הראשון של הסקר הציג טופס הסכמה מדעת מפורט; רק המשתתפים שסיפקו הסכמה דיגיטלית עברו לשאלון. כדי לצמצם הטיית סדר, קטעי הסקר הוצגו ברצף אקראי עבור כל משיב. חלון איסוף הנתונים היה פתוח במשך שבועיים. תזכורת אחת נשלחה דרך הערוצים המקוריים שבוע לאחר ההזמנה הראשונית כדי לעודד השתתפות ולשפר את שיעורי התגובה. לאחר תקופת האיסוף, מערך הנתונים נבדק למראה שלמות, עם הסרת תגובות שהיו חסרות משמעותית (למשל, >20% נתונים חסרים). בוצעו בדיקות נוספות עבור חריגים חד-משתניים ורב-משתניים לפני הניתוח הסופי כדי להבטיח את איכות הנתונים.

כלי מכשור ומידות
המחקר השתמש בשאלון מובנה למדידת משתנים מרכזיים, כולל רווחה דיגיטלית, שימוש בבינה מלאכותית גנרטיבית, הצלחה אקדמית של תלמידים, מודעות ליעדי הפיתוח בר קיימא ומעורבות הלמידה של תלמידי EFL. רווחה דיגיטלית נמדדה באמצעות Arslankara et al.41, סולם בן 12 פריטים, כולל תת-סולמות לאחריות (4 פריטים), שביעות רצון (4 פריטים) ורווחה (4 פריטים). השימוש בבינה מלאכותית גנרטיבית הופעל באמצעות קנה מידה של 8 פריטים43, תוך התמקדות בתדירות האימוץ של ChatGPT. במחקר הנוכחי, הביצועים האקדמיים הוערכו באמצעות סולם תפיסת עצמי המותאם מ-Yu ואחרים, 42, כפי שמצוטט ב-Mehrvarz ואחרים. כלי זה מורכב מארבעה פריטים. מודעות ליעדי הפיתוח בר-קיימא נמדדה באמצעות סולם מאומת המותאם מ-Atmaca ואח' 45, הכולל שלושה ממדים מרכזיים: קיימות כלכלית (12 פריטים), קיימות חברתית (9 פריטים) וקיימות סביבתית (14 פריטים), לפי מודעות התלמידים והשתתפותם בפעילויות. לבסוף, המעורבות בלמידת שפה בשפה האנגלית האנגלית הוערכה באמצעות סולם של 9 פריטים מ-Eerdemutu ואחרים. כל הסולמות השתמשו בתגובות ליקרט ב-5 נקודות, כאשר בדיקות פיילוט (n=30) אישרו אמינות (α > של קרונבך 0.82) וניתוח גורמים מאשר אימות ייחודיות של הקונסטרוקטור.

תוכנית ניתוח נתונים
הנתונים שנאספו נותחו באמצעות שילוב של SPSS (גרסה 27) ו-SmartPLS (גרסה 4.0) בגישה אנליטית דו-שלבית. ראשית, SPSS שימש לניתוחים ראשוניים, כולל סטטיסטיקה תיאורית (ממוצעים, סטיות תקן), בדיקות אמינות (אלפא של קרונבך) ומטריצות קורלציה לבחינת קשרי בסיס בין משתנים. שנית, SmartPLS, תוכנת מידול משוואות מבניות בריבועים חלקיים (PLS-SEM), שימשה לבדיקת המודל המשוער. PLS-SEM נבחר בשל יכולתו להתמודד עם יחסים מורכבים בין משתנים סמויים ועמידותו עם נתונים שאינם מבוזרים נורמלית. הניתוח כלל הערכת תוקף מודל המדידה (תוקף מתכנס ודיסקרימיננטי) ומובהקת מודל מבני (מקדמי מסלול, ערכי R² ורלוונטיות חזויה). בוצע Bootstrapping כדי לבדוק את המשמעות הסטטיסטית של המסלולים.

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

תוצאות

התוצאות מספקות תמיכה אמפירית איתנה להשערות הליבה של המחקר, ומאשרות מסלול רציף משמעותי שבו רווחה דיגיטלית ושימוש בבינה מלאכותית גנרטיבי משפיעים לטובה על מעורבות בלמידה של EFL, מה שמוביל להצלחה אקדמית ומקדם מעורבות מוגברת יותר ביעדי פיתוח בר קיימא (SDGs). באופן ספציפי, גם רווחה דיגיטלית (β=0.32, עמ' <0.001) וגם שימוש בבינה מלאכותית גנרטיבית (β=0.28, עמ' <0.001) השפיעו ישירות חזקות על מעורבות הלמידה, מה שהסביר 41% מהשונות שלה. מעורבות מוגברת זו שימשה אז כמגשר עוצמתי, והעבירה השפעות עקיפות מ...

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

דיון

מחקרים קודמים בחנו בעיקר רווחה דיגיטלית, בינה מלאכותית בחינוך, וחינוך לפיתוח בר-קיימא (ESD) בנפרד47. קיים פער משמעותי בהבנת האופן שבו מיומנויות דיגיטליות אישיות מצטלבות עם טכנולוגיות מתפתחות כדי להוביל לא רק לתוצאות אקדמיות, אלא גם לאזרחות גלובלית. מחקר זה מגשר באופן ייחודי בין התחומים הללו. אנו מראים כי רווחה דיגיטלית (β = 0.32, עמ' <0.001) ואימוץ GAI (β = 0.28, עמ' <0.001) הם קודמים משמעותיים ומשלימים למעורבות בלמידה של EFL, מערכת יחסים שפחות נחקרה במודלים משולב...

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

גילויים

כל המחברים מצהירים שאין ניגוד עניינים.

תודות

מחקר זה לא קיבל מימון.

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

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
סולם הצלחה אקדמיתמותאם מתוך יו ואח' (2010)לא זמיןכלי סקר
הליך כיסוי עיניים (עבור Q2)SmartPLSשגרה פנימיתהליך אנליטי
תהליך האתחולSmartPLSשגרה פנימיתהליך אנליטי
הערכת אמינות מורכבתSmartPLSשגרה פנימיתהליך אנליטי
ניתוח מטריצת קורלציהסטטיסטיקות של IBM SPSSשגרה פנימיתהליך אנליטי
ניתוח אמינות אלפא של קרונבךסטטיסטיקות של IBM SPSSשגרה פנימיתהליך אנליטי
מערכת אחסון נתוניםIT מוסדישרת מאובטחציוד וציוד חומר
ניתוח סטטיסטי תיאוריסטטיסטיקות של IBM SPSSשגרה פנימיתהליך אנליטי
סולם רווחה דיגיטליתארסלאנקרה ואח' (2022)לא זמיןכלי סקר
סולם מעורבות בלמידה של EFLאירדמוטו ואח' (2024)לא זמיןכלי סקר
הערכת קריטריון פורנל-לארקרSmartPLSשגרה פנימיתהליך אנליטי
סולם השימוש בבינה מלאכותית גנרטיביתמותאם מעבאס ואחרים (2024)לא זמיןכלי סקר
הערכת יחס הטרוטרייט-מונוטרייט (HTMT)SmartPLSשגרה פנימיתהליך אנליטי
סטטיסטיקות של IBM SPSSIBMגרסה 27תוכנה
תיעוד הסכמה מדעתצוות מחקרצורה אלקטרוניתציוד וציוד חומר
שאלון מקווןצוות מחקרניהול עצמיציוד וציוד חומר
אלגוריתם PLSSmartPLSשגרה פנימיתהליך אנליטי
תוכנת PLS-SEMSmartPLSגרסה 4.0תוכנה
סולם המודעות ל-SDGמותאם מ-Atmaca ואחרים (2019)לא זמיןכלי סקר
SmartPLSSmartPLS GmbHגרסה 4.0תוכנה

מקורות

  1. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  2. 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. Comp Human Behav Rep. 18, 100627(2025).
  3. Rane, N. Roles and challenges of ChatGPT and similar generative artificial intelligence for achieving the sustainable development goals (SDGs). SSRN. 4603244, (2023).
  4. Enhancing education and well-being through artificial intelligence: opportunities and challenges. Qasmi, F., Fatima, S. K. Int Conf Breaking Barriers Generative Intell, , 154-164 (2024).
  5. Ferk, S., Vesna, S., Sanja, J. The role of AI implementation in higher education in achieving the Sustainable Development Goals: A case study from Slovenia. Sustainability. 17 (1), 183(2025).
  6. Barbieri, W., Nguyen, N. N. Generative AI as a placement buddy: Supporting pre-service teachers in work-integrated learning, self-management and crisis resolution. Australasian J Edu Tech. 41 (2), 34-49 (2025).
  7. Alshammari, M. E. Promoting emotional and psychological well-being in students through a self-help ChatGPT intervention: Artificial intelligence powered support. Int J Instruct. 18 (3), 511-530 (2025).
  8. Khoso, A. K., Honggang, W., Younas, M., Salam El-Dakhs, D. A. The Dual Forces of AI: How Generative AI and Perceived AI Dependency Influence Fear of Missing Out (FoMO) and EFL Students' Vocabulary Acquisition. J Vis Exp. (226), e69637(2025).
  9. Matthew, U. O., et al. Generative artificial intelligence (AI) on sustainable development goal 4 for tertiary education: conversational AI with user-centric ChatGPT-4. Impacts Generat AI Creativity Higher Edu. , 259-288 (2024).
  10. Pushpanadham, K., Sarpong, R. A. Research and Innovation in Higher Education: Promises of Generative Artificial Intelligence for Sustainable Development. Generat Artif Intell Higher Edu Handbook Edu Leaders. 32 (5-6), 154(2024).
  11. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  12. Abdelmagid, A. S., Jabli, N. M., Al-Mohaya, A. Y., Teleb, A. A. Integrating Interactive Metaverse Environments and Generative Artificial Intelligence to Promote the Green Digital Economy and e-Entrepreneurship in Higher Education. Sustainability. 17 (12), 5594(2025).
  13. Raman, R., Iyer, A., Nedungadi, P. Forecasting Artificial General Intelligence for Sustainable Development Goals: A Data-Driven Analysis of Research Trends. Sustainability. 17 (16), 7347(2025).
  14. Farmanesh, P., Vehbi, A., Dehkordi, N. S. AI Literacy in Achieving Sustainable Development Goals: The Interplay of Student Engagement and Anxiety Reduction in Northern Cyprus Universities. Sustainability. 17 (11), 4763(2025).
  15. Niewiadomski, M., et al. The interrelation between digital competencies and Work-Life balance among academic Staff Realization of SDG goals in the science sector. Qual Quant. , 1-26 (2025).
  16. Jiménez-García, E., Ruiz-Lázaro, J., Martínez-Requejo, S., Redondo-Duarte, S. Artificial Intelligence and chatbots for sustainable higher education: a systematic review. RIED-Rev Iberoamer Educ Dist. 28 (2), 81-104 (2025).
  17. Sharma, C., Sharma, S., Bhardwaj, V., Dhaliwal, B. K. Generative artificial intelligence for sustainable development: predictive trend analysis in key sectors using natural language processing. Disc Appl Sci. 7 (6), 596(2025).
  18. Navigating the Bio-Digital Revolution: AI's Role in Achieving Sustainable Development Goals. Aravinda, K., Rangaraju, T., Singla, A., Parmar, A., Ziara, S. 2025 Int Conf Next Generat Comm Info Proc, , 262-267 (2025).
  19. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: a TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. 13, 69(2025).
  20. Simanjuntak, A., Sutarman, A., Anjani, S. A., Nuche, A. Integrating artificial intelligence in e-learning for organizational well-being through orange technology mapping. IAIC Transact Sustain Digital Innovat. 7 (1), 13-26 (2025).
  21. Al-Emran, M., et al. Role of perceived threats and knowledge management in shaping generative AI use in education and its impact on social sustainability. Int J Manag Edu. 23 (1), 101105(2025).
  22. Bollaert, L. Artificial Intelligence: Objective or Tool in the 21st-Century Higher Education Strategy and Leadership. Edu Sci. 15 (6), 774(2025).
  23. Shahzad, M. F., Shuo, X., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  24. Jukiewicz, M. How generative artificial intelligence transforms teaching and influences student wellbeing in future education. Front Edu. 10, 159457(2025).
  25. Shi, J., Liu, W., Hu, K. Exploring How AI Literacy and Self-Regulated Learning Relate to Student Writing Performance and Well-Being in Generative AI-Supported Higher Education. Behav Sci. 15 (5), 705(2025).
  26. Hall, K. Shaping Digital Well-being: Developing a Well-being Lens on the Socio-technical Systems Perspective in Information Systems Research. [PhD dissertation]. , (2025).
  27. Huang, F., Wang, Y., Zhang, H. Modelling Generative AI Acceptance, Perceived Teachers' Enthusiasm and Self-Efficacy to English as a Foreign Language Learners' Well-Being in the Digital Era. Eur J Edu. 59 (4), e12770(2024).
  28. Shahzad, M. F., Xu, S., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  29. Kamau, J. N. Generative Artificial Intelligence and Mental Well-Being of University Students. A Structural Equation Modeling (SEM) Based-Analysis. African J Busi Dev Studies. 1 (2), 344-358 (2025).
  30. Monzon, N., Hays, F. A. Leveraging generative artificial intelligence to improve motivation and retrieval in higher education learners. JMIR Med Edu. 11 (1), e59210(2025).
  31. Reyes-Portillo, J. A., et al. Generative AI-Powered Mental Wellness Chatbot for College Student Mental Wellness: Open Trial. JMIR Format Res. 9 (1), e71923(2025).
  32. Kazanidis, I., Pellas, N. Harnessing generative artificial intelligence for digital literacy innovation: A comparative study between early childhood education and computer science undergraduates. AI. 5 (3), 1427-1445 (2024).
  33. Vanden Abeele, M. M. Digital wellbeing as a dynamic construct. Comm Theor. 31 (4), 932-955 (2021).
  34. Ryan, R. M., Edward, L. D. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Edu Psychol. 61, 101860(2020).
  35. Kee, T., Kuys, B., King, R. Generative artificial intelligence to enhance architecture education to develop digital literacy and holistic competency. J Artif Intell Archit. 3 (1), 24-41 (2024).
  36. Klarin, J., Hoff, E. V., Larsson, A., Daukantaitė, D. Adolescents' use and perceived usefulness of generative AI for schoolwork: exploring their relationships with executive functioning and academic achievement. Front Artif Intell. 7, 1415782(2024).
  37. Setsoafia, P., Appiah-Kubi, J., Koduah, C. A., Essel, H. B., Madakena, A. K. T. Are They AI-Literate? Exploring The Impact Of Generative AI Literacy On Academic Performance Among Ghanaian University Students. , (2025).
  38. Oubibi, M. Generative artificial intelligence: Postgraduate student's digital adaptability, engagement and academic confidence. J Comp Edu. , 1-23 (2025).
  39. Pavone, G. Generative AI in the Learning Process: Threat or Tool? Understanding the Role of Self-Esteem and Academic Anxiety in Shaping Student Motivations. J Marketing Edu. 02734753251346857, (2025).
  40. Doshi, R., Dadhich, M., Poddar, S., Hiran, K. K. Integrating generative AI in education to achieve sustainable development goals. IGI global. , (2024).
  41. Arslankara, V. B., Demir, A., Öztaş, Ö, Usta, E. Digital well-being scale validity and reliability study. J Teacher Edu Lifelong Learning. 4 (2), 263-274 (2022).
  42. Yu, A. Y., Tian, S. W., Vogel, D., Kwok, R. C. W. Can learning be virtually boosted? An investigation of online social networking impacts. Comp Edu. 55 (4), 1494-1503 (2010).
  43. 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 Edu Technol Higher Edu. 21 (1), 10(2024).
  44. Mehrvarz, M., Heidari, E., Farrokhnia, M., Noroozi, O. The mediating role of digital informal learning in the relationship between students' digital competence and their academic performance. Comp Edu. 167, 104184(2021).
  45. Atmaca, A. C., Kıray, S. A., Pehlivan, M. Development of a measurement tool for sustainable development awareness. Int J Assess Tools Edu. 6 (1), 80-91 (2019).
  46. Eerdemutu, L., Dewaele, J. M., Wang, J. Developing a short language classroom engagement scale (LCES) and linking it with needs satisfaction and achievement. System. 120, 103189(2024).
  47. Ajlouni, A. O., Abu-Shawish, R. K., Silim, D. M., Ibrahim, A. H. The Academic Intensity Use of Chatbot-Based Artificial Intelligence and Its Relation to Academic Well-Being: A Correlational Study at the University of Jordan. IntJ Eng Pedag. 14 (8), (2024).
  48. Reeve, J., Cheon, S. H. Autonomy-supportive teaching: Its malleability, benefits, and potential to improve educational practice. Edu Psychol. 56 (1), 54-77 (2021).
  49. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  50. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: a TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. 13, 69(2026).
  51. Ringo, D. S. The effect of generative AI use on doctoral students' academic research progress: the moderating role of hedonic gratification. Cogent Education. 12 (1), 2475268(2025).
  52. Duong, C. D., Vu, T. N., Ngo, T. V. N., Do, N. D., Tran, N. M. Reduced student life satisfaction and academic performance: Unraveling the dark side of ChatGPT in the higher education context. Int J Human Comp Interact. 41 (8), 4948-4963 (2025).

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

הדפסות חוזרות והרשאות

תגיות

SDG

מאמר זה פורסם

הסרטון יגיע בקרוב

צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.