עתיד מדעי החינוך: שימוש בבינה מלאכותית גנרטיבית, אמון ועומס קוגניטיבי כמנבאים של ביצועים אקדמיים נתפסים בהשכלה הגבוהה

סיכום

מחקר זה בוחן כיצד השימוש והאמון בבינה מלאכותית גנרטיבית משפיעים על הביצועים האקדמיים בקרב סטודנטים להשכלה גבוהה באמצעות עומס קוגניטיבי. שימוש במודל משוואות מבניות של ריבועים חלקיים (PLS-SEM) על נתונים של 390 סטודנטים מגלה ששני הגורמים מגדילים משמעותית את העומס הקוגניטיבי, מה שמנבא באופן חיובי ביצועים ומתווך את השפעותיהם.

תקציר

מחקר זה בוחן את הקשרים המורכבים בין שימוש בבינה מלאכותית גנרטיבית, אמון בבינה מלאכותית, עומס קוגניטיבי והישגים אקדמיים בקרב סטודנטים להשכלה גבוהה. המחקר מבוסס על תיאוריית העומס הקוגניטיבי וספרות האמון, ובוחן כיצד מעורבות הסטודנטים בכלי בינה מלאכותית גנרטיבית ואמונם במערכות אלו משפיעות על תוצאות אקדמיות, כאשר העומס הקוגניטיבי משמש כמנגנון המתווך. עיצוב מחקר חתך כמותי שימש עם מדגם אקראי מדורג של 390 סטודנטים להשכלה גבוהה. הנתונים נאספו באמצעות סולמות מאומתים שמדידו את האמון בשימוש של בינה מלאכותית גנרטיבית בבינה מלאכותית (ממדים דמויי אדם ותפקודיות), עומס קוגניטיבי (עומס פנימי, עומס חיצוני ולמידה נתפסת עצמית), והישגים אקדמיים. מודל משוואות מבניות בריבועים חלקיים (PLS-SEM) עם שיטות בוטסטרפינג (5,000 דגימות מחדש) שימש לבחינת היחסים הישירים והמתווכים המשוערים. התוצאות הראו כי שימוש בבינה מלאכותית גנרטיבית (β = 0.34, p < 0.001) ואמון בבינה מלאכותית (β = 0.28, p < 0.001) היו קשורים באופן חיובי באופן מובהק לעומס קוגניטיבי. העומס הקוגניטיבי היה גם קשור באופן חיובי לביצועים אקדמיים (β = 0.52, p < 0.001). יתרה מזאת, העומס הקוגניטיבי מתווך באופן משמעותי את הקשרים בין שימוש בבינה מלאכותית גנרטיבית לבין ביצועים אקדמיים (β = 0.18, p < 0.001) ובין האמון בבינה מלאכותית לביצועים אקדמיים (β = 0.15, p < 0.001). המודל הסביר 45% מהשונות בביצועים האקדמיים, ו-PLS Predict אישר כוח חיזוי גבוה. הממצאים מרחיבים את תורת העומס הקוגניטיבי להקשרים של למידה משופרת בינה מלאכותית ומציעים כי העומס הקוגניטיבי עשוי לשמש כמסלול הסבר חשוב המקשר בין גורמים הקשורים לבינה מלאכותית לתוצאות אקדמיות. מעשית, המחקר מדגיש את החשיבות של טיפוח אוריינות בינה מלאכותית, עיצוב סביבות למידה שממקדמות את העומס הקוגניטיבי, ומתן עדיפות לאמינות פונקציונלית בפיתוח כלי בינה מלאכותית. מחקר זה מספק ראיות אמפיריות לכך שעומס קוגניטיבי משמש כמנגנון תוווך משמעותי שבאמצעותו השימוש והאמון בבינה מלאכותית מתורגמים לביצועים אקדמיים.

מבוא

ההתקדמות המהירה של הבינה המלאכותית הגנרטיבית (GenAI) הביאה לשינוי פרדיגמה בהשכלה הגבוהה, ששינתה באופן יסודי את הדרך שבה הסטודנטים מפתחים את הגישה, העיבוד והבנייה של הידע¹. כלים כמו ChatGPT, Gemini ו-Claude הפכו למשולבים יותר ויותר בסביבה אקדמית, כאשר הערכות עדכניות מצביעות על כך שיותר מ-30% מהסטודנטים באוניברסיטה משתמשים בטכנולוגיות אלו באופן קבוע לפעילויות הקשורות לקורסים². המהפכה הטכנולוגית הזו מציבה הזדמנויות חסרות תקדים ואתגרים משמעותיים למורים, מנהלים וחוקרים המבקשים להבין כיצד שילוב בינה מלאכותית משפיע על תהליכי הלמידה והתוצאות³.

בעוד שבינה מלאכותית גנרטיבית מציעה פוטנציאל להדרכה מותאמת אישית, משוב מיידי ופרודוקטיביות מוגברת, התלמידים אינם צורכים רק מידע שנוצר על ידי בינה מלאכותית באופן פסיבי⁴. במקום זאת, למידה משודרגת בינה מלאכותית כוללת תהליכים אינטראקטיביים מתמשכים שבהם התלמידים מנסחים הנחיות, מעריכים פלטים, משווים תגובות שנוצרו על ידי בינה מלאכותית עם מקורות חיצוניים, מכוונים את התלות שלהם במערכות בינה מלאכותית, ומשלבים תוכן שנוצר על ידי מכונה במשימות אקדמיות⁵. דרישות אינטראקטיביות אלו מציגות דינמיקות קוגניטיביות חדשות שמתרחבות מעבר למודלים המסורתיים של שימוש בטכנולוגיה ועשויות להפחית בו זמנית עומס קוגניטיבי מסוים תוך יצירת צורות חדשות של מאמץ קוגניטיבי ועומס יתר. במרכז הדאגות הללו נמצאת השאלה כיצד השימוש בבינה מלאכותית משפיע על התהליכים הקוגניטיביים שמאחורי הלמידה, שאלה שעדיין לא נחקרה ברובה בספרות האמפירית. תורת העומס הקוגניטיבי (CLT) מספקת מסגרת תיאורטית איתנה לבחינת שאלות אלו. CLT מניח שלמידה מוגבלת על ידי הקיבולת המוגבלת של זיכרון העבודה וכי עיצוב הוראה אפקטיבי חייב לנהל שלושה סוגי עומס קוגניטיבי: עומס פנימי הנובע ממורכבות התוכן, עומס חיצוני המוטל על ידי תכנון הוראה לקוי, ועומס קשור המופני לבניית סכמה ואוטומציה⁶. בסביבות למידה משודרגות בינה מלאכותית, ההבדלים הללו הופכים^{לבולטים} במיוחד. סטודנטים המתקשרים עם כלי בינה מלאכותית גנרטיבית חייבים במקביל לעבד את תוכן הקורסים, להעריך מידע שנוצר על ידי בינה מלאכותית לדיוק ורלוונטיות, ולשלב מקורות מידע מגוונים של תהליכי ידע שעשויים להגדיל משמעותית את הדרישות הקוגניטיביות⁸.

חשוב לציין, תיאוריית העומס הקוגניטיבי מתארת את העומס הקוגניטיבי כמבנה רב-ממדי המורכב מעומס פנימי, חיצוני ורלוונטי, שכל אחד מהם עשוי להשפיע על הלמידה בצורה שונה⁹. עומס פנימי נובע מהמורכבות הטבועה בחומר הלמידה, עומס חיצוני משקף עומס קוגניטיבי מיותר שנוצר מתכנון הוראה לא יעיל או דרישות עיבוד לא רלוונטיות, ועומס קשור מתייחס למעורבות קוגניטיבית פרודוקטיבית הקשורה לבניית סכימות ותהליכי למידה משמעותיים. לכן, העומס הקוגניטיבי לא צריך להתפרש כמועיל או מזיק באופן אחיד. בעוד שעומס פנימי ורלוונטי עשוי לתמוך בהבנה עמוקה יותר בתנאים מתאימים, עומס חיצוני מופרז עלול להפריע ללמידה על ידי צריכת משאבים קוגניטיביים מוגבלים.

מעבר לדפוסי השימוש, האמון של הסטודנטים במערכות בינה מלאכותית מתגלה כגורם פסיכולוגי קריטי המעצב את האינטראקציה בין אדם לבינה מלאכותית¹⁰. בהסתמך על מסגרות אמון בסיסיות, האמון בבינה מלאכותית ניתן למושג בשני ממדים מובחנים: אמון דמוי אדם, הכולל תפיסות של טוב לב, יושרה וצפיות; ואמון פונקציונליות, המשקף ביטחון באמינות, מיומנות ואמינות של הטכנולוגיה עצמה¹¹. מחקרים קודמים קבעו כי האמון הוא גורם לאימוץ טכנולוגיה ולשימוש מתמשך¹², אך ההשלכות הקוגניטיביות שלה נותרו ברובן בלתי נחקרות. הקשר בין אמון בבינה מלאכותית לעומס קוגניטיבי הוא תיאורטית מורכב ואין לפרש אותו כחיובי^{או ליניארי} אחיד. מצד אחד, אמון נכון בבינה מלאכותית עשוי לעודד תלמידים להתחבר לעומק יותר בתוכן שנוצר על ידי הבינה המלאכותית, להשקיע מאמץ קוגניטיבי בהערכת תגובות ולשלב מידע שנוצר על ידי מכונה במשימות למידה¹⁴. הקשר בין גורמים הקשורים לבינה מלאכותית לביצועים אקדמיים מייצג את התוצאה הסופית המעניינת את מחנכים ומוסדות¹⁵. הביצועים האקדמיים יושמו בדרכים שונות במחקר חינוכי, כאשר חלק מהמחקרים השתמשו במדדים אובייקטיביים כמו ממוצע ציונים¹⁶, בעוד אחרים מסתמכים על היעילות האקדמית העצמית של התלמידים¹⁷. מדדים התופסים את עצמם לוכדים את המודעות המטא-קוגניטיבית של התלמידים ליכולות הלמידה שלהם ולביצועי המשימות, שמחקרים הוכיחו כי קשורים באופן חזק להישגים אקדמיים אמיתיים¹⁸. בהקשרים של למידה משודרגת בינה מלאכותית, הבנת האופן שבו תלמידים תופסים את הלמידה שלהם הופכת לחשובה במיוחד, שכן תפיסות אלו עשויות להנחות מעורבות עתידית עם כלים ואסטרטגיות למידה של AI¹⁹.

למרות השכיחות הגוברת של בינה מלאכותית גנרטיבית בהשכלה גבוהה, מחקר אמפירי הבוחן את השלכותיה הקוגניטיביות והאקדמיות^נותר נדיר. מחקרים קיימים התמקדו בעיקר בדפוסי אימוץ, חששות אתיים או יישומים דיסציפלינריים²¹, עם תשומת לב מוגבלת למנגנונים הפסיכולוגיים המקשרים בין שימוש בבינה מלאכותית לתוצאות למידה²². יתרה מזאת, בעוד שאמון נחקר לעומק במסחר אלקטרוני ובאינטראקציה בין אדם למחשב²³, תפקידו בהקשרים חינוכיים של בינה מלאכותית נותר תיאורטית לא מפותח מספיק ולא נבדק מבחינה אמפירית. המחקר הנוכחי מתמודד עם פערים אלו על ידי בחינת הקשרים בין שימוש בבינה מלאכותית גנרטיבי, אמון בבינה מלאכותית, עומס קוגניטיבי והישגים אקדמיים, כאשר העומס הקוגניטיבי מודגם כמסלול תיווך פוטנציאלי. מבוסס על תיאוריית העומס הקוגניטיבי²⁴ וספרות האמון, מחקר זה מציע ובוחן מודל תיווך הבוחן חמש השערות: (H1) שימוש בבינה מלאכותית גנרטיבית משפיע לטובה על העומס הקוגניטיבי; (H2) האמון בבינה מלאכותית משפיע לטובה על העומס הקוגניטיבי; (H3) עומס קוגניטיבי משפיע לטובה על הביצועים האקדמיים; (H4) עומס קוגניטיבי מתווך את הקשר בין שימוש בבינה מלאכותית גנרטיבית לבין ביצועים אקדמיים; ו-(H5) עומס קוגניטיבי מתווך את הקשר בין אמון בבינה מלאכותית לבין ביצועים אקדמיים.

השילוב של בינה מלאכותית גנרטיבית (GenAI) בהשכלה הגבוהה מייצג אחד השינויים הטכנולוגיים המשמעותיים ביותר^{בפרקטיקה} הפדגוגית העכשווית. כלים כמו ChatGPT, שפותחו על ידי OpenAI, הראו יכולות מרשימות ביצירת טקסט דמוי אדם, פתרון בעיות מורכבות ומתן תמיכה חינוכית מותאמת אישית²⁶. מחקרים אמפיריים עדכניים תיעדו אימוץ נרחב בקרב סטודנטים באוניברסיטה. הסטודנטים משתמשים ב-GenAI למטרות אקדמיות מגוונות, כולל סיעור מוחות, סיכום תוכן, הגהה והסבר מושגים²⁷. התפשטות זו דחפה חוקרים לבחון הן את האפשרויות והן את האתגרים הקשורים ל-GenAI בהקשרים חינוכיים. תומכים טוענים שכלי GenAI יכולים לשפר את הלמידה על ידי מתן משוב מיידי, תמיכה במשימות מורכבות והצעת נקודות מבט מרובות^{על תוכן} תחומי. הסטודנטים שהשתמשו ב-ChatGPT למשימות תכנות הראו איכות קוד משופרת וזמן סיום מופחת, מה שמרמז על יתרונות פוטנציאליים לפריקת עומס קוגניטיבית. באופן דומה, GenAI יכול להתאים אישית חוויות למידה על ידי התאמת תוכן לצרכים האישיים של התלמידים ולקצב הלמידה²⁹. עם זאת, מבקרים הביעו חששות לגבי יושרה אקדמית, פוטנציאל לגניבה, ושחיקת כישורי החשיבה הביקורתית כאשר סטודנטים מסתמכים יתר על המידה על תוכן שנוצר על ידי בינה מלאכותית^30,31. נקודות מבט מתחרות אלו מדגישות את הצורך בחקירה אמפירית מעמיקה כיצד השימוש ב-GenAI משפיע על תהליכי הלמידה הבסיסיים.

תיאוריית העומס הקוגניטיבי (CLT) מספקת מסגרת מקיפה להבנת הדרישות הקוגניטיביות שמטילות משימות למידה ועיצובים הוראתיים. CLT מבוססת על הארכיטקטורה המבוססת של הקוגניציה האנושית, הכוללת זיכרון ארוך טווח בלתי מוגבל בפועל וזיכרון עבודה מוגבל מאוד הן בקיבולת והן במשך³². לפי CLT, למידה מתרחשת כאשר מידע מעובד בהצלחה בזיכרון העבודה ונשמור כסכימות בזיכרון ארוך טווח. התיאוריה מבחינה בין שלושה סוגי עומס קוגניטיבי: עומס פנימי, שנקבע על ידי המורכבות הטבועה בחומר הלמידה והמומחיות הקיימת של הלומד; עומס חיצוני, שמוטל על ידי חומרי לימוד ופעילויות שאינן תורמות ישירות ללמידה; ו-Germane Load, המתייחס למשאבים קוגניטיביים המוקדשים לבניית סכימה ואוטומציה³³. מחקרים הראו בעקביות שעיצוב הוראה אפקטיבי חייב לנהל את שלושת סוגי העומס הללו כדי למקסם את תוצאות הלמידה³⁴. עומס חיצוני גבוה מסיט משאבים קוגניטיביים הרחק מתהליכי הלמידה, ופוגע בביצועים, בעוד שעומסים פנימיים ורלוונטיים מאפשרים הבנה עמוקה והעברת ידע³⁵. כלי מקיף למדידת ממדי עומס אלו בסביבות חינוכיות, המאפשר חקירה אמפירית של עומס קוגניטיבי בהקשרים למידה מגוונים. בשנים האחרונות, חוקרים הרחיבו את CLT לסביבות למידה משופרות טכנולוגיה, ובחנו כיצד כלים דיגיטליים משפיעים^{על עיבוד} קוגניטיבי. הקשר בין שימוש בבינה מלאכותית גנרטיבית לעומס קוגניטיבי הוא מורכב תיאורטית ואינו נחקר מספיק מבחינה אמפירית³⁷. מצד אחד, כלי GenAI עשויים להפחית עומס מיותר על ידי ייעול חיפוש מידע, סינתזה של מקורות מגוונים והצגת מידע בפורמטים נגישים³⁸. התלמידים כבר לא צריכים לנווט במספר מסדי נתונים או לפרש טקסטים מורכבים באופן עצמאי, מה שעשוי לשחרר משאבים קוגניטיביים לעיבוד מעמיק יותר³⁹.

אמון הוא מנגנון פסיכולוגי יסודי שמעצב את האינטראקציה בין האדם לטכנולוגיה. בהקשר של מערכות מידע, אמון הוא רב-ממדי, הכולל אמונות לגבי היכולת, הטוב והשלמות של מערכות טכנולוגיות⁴⁰. ביישום על בינה מלאכותית, ניתן להבחין באמון בשני ממדים מושגיים מובחנים: אמון דמוי אדם, הכולל ייחוס תכונות אנתרופומורפיות כמו טוב לב ויכולת ניבוי; ואמון פונקציונליות, המשקף ביטחון בביצועים אמינים של יכולות טכניות⁴¹. הבחנה זו רלוונטית במיוחד בהקשרים חינוכיים, שבהם על התלמידים להחליט עד כמה להסתמך על תוכן שנוצר על ידי בינה מלאכותית למשימות אקדמיות. לפי מודל ההסתברות הרחבה, אנשים מעבדים מידע דרך המסלול המרכזי או ההיקפי בהתאם למוטיבציה וליכולת. כאשר האמון גבוה, התלמידים עשויים לעסוק בעיבוד מסלול מרכזי, לבחון ולהרחיב תוכן שנוצר על ידי בינה מלאכותית, ובכך להגדיל את העומס הקוגניטיבי המופני ללמידה⁴². הביצועים האקדמיים מהווים את משתנה הקריטריון האולטימטיבי במחקר חינוכי, הממומש הן באמצעות מדדים אובייקטיביים כמו ממוצעי ציונים והן באמצעות מדדים סובייקטיביים המדדים את היעילות האקדמית העצמית של התלמידים⁴³. מדדים שתופסים עצמית מספקים תובנות חשובות לגבי המודעות המטא-קוגניטיבית של התלמידים ליכולות הלמידה שלהם והראו קשרים חזקים עם מדדי ביצועים אובייקטיביים. תפיסת עצמי להערכת היעילות האקדמית הנתפסת של התלמידים, כולל פריטים הקשורים ליעילות למידה והשלמת משימות⁴⁴. גישה זו מתאימה במיוחד בהקשרים המוגברים על ידי בינה מלאכותית, שבהם הביטחון של התלמידים ביכולתם ללמוד עם ודרך כלי בינה מלאכותית עשוי להשפיע על תוצאות הלמידה בפועל.

פרוטוקול

טבלת החומרים מסכמת את הכלים, התוכנות והסולמות ששימשו במחקר, כולל סולמות מותאמים ומאומתים לשימוש בבינה מלאכותית גנרטיבית, אמון בבינה מלאכותית, עומס קוגניטיבי, ביצועים אקדמיים תופסים עצמית, נהלי דגימה וסקרים, וכלי ניתוח נתונים (SPSS ו-SmartPLS). יתרה מזאת, אישור אתי לא היה רלוונטי למחקר זה, שכן הוא לא כלל מניפולציה ניסויית, פרוצדורות רפואיות או התערבויות שעלולות להוות סיכון פיזי או נפשי למשתתפים. המחקר השתמש בשאלון מקוון לא פולשני, עצמאי, לאיסוף נתונים על תפיסות, חוויות והתנהגויות של תלמידים בנוגע לשימוש בבינה מלאכותית גנרטיבית בסביבות אקדמיות. מכיוון שהמחקר לא כלל אינטראקציה ישירה מעבר להשלמת סקר, לא בוצעו ניסויים קליניים, פרוצדורות ביו-רפואיות או טיפולים ניסיוניים, והמשתתפים לא נחשפו לתנאים ניסיוניים שעלולים לגרום לנזק או מצוקה. לפני איסוף הנתונים, כל המשתתפים קיבלו טופס הסכמה מדעת מפורט המסביר את מטרת המחקר, את אופיו הוולונטרי של השתתפותם, ואת הצעדים שננקטו להבטחת אנונימיות וסודיות. הסכמה מדעת הושגה באופן מרומז באמצעות מילוי והגשת השאלון, כפי שמצוין במפורש בטופס ההסכמה מדעת. המשתתפים קיבלו הבטחה שתשובותיהם ישמשו אך ורק למטרות מחקר אקדמי ושלא ייאסף או ידווח מידע אישי מזהה. יתרה מזאת, המשתתפים קיבלו הודעה על זכותם לפרוש מהמחקר בכל עת לפני הגשת השאלון, ללא השלכות. כל הנתונים נשמרו בצורה מאובטחת על מכשירים מוגני סיסמה שהיו נגישים רק לצוות המחקר, וממצאים מצטברים דווחו כדי למנוע זיהוי של משיבים בודדים. צעדים אלו הבטיחו שהמחקר יתבצע בהתאם לעקרונות האתיים של הצהרת הלסינקי ולהנחיות המוסדיות למחקר הכולל משתתפים אנושיים, אף על פי שהדרישה הרשמית לסקירת IRB אינה חלה על ידי ה-IRB.

עיצוב מחקר

מחקר זה עושה שימוש בעיצוב מחקר כמותי וחתך כדי לחקור את הקשרים המורכבים בין שימוש בבינה מלאכותית גנרטיבית, אמון בבינה מלאכותית, עומס קוגניטיבי והישגים אקדמיים בקרב סטודנטים להשכלה גבוהה. עיצוב זה הופעל באמצעות אסטרטגיית סקר, שנבחרה בשל יעילותו ואפקטיביותה באיסוף נתונים סטנדרטיים ממדגם גדול, ובכך אפשרה בדיקות סטטיסטיות חזקות של הקשרים המשוערים. שיטת הסקר מאפשרת מדידה שיטתית של כל מבנה באמצעות סולמות מאומתים, ומבטיחה שהנתונים שנאספו יהיו אמינים וניתנים להשוואה בין כל המשיבים. יתרה מזאת, אימוץ גישה חתכית, שבה הנתונים נאספים בנקודה אחת בזמן, מתאים במיוחד למחקר זה, שכן הוא מאפשר לבחון את השכיחות הנוכחית של שימוש ואמון בבינה מלאכותית גנרטיבית בקרב סטודנטים, תוך הערכת הקשרים בין משתנים אלה והשפעתם המשותפת על העומס הקוגניטיבי והביצועים האקדמיים באוכלוסיית היעד של המחקר.

משתתפים והליך הדגימה

אוכלוסיית היעד למחקר זה כללה סטודנטים הרשומים למוסדות להשכלה גבוהה שהיו להם ניסיון פעיל בכלי בינה מלאכותית גנרטיבית, במיוחד ChatGPT ומודלים שפתיים גדולים דומים, למטרות אקדמיות. כדי להבטיח חתך מייצג של אוכלוסייה זו ולשפר את הכללת הממצאים, נעשה שימוש בטכניקת דגימה אקראית שכבתית. מסגרת הדגימה התקבלה ממשרד הרישום של האוניברסיטה, שכללה רשימה מלאה של הסטודנטים הרשומים בכל הפקולטות. הסטרטיפיקציה התבססה על שני משתנים דמוגרפיים מרכזיים: תחום אקדמי ושנת לימודים. הדיסציפלינה האקדמית סווגה לארבעה שכבות עיקריות: מדעי הרוח והחברה, מדעי הטבע, הנדסה וטכנולוגיה, ועסקים וכלכלה. שנת הלימודים חולקה לארבע רמות: סטודנטים לתואר ראשון שנה ראשונה, שנייה, שלישית ורביעית, וכן סטודנטים לתארים מתקדמים (תואר שני ודוקטורט). גישת הסטרטיפיקציה הכפולה הבטיחה ייצוג יחסי מכל תת-קבוצה בגוף הסטודנטים, ומנעה ייצוג יתר או חסר ייצוג של תחום אקדמי או רמה אקדמית. מכל שכבה, המשתתפים נבחרו באקראי באמצעות מחולל מספרים אקראיים, כאשר המספר נלקח באופן פרופורציונלי לייצוג השכבה באוכלוסיית התלמידים הכוללת. גישה שיטתית זו לבחירת משתתפים הבטיחה שהמדגם הסופי ישקף במדויק את המגוון של אוכלוסיית הסטודנטים להשכלה גבוהה, כולל רקע אקדמי והתקדמות חינוכית.

לגבי דמוגרפיית המשתתפים, מדגם 390 המשיבים כלל תערובת מגוונת של תלמידים מקבוצות גיל שונות, בדרך כלל בגילאי 18 עד 35 ומעלה, עם ייצוג מאוזן של זהויות מגדריות ביחס לדמוגרפיה המוסדית. המדגם כלל סטודנטים מכל ארבע שנות התואר הראשון וכן סטודנטים לתארים מתקדמים, מה שהבטיח כיסוי של שלבים שונים של התפתחות אקדמית ורמות חשיפה שונות לכלי בינה מלאכותית. התחומים האקדמיים ייצגו באופן יחסי, כאשר סטודנטים מרקעים מדעי הרוח, מדעים, הנדסה ועסקים נכללו במדגם. בנוסף, נאסף מידע דמוגרפי בסיסי, כגון ניסיון טכנולוגי קודם, תדירות השימוש בבינה מלאכותית גנרטיבית, ומצב השפה הילידית, כדי לספק הקשר למשתנים המרכזיים הנחקרים. פרופיל דמוגרפי מקיף זה שירת שתי מטרות: ראשית, הוא אפשר אפיון תיאורי של המדגם, ושנית, אפשר לחוקרים לשלוט במשתנים מבלבלים פוטנציאליים בניתוחים הבאים. התיעוד המפורט של תהליך הדגימה והמאפיינים הדמוגרפיים מבטיח שחוקרים אחרים יוכלו לשחזר את המחקר בדיוק, ובכך למלא את הדרישה המדעית לשחזוריות ולאפשר השוואות משמעותיות בין הקשרים מוסדיים ותרבותיים שונים. יתרה מזאת, גישת הדגימה הקפדנית הזו חיזקה את התוקף החיצוני של הממצאים, ואפשרה הכללה בטוחה יותר של התוצאות לאוכלוסיית הסטודנטים הרחבה יותר בהשכלה גבוהה. הנתונים למחקר זה נאספו באמצעות שאלון מקוון מובנה ועצמאי. השאלון מחולק לחמישה חלקים, שנועדו למדוד את המבנים המרכזיים של המחקר באמצעות סולמות מבוססים ומאומתים. כל הפריטים, אלא אם צוין אחרת, יימדדו בסולם ליקרט בן חמש נקודות, הנע בין 1 ("לא מסכים בתוקף") ועד 5 ("מסכים מאוד").

כלי מכשור ומידות

שימוש בבינה מלאכותית גנרטיבית, ובפרט ChatGPT, נמדד באמצעות סולם של 8 פריטים שהותאם ממחקר⁴⁵. קנה מידה זה חורג מתדירות השימוש הפשוטה כדי ללכוד את הטבע הרב-ממדי של אינטראקציה בין תלמידים לבינה מלאכותית. הפריטים מתמקדים בשלושה ממדים מרכזיים: (א) תדירות השימוש במשימות אקדמיות שונות, (ב) המטרות הספציפיות שבהן הוא משמש (למשל, סיעור מוחות, סיכום תוכן, הגהה), ו-(ג) היעילות הנתפסת של הכלי בשיפור עבודתם האקדמית הקשורה לשפה. האמון בבינה מלאכותית הוצג כמבנה רב-ממדי, השואב ממסגרות מבוססות של אמון בין-אישי⁴⁶ ואמון טכנולוגי. הקנה מידה מורכב משני ממדים מובחנים. אמון דמוי אדם: תת-הסולם בן 6 הפריטים מודד את מידת המידה שבה התלמידים מייחסים תכונות דמויות אדם לבינה המלאכותית, כגון טוב לב, יושרה ויכולת ניבוי. לדוגמה, פריטים בודקים האם התלמידים מאמינים שהבינה המלאכותית פועלת לטובתם או מספקת מידע בלתי מוטה. אמון פונקציונליות: תת-סולם זה בן 5 פריטים מעריך אמון בביצועים הפונקציונליים של הבינה המלאכותית. הוא מתמקד באמינות, במיומנות ובאמינות של הטכנולוגיה עצמה, ומדגיש את האמונה שלבינה המלאכותית יש את הפונקציונליות הנדרשת לביצוע משימות אקדמיות ביעילות.

העומס הקוגניטיבי נמדד באמצעות סולם מותאם ממחקר^{אחר 47}, שמבוסס על CLT. כדי ללכוד את המבנה הטריארכי של CLT, הסולם מחולק לשלושה תת-סולמות: עומס פנימי (3 פריטים): תת-סולם זה מעריך את המורכבות והקושי הנתפסים הטבועים בחומרי הלמידה ובמשימות עצמם. דוגמה לפריט יכול להיות, "הנושאים שמכוסים בקורס שלי מאוד מורכבים." עומס מיותר (3 פריטים): תת-הסולם הזה מודד את העומס הקוגניטיבי שמטיל עיצוב ההוראה ואת אופן הצגת המידע. דוגמה לכך היא: "ההוראות למשימות לעיתים קרובות אינן ברורות וקשות למעקב. למידה בתפיסת עצמית (4 פריטים): בעקבות מחקר חינוכי קודם, תת-הסולם הזה שימש כמדד משוער לעיבוד קוגניטיבי דומה ולא כמדד ישיר לעומס הגרמני עצמו⁴⁸. הפריטים לוכדים את תפיסות התלמידים לגבי המאמץ המנטלי שהושקע בהבנה, הבנה ותהליכי בניית סכימות הקשורים ללמידה משמעותית. עם זאת, מכיוון שלמידה עצמית נתפסת עשויה לחפוף מבחינה מושגית לתפיסות רחבות יותר של יכולת אקדמית והישגים אקדמיים, יש לפרש אותה בזהירות כייצוג תפעולי חלקי של מעורבות קוגניטיבית יצרנית ולא כמדד סופי לעומס הרלוונטי. הוא כולל פריטים הקשורים להבנה, הבנה והתחושה של שליטה בחומר. בהתאם לחוקרים מבוססים במחקר חינוכי⁴⁶, הביצועים האקדמיים יושמו באמצעות סולם תפיסת עצמי. נעשה שימוש בכלי בן 4 פריטים. גישה זו מתאימה ללכידת הערכה סובייקטיבית של התלמידים לגבי יעילות הלמידה והישגיהם האקדמיים. הסולם מתמקד ביעילות האקדמית הנתפסת וכולל אמירות כמו, "אני בטוח ביכולתי להשלים את הקורסים בהצלחה," ו"אני מרגיש שלמדתי לנהל את המשימות האקדמיות שלי ביעילות ובאפקטיביות."

אסטרטגיית ניתוח נתונים

מודל משוואות מבני חלקי של מינימום ריבועים (PLS-SEM) שימש לבחינת הקשרים בין שימוש בבינה מלאכותית גנרטיבית, אמון בבינה מלאכותית, עומס קוגניטיבי וביצועים אקדמיים תופסים את עצמם. הבחירה ב-PLS-SEM הונחה הן על ידי שיקולים מתודולוגיים והן אנליטיים. ראשית, המחקר מאמץ פרספקטיבה של מודלים חקרניים וממוקדי חיזוי שמטרתה לבחון מסלולים אסוציאטיביים בין מבנים מתפתחים יחסית בהקשרי למידה משופרים על ידי בינה מלאכותית, ולא לבחון תיאוריה סיבתית מבוססת לחלוטין. שנית, PLS-SEM נחשב מתאים למודלים מורכבים הכוללים מבנים סמויים ומסלולי תיווך מרובים, במיוחד כאשר המטרה העיקרית היא הסבר שונות וניתוח חזוי. בנוסף, PLS-SEM עמיד בתנאים של התפלגויות נתונים לא נורמליות ומתאים למחקר סקרי מדעי החברה עם גודל מדגם מתון. בהינתן האופי החקרני של מחקר בינה מלאכותית גנרטיבית בהשכלה הגבוהה והדגש של המחקר על בחינת קשרים חיזויים בין מבנים תפיסתיים, PLS-SEM נחשב מתאים מתודולוגית לניתוח הנוכחי.

הנתונים שנאספו ינותחו בגישה דו-שלבית, תוך שימוש במידול משוואות מבניות בריבועים חלקיים (PLS-SEM) עם תוכנת SmartPLS 4. PLS-SEM היא טכניקה מבוססת שונות המתאימה למודלים חיזויים מורכבים ואינה דורשת הפצה תקינה של הנתונים. שלב 1: הערכת מודל המדידה. השלב הראשון כולל הערכת אמינות ותוקף המבנים. אמינות העקביות הפנימית תוערך באמצעות אמינות האלפא והקומפוזיט של קרונבך, עם סף של 0.70. תוקף התכנסות יוקבע על ידי בחינת העומסים החיצוניים של המדדים (צריכים להיות > 0.70) והשונות הממוצעת המופקת (AVE) לכל מבנה (> 0.50). תוקף מבחין, שמבטיח שהמבנים מובחנים מבחינה אמפירית, יוערך באמצעות קריטריון פורנל-לקרקר ויחס המתאמים ההטרוטרייט-מונוטרייט (HTMT). שלב 2: הערכת המודל המבני. לאחר שמודל המדידה מאושר כאמין ותקף, המודל המבני יוערך כדי לבדוק את ההשערות של המחקר. זה כולל בחינת מקדמי המסלול (β) למשמעות ורלוונטיות באמצעות תהליך בוטסטרפינג עם 5,000 דגימות חוזרות. הקריטריונים המרכזיים להערכה יכללו את מקדם הקביעה (R²): למדוד את כוח החיזוי של המודל (כלומר, השונות המוסברת במשתנים האנדוגניים, במיוחד בביצועים אקדמיים). רלוונטיות חיזוי (שאלה²): שימוש בהליך כיסוי העיניים להערכת דיוק החיזוי של המודל. גדלי השפעה (f²): להעריך את ההשפעה המהותית של כל משתנה עצמאי על המשתנים התלויים. ניתוח תיווך: לבחון את תפקיד העומס הקוגניטיבי המתווך בקשר בין הגורמים הקשורים לבינה מלאכותית (שימוש בבינה מלאכותית גנרטיבי, אמון בבינה מלאכותית) לבין הישגים אקדמיים. משמעות ההשפעות העקיפות תוערך באמצעות מרווחי ביטחון בוטסטרפ.

תוצאות

סטטיסטיקה תיאורית

סטטיסטיקות תיאוריות חושבו כדי לסכם את הנטיות המרכזיות והפיזור של המשתנים המרכזיים במחקר זה, כולל שימוש בבינה מלאכותית גנרטיבית, אמון דמוי אדם, אמון פונקציונליות, עומס פנימי, עומס חיצוני, למידה תופסת עצמית וביצועים אקדמיים. הניתוח התיאורי בוצע באמצעות גרסה 26 של SPSS, והתוצאות מוצגות בטבלה 1 למטה.

...

משתנה

דיון

הממצא המרכזי הראשון במחקר זה חשף כי השימוש בבינה מלאכותית גנרטיבית קשור באופן חיובי לעומס קוגניטיבי (β = 0.34, p < 0.001), תוצאה התואמת את ההשערה 1. ממצא זה מצביע על כך שתלמידים המדווחים על שימוש תכוף יותר בכלי בינה מלאכותית גנרטיבית כמו ChatGPT מדווחים גם על עומס קוגניטיבי גבוה יותר במהלך פעילויות הלמידה שלהם. הקשר החיובי הזה בין שימוש בבינה מלאכותית גנרטיבית לעומס קוגניטיבי עשוי להיות מובן טוב יותר מנקודת מבט של אינטראקציה אנושית-בינה מלאכותית מאשר מסגרת שימוש טכנולוגית פשוטה....

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
Blindfolding Procedure	SmartPLS 4 (built-in)	N/A	Computes Q² for predictive relevance of the structural model.
Bootstrapping Procedure (5,000 resamples)	SmartPLS 4 (built-in)	N/A	Used to assess significance of path coefficients (β) and indirect effects.
Cognitive Load Scale – Extraneous Load (3-item)	Hadie & Yusoff (2021)	N/A (validated scale)	Cognitive burden from instructional design and information presentation.
Cognitive Load Scale – Intrinsic Load (3-item)	Hadie & Yusoff (2021)	N/A (validated scale)	Perceived complexity/difficulty of learning materials/tasks.
Cognitive Load Scale – Self-Perceived Learning (4-item)	Hadie & Yusoff (2021)	N/A (validated scale)	Proxy for germane cognitive processing; captures mental effort for understanding and schema construction.
Fornell-Larcker Criterion	SmartPLS 4 (built-in)	N/A	Assesses discriminant validity of constructs.
Generative AI Usage Scale (8-item)	Abbas et al. (2023)	N/A (adapted scale)	Measures frequency, purpose, and perceived efficacy of Generative AI (ChatGPT) use for academic tasks. 5-point Likert scale.
HTMT Ratio of Correlations	SmartPLS 4 (built-in)	N/A	Heterotrait-Monotrait ratio; additional discriminant validity check.
Informed Consent Form	Study team (institutional guidelines)	N/A	Detailed description of study purpose, voluntary participation, anonymity, confidentiality, and right to withdraw. Implied consent via survey completion.
Online Questionnaire Platform	Not specified (generic)	N/A	Structured, self-administered web-based questionnaire; all items on 5-point Likert scale (1 = Strongly Disagree to 5 = Strongly Agree).
Sampling Frame	University Registrar’s Office	N/A (institutional record)	Complete list of currently enrolled students across all faculties used for stratified random sampling.
Self-Perceived Academic Performance Scale (4-item)	Adapted from educational research precedent	N/A (adapted scale)	Subjective assessment of academic efficacy and achievement (e.g., confidence in coursework, efficient task management).
SmartPLS 4 Software	SmartPLS GmbH	Version 4	Variance-based structural equation modeling software; used for PLS-SEM analysis, bootstrapping, blindfolding.
SPSS version 26	IBM	N/A	Used for preliminary data screening, descriptive statistics, and any pre-PLS-SEM data management (if applicable).
Stratified Random Sampling Procedure	Study team (manual)	N/A	Strata based on academic discipline (4 categories) and year of study (5 levels: 1st-4th year undergrad + postgrad). Random number generator used within strata.
Trust in AI Scale – Functionality Trust (5-item)	Adapted from technology trust literature	N/A (adapted scale)	Measures perceived reliability, competence, and dependability of AI for academic tasks.
Trust in AI Scale – Human-like Trust (6-item)	Adapted from interpersonal trust (Rempel et al.) and technology trust literature	N/A (adapted scale)	Assesses benevolence, integrity, and predictability attributed to AI.