ניתוח פרופילים לאטנטיים

תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.

ניתוח פרופילים לאטנטיים (LPA) — שיטה ממוקדת-אדם הממיינת מדגם לתת-קבוצות שלא נצפו (פרופילים) כאשר כל מקרה מתואר על-ידי כמה משתנים בו-זמנית. הוא החבר עם המחוונים הרציפים במשפחת מודלי התערובת; אחיו ניתוח מחלקות לאטנטיות (LCA) מיישם את אותה הלוגיקה על מחוונים קטגוריאליים. שניהם שואלים שאלה אחרת מהמודלים הממוקדים-משתנים השולטים במחקר על בינה מלאכותית בחינוך: לא "בכמה X מנבא Y בממוצע" אלא "כמה סוגים שונים של לומד, מורה או מנהל מסתתרים בתוך אותו ממוצע." במאגר הידע הזה השיטה מראה שכלי בינה מלאכותית אחד נוחת בצורה שונה מאוד בין תת-קבוצות — חמש פרופיליות מודעות אתית בקרב סטודנטים גנאים, שישה טיפולוגיות מוכנות בקרב מנהלי חינוך אוקראינים, ארבע פרופיליות קבלת בינה מלאכותית יוצרת בקרב מורים עתידיים טיוואניים.

שאלות למחשבה

מחקר מדווח שהנוחות הממוצעת של הסטודנטים עם בינה מלאכותית היא 3.8 מתוך 5. מה עשוי אותו ממוצע להסתיר אם קבוצה אחת נלהבת ואחרת מתנגדת בשקט?
LPA מנתח ציונים רציפים; LCA מנתח קטגוריות. אם אתם מקודדים תשובות ראיונות כ"מזכיר הסתמכות יתר: כן/לא," באיזה מהם אתם זקוקים?
פתרון של חמש פרופיליות מדווח על אנטרופיה של 0.816; פתרון מתחרה של ארבע פרופיליות מקבל 0.929 אך מתאר את הנתונים פחות בעושר. איזה מהם הייתם מפרסמים?
פרופיליות הן תיאוריות, לא סיבתיות. אם פרופיל של "סקפטיים מתנגדים" מראה קלות שימוש גבוהה אך כוונה נמוכה לאימוץ, מה הדבר תומך, ועל מה הוא אינו תומך?

מבוא

רוב הראיות על בינה מלאכותית בחינוך הן ממוקדות-משתנים: הן מעריכות קשרים ממוצעים, וממוצעים מניחים הומוגניות. שיטות ממוקדות-אדם במקום זאת לוקחות את האדם כיחידת הניתוח ושואלות כמה קונפיגורציות שונות של תכונות קיימות במדגם. LPA שייכת למשפחה הזו, והתשואה שלה כאן היא שהיא ממירה את גיוון הלומדים מטענה רטורית לממצא בר-מדידה: כאשר פרופיליות המודעות האתית מתפשטות מ-26.1 אחוז עד 4.5 אחוז למרות ממוצע מדגם נוח, הבחנה מפסיקה להיות העדפת עיצוב.

מה השיטה עושה, ומתי היא הכלי הנכון

LPA מניחה שהמדגם נשלף מתערובת של תת-קבוצות, לכל אחת מהן ממוצעים ושונות משלה על המחוונים. החוקר מספק את המחוונים ואת מספר הקבוצות; האלגוריתם מעריך את ההסתברות של כל מקרה לשייכות ומשייך לפי ההסתברות הגבוהה ביותר, ומחזיר פרופיל ממוצע לכל קבוצה, גודל לכל פרופיל, וסיכום של כיצד המקרים נפרדים בצורה נקייה. איזה חבר במשפחה תשתמשו נגזר מהמחוונים, לא משאלת המחקר:

LCA — מחוונים קטגוריאליים. Becker ועמיתיו המירו קטגוריות תשובות מקודרות מתשובות פתוחות של 1,189 סטודנטים לפיזיקה למשתני מחוון ושמרו שתי מחלקות: משתמשים פרגמטיים (70 אחוז) ולא-משתמשים סקפטיים (30 אחוז); מכיוון שנושא שלא הוזכר נחשב כ"אין אישור," המחברים מסמנים על דחיסת-אפס במסגרת הנתונים.
LPA — מחוונים רציפים כגון ציוני סולמות וממוצעי בנייה. Chen ועמיתיו מיפו 128 מורים עתידיים טיוואניים על חמש בניות של TAM/UTAUT2; Acquah ועמיתיו מיפו 509 סטודנטים גנאים על שלוש ממדי מודעות אתית; Schweder ועמיתיו מיפו 2,464 סטודנטים על סיפוק צרכים מוטיבציוניים.
ניתוח מעבר (פרופילים) לאטנטי מרחיב את המשפחה לאורך זמן, ומעריך פרופיליות לכל גל וההסתברות למעבר ביניהן. Liang ועמיתיו עקבו אחר מוטיבציית הלמידה ב-AI של 2,086 סטודנטים לאורך שנה; Wu עקב אחר 457 לומדי יפנית לאורך שלושה גלים, כאשר הפרופיל הלא-מסתגל התכווץ מ-26.48 ל-17.74 אחוז.

קיבוץ רגיל (k-means והיררכי) רודף אחר אותה כוונה ממוקדת-אדם אך מחלק מקרים לפי מרחק גאומטרי במקום להעריך מודל הסתברותי. פנו ל-LPA או LCA כאשר השאלה עוסקת בתת-קבוצות — האם "הלומד" הוא בדייה ברמת הצטברות של המדגם שלכם, והאם תת-קבוצות נבדלות בצורה כמו גם ברמה. אל תפנו אליו כאשר אתם זקוקים לאפקט טיפול ממוצע: פתרון של חמש פרופיליות בתוך ניסוי אקראי על חונך אדפטיבי ניבא הבדלים במבחן-אחרי (partial η² = .27) אך לא מצא אינטראקציה של תנאי × פרופיל (ps ≥ .198).

כיצד הקורפוס משתמש בו

שלושה שימושים חוזרים.

הקמת הטרוגניות לפני עיצוב עבורה. הסקר של Kremen ועמיתיו על 395 מנהלי חינוך אוקראינים השתמש ב-LCA ממוקד-אדם כדי להראות ש"המנהל" הוא בדייה: שישה טיפולוגיות רצות ממוגבלים-מיומנות (25.6 אחוז, מוכנים אך בלתי-מיומנים) ועד סקפטיים נקיי-מחסום (המוכנות הגבוהה ביותר ובכל זאת 74 אחוז חוסר אמון ב-AI), והמחברים קוראים אותם כמנדט להכשרה דיפרנציאלית.
יישור חוצה-מערכות כבדיקת יציבות. Fang and Jin (2026) שמרו ארבע פרופיליות אמון מתוך 40,680 מורים ב-49 מערכות חינוך (אדישים 6.13% עד אישור מדוד 56.29%), ושינויו של מקור היישור השאיר את הסכם הסיווג על 99.62% — בעוד שהתועלת סדרה את הפרופיליות באופן זהה בכל 49 המערכות, והסיכון לא.
שחזור תת-קבוצות שממוצע מסתיר. Acquah ועמיתיו שמרו חמש פרופיליות מודעות אתית מגבוהה מאוד-מקיפה (26.1 אחוז) ועד מודעות אתית נמוכה (4.5 אחוז, תועלתיות 2.06), התפשטות הרצה ממש מעל רבע המדגם עד פחות מעשירית. Chen ועמיתיו מצאו שסקפטיים מתנגדים דיווחו על קלות שימוש נתפסת גבוהה אך כוונה התנהגותית נמוכה מאוד — ההדגמה הברורה ביותר בקורפוס לפרדוקס קלות-השימוש/כוונה אינו גלוי למודל ברמת הממוצע.
מיפוי כיול במקום רמה. מחקר אוריינות ה-AI של המורים יישם LPA על ההסכם בין דיווח עצמי לאמצעים אובייקטיביים, וחיזק שישה פרופילים: הערכה-יתר, הערכה-יתר ביחס לעצמו, יישור, וקבוצה של נמוך/נמוך שמרוכזת בקרב מורים ללא ניסיון קודם באוריינות AI. כאן הפרופיליות מתארות תבנית בין כלים, לא פס ציונים.

הפרופיליות משמשות אז כמשתנה בלתי-תלוי: התחום עיצב את החברות בקרב מורים עתידיים (Cramér's V = 0.532, סטודנטי STEM מרוכזים בחלוצי טכנולוגיה), והחברות ניבאה יעילות עצמית, שחיקה וחרדת AI במקומות אחרים בקורפוס.

בחירת מספר הפרופיליות

אין סטטיסטיקה בודדת הבוחרת את הפתרון; הקורפוס מתייחס לשימור כשיפוט שנעשה מכמה קריטריונים יחד.

קריטריוני מידע (BIC, AIC). נמוך יותר הוא בדרך כלל טוב יותר, אך ירידה מונוטונית מסמנת בעיה ולא מנצח. במחקר המנהלים האוקראיני BIC ירד באופן מונוטוני לאורך טווח שתי-עד-שש מחלקות ללא מינימום ברור, והמחברים מכנים את פתרון ששת-המחלקות שלהם כחוקרי על בסיס הראיה הזו.
אנטרופיה. סיכום של ודאות הסיווג, קרוב יותר ל-1 פירושו שיוך נקי יותר. Chen ועמיתיו מדווחים על 0.985 לארבע פרופיליות; Acquah ועמיתיו מדווחים על 0.816 לחמש פרופיליות לעומת 0.929 לארבע, ומציעים בעצמם לאחד לקבוצה יציבה יותר.
פרשנות וגודל הפרופיל. מחקר מיפוי האמון ב-AI שמר שלושה אשכולות למרות שמדד Calinski–Harabasz העדיף שניים, משום ששלושה היו פרשניים, והוא מציין שמקדם סילואט של 0.288 מסמן הפרדה חלשה או בגבול. Chen ועמיתיו מזהירים שהפרופיל הקטן ביותר שלהם (14.06 אחוז מ-128 מקרים) עשוי להיות בלתי-יציב, והפרופיל הקטן ביותר במחקר הגנאי מחזיק רק 23 סטודנטים, מה שהמחברים מציעים למזג.
יציבות תחת דגימה מחדש. יציבות בוטסטראפ היא הבדיקה הכנה על הפרופיליות שיושפעו במדגם חדש: מדד Rand מתואם ממוצע היה 0.385 לפתרון ששת-המחלקות האוקראיני אך 0.989 לאורך 100 איתחולים אקראיים במחקר האמון ב-AI — אותו עיצוב נומינלי, משקל ראיתי שונה מאוד.
מבחני יחס סבירות (BLRT) ומבחן Lo–Mendell–Rubin הם בני-לוויה רגילים ל-BIC ואנטרופיה בספרות מודלי התערובת הרחבה, אך מחקרי הפרופיל במאגר הידע הזה אינם מדווחים עליהם. היכן שעמוד מדווח רק על BIC ואנטרופיה, התייחסו למניין המחלקות כזמני.
בדיקת יחס-הסבירות שהקורפוס הזה מחסיר אחרת. Song et al. (2026) שמרו ארבע פרופיליות (אנטרופיה 0.824) מתוך 379 סטודנטים לניהול ודיווחו על החלטת Lo–Mendell–Rubin: משמעותית בארבע (p = 0.035) ובלתי-משמעותית בחמש (p = 0.376).
שימור המוגן עם הפתרון המתחרה ומבחן יחס-סבירות. Suriá-Martínez et al. (2026) מדווחים שפתרון של ארבע פרופיליות התאים ל-102 הסטודנטים טוב יותר אך לא שופר באופן משמעותי והשאיר את המחלקה הקטנה ביותר ב-12.7 אחוז, ולכן הם שומרים שלוש פרופיליות (אנטרופיה .89) ולא את המודל המתאים טוב יותר מספרית. דיווח על הפתרון המפסיד ועל מה שדירג אותו מחוץ הוא מה שהופך את מניין המחלקות השמור לשיפוט שקוראים יכולים לבדוק, ואמצעי שימוש ה-AI בן 12 הפריטים שנבנה במיוחד למחקר — שאומת על מדגם נפרד בן 85 שהמחברים מכנים זמני — מסמן את הגבול האחר של הראיה שלו.

דווחו על ההשוואות, לא רק על המנצח: עמוד שאומר "שמרנו חמש פרופיליות" ללא הפתרון המתחרה, את ערכי האנטרופיה ואת גודל הפרופיל הקטן ביותר, אינו נותן לקוראים דרך לשפוט את הבחירה.

קריאת התוצאות ודיווחן, והיכן הן משתבשות

קראו פרופיל לפי צורתו כמו גם רמתו. במחקר הגנאי הפרופיליות נבדלות בקונפיגורציה של אוטונומיה, תועלתיות והוגנות — הגדולה ביותר מצמדה אישור אוטונומיה חזק עם תועלתיות נמוכה — ולכן שתי פרופיליות יכולות לשבת ברמות כוללות דומות ובכל זאת לדרוש הוראה שונה.

ארבעה זהירויות, כולם נאמרו בעמודי המקור:

הפרופיליות תיאוריות. הן אומרות מי נמצא במדגם, לא מדוע, ועיצובי חתך אינם יכולים להראות יציבות או תנועה (מחקרי המורים העתידיים, גאנה והפיזיקה). רק הניתוחים האורכיים — מחקר המעבר של שנה וגליו המרובים של Wu — תומכים בטענות על תנועה, ואף שם התנועה היא קשר, לא אפקט התערבות.
החברות מוערכת, לא נצפית. מקרים משויכים לפי ההסתברות הפוסטריורית הגבוהה ביותר, ולכן פרטים הסמוכים לגבול מסווגים עם אי-ודאות אמיתית; אנטרופיה נמוכה וערכי סילואט חלשים פירושם שהגבולות צריכים להיקרא כרכים.
בחירת המחוון מגדירה את התשובה. הפרופיליות תלויות לחלוטין באילו משתנים נכנסים למודל, ולכן הטרוגניות שהמחקר לא מודד היא הטרוגניות שאינו יכול למצוא — מחקר גאנה אסף רק מגדר בין הרקעים ולכן אינו יכול לומר מה מנבא את החברות.
הטרוגניות שהתגלתה אינה סיבתיות שהתגלתה. האפס של פרופיל × תנאי בניסוי החונך הוא התזכורת: מיפוי תוצאה בתוך ניסוי אינו מבחן מתווך של הטיפול.

השלכות לבינה מלאכותית בחינוך

מדדו הטרוגניות לפני שאתם ממליצים על התערבות. הפרופיליות בקורפוס הזה מציבות שוב ושוב רבע או יותר ממדגם מתחת לממוצע הכותרת; עוצבו עבור הפרופיליות שקיימות ולא עבור הממוצע.
העדיפו שיטות ממוקדות-אדם כאשר התוצרת היא הבחנה. מחקרי המורים העתידיים והמנהלים מציגים שניהם את המעבר הזה כתרומתם המתודולוגית, משום שמנבאים ממוצעים אינם יכולים לחשוף את הקונפיגורציות שמצדיקות תמיכה דיפרנציאלית.
דווחו על ראיית השימור במלואה. פרסמו השוואות BIC/AIC, אנטרופיה, גדלי פרופיל ובדיקת יציבות, ואמרו בבירור מתי מניין מחלקות הוא חוקרי.
התייחסו לפרופיליות כאבחונים, לא כתוויות. פרופיל הוא בניית מחקר עם גבול מוערך, ולכן כלי המשייך פרטים לקטגוריות עם שם נושא את זהירותו של כל כלי מדידה — והשפעות דיפרנציאליות בין קבוצות לומדים מצדיקות את הביקורת של כל ניתוח תת-קבוצה.

מושגים מקושרים

מאמרים מקושרים

Beyond Positive or Negative: Latent Profiles of University Students’ AI Attitude and Their Career-Development Correlates — Lo–Mendell–Rubin retention evidence for four AI-attitude profiles in 379 business students
Profiles and Transitions of Psychological Adaptation in AI-Assisted Japanese Language Learning — Three-wave latent profile transition analysis of psychological adaptation
From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — Latent transition analysis of three motivation profiles over a year
Psychological Profiles Associated with Trust in Artificial Intelligence Among University Students: A Machine Learning Clustering Approach — K-means profiles; silhouette vs. Calinski–Harabasz disagreement; ARI 0.989
Uncovering adoption personas for generative AI in higher education: a clustering-based segmentation approach — Hierarchical and k-means clustering into four GenAI adoption personas
Teachers’ AI Belief Profiles and Their Associations with AI Use, Pedagogical Applications, and Barriers: A Person-Centered Analysis of TALIS 2024 — Four teacher AI-belief profiles from 40,680 teachers in 49 systems, with alignment stability

מטא-דאטה

שיטות מחקר והערכה	מחקר כמותי, שיטות מחקר ב-AIED

Source History Edit Chat