תיאוריית ההכרעה העצמית

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

תיאוריית ההכרעה העצמית (SDT) — תיאוריה פסיכולוגית של המוטיבציה האנושית הטוענת כי המוטיבציה הפנימית והרווחה תלויות בסיפוק שלוש צרכים פסיכולוגיים בסיסיים: אוטונומיה, מיומנות וקרבה. בבינה מלאכותית בחינוך, SDT מספקת מסגרת לעיצוב כלי בינה מלאכותית והתפתחות מקצועית שמסייעים במקום לערער את המוטיבציה של הלומדים והמורים.

שאלות למחשבה

• התיאוריה טוענת שהמוטיבציה איננה רק כמה יש לכם אלא איכות שנעצבת על-ידי הסביבה, ונשענת על שלושה צרכים: אוטונומיה, מיומנות וקרבה. חשבו על חווית למידה ששחררה אתכם. איזה משלושת הצרכים הופר, ומה היה משקם אותו?
• מחקר של שנה שלמה מצא שלוש פרופיליות מוטיבציוניות — לא-מעורבים, מתפתחים, בעלי הכרעה עצמית — שהיו יציבות לאורך זמן, וסטודנטים שהגיעו לפרופיל בעל ההכרעה העצמית הראו את רווחי אוריינות ה-AI הגדולים ביותר. לפני שקראתם, האם המוטיבציה היא משהו שהסטודנטים מביאים עמם, או משהו שסביבה מעוצבת היטב יכולה לגדל? מה "התפתחותי, לא קבוע" מרמז?
• אם כלי בינה מלאכותית הופך כל משימה לקלה ול"נוחה לשימוש", איזה צורך פסיכולוגי הוא עשוי לספק — ואיזה צורך הוא עשוי לערער בשקט? כיצד יכול כלי שמגביר מעורבות לטווח קצר לפגוע במוטיבציה לטווח הארוך?
• התפתחות מקצועית תומכת-צרכים למורים חיזקה את אוריינות ה-AI שלהם והמוטיבציה המתמשכת שלהם. האם הדבר מרמז שהאופן שבו אנו מאמנים מחנכים על בינה מלאכותית חשוב ככל מה שבינת המלאכותית עצמה עושה? כיצד ייראה אימון בינה מלאכותית "תומך-אוטונומיה" עבורכם באופן אישי?
• מחקר מצא ש-ChatGPT יכול לתמוך באוטונומיה, קרבה ומיומנות בלימוד שפות. אך האם אותו הכלי יכול לערער על אותם צרכים עבור לומד אחר? מה היה צריך להיות נכון לגבי כיצד הוא משמש כדי שהתיאוריה תחזיק?
• לפני שתקראו הלאה, ציינו דרך שבה הרגשתם שהמיומנות, האוטונומיה או תחושת הקשר שלכם הושפעו משימוש בכלי בינה מלאכותית — ושקלו האם הייתם מבחינים בשינוי הזה בלי שהונחיתם לחפש אותו.

מבוא

SDT משמשת יותר ויותר במחקר בבינה מלאכותית בחינוך כעדשה תיאורטית גם למערכות בינה מלאכותית המיועדות ללומדים וגם למיועדות למורים. הטענה המרכזית של התיאוריה — שהמוטיבציה אינה כמות שהלומדים מחזיקים בה אלא איכות שנעצבת על-ידי הסביבה החברתית והטכנולוגית — הופכת אותה לרלוונטית ישירות לשאלות על כיצד כלי בינה מלאכותית משפיעים על מעורבות, התמדה ותוצאות למידה. המאמרים במאגר הידע מיישמים SDT בשלושה הקשרים עיקריים: התפתחות מקצועית של מורים, מעורבות למידה בתיווך בינה מלאכותית, ומחשוב אפקטיבי.

ערכות מחקר מרכזיות

התפתחות מקצועית של מורים מבוססת-SDT מיישמת את עקרונות התיאוריה התומכים-צרכים להכנת מחנכים לבינה מלאכותית. Chiu et al. חקרו 382 מורים בחטיבת הביניים ומצאו שהתפתחות מקצועית תומכת-צרכים ומונחת ב-SDT מגבירה את אוריינות ה-AI של המורים ומטפחת מעורבות התנהגותית מתמשכת בקהילות למידה מקצועיות מקוונות. ניתוח איכותני זיהה תשע אסטרטגיות עיצוב התומכות באוטונומיה, מיומנות וקרבה — גישור על הפער שבין התפתחות מקצועית מבודדת לקהילות למידה מקצועיות.

SDT במעורבות למידה בתיווך בינה מלאכותית בוחנת כיצד כלי בינה מלאכותית יוצרת מעצבים מוטיבציה של סטודנטים. Isaeva et al. שילבו SDT עם ניתוח רשת אפיסטימי כדי לחקור את מעורבותם של סטודנטים עם בינה מלאכותית יוצרת בלמידה אקדמית. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming חוקר כיצד זמינות בינה מלאכותית משפיעה על מוטיבציה והתמדה של סטודנטים, ומתחבר לדאגות של הסתמכות יתר על שחיקת מוטיבציה. Liang et al. (2026) מרחיבים SDT ללמידת AI עם ניתוח מעבר לאטנטי של 2,086 סטודנטים תיכון בתכנית לימודים שנתית לAI, ומזהים שלוש פרופיליות מוטיבציוניות (לא-מעורבים, מתפתחים, בעלי הכרעה עצמית) שהיו יציבות לאורך זמן ומראים שרוב הסטודנטים שמרו על פרופיל או עלו לפרופיל גבוהה יותר. באופן מכריע, סטודנטים שהגיעו לפרופיל בעל ההכרעה העצמית או נשארו בו הראו את רווחי אוריינות ה-AI הגדולים ביותר — ראיה אורכית ישירה לכך שסיפוק אוטונומיה, מיומנות וקרבה מנבא תוצאות טובות יותר בלמידת AI, ושהמוטיבציה היא תכונת לומד התפתחותית (לא קבועה).

תוצאה מכיתות מנוגדת מראה שהצרכים אינם נעים יחד: מבין 2,464 סטודנטים בחטיבה הנמוכה, למידה מבוססת-מיומנות בתמיכת ChatGPT הגבירה את התמיכה באוטונומיה ואת סיפוק המיומנות אך ייצרה חלק גדול יותר של פרופיליות מוטיבציוניות באיכות נמוכה, וסיפוק הקרבה היה חלש יותר מאשר בלמידה מבוססת-מיומנות ללא AI (Schweder, Hagenauer & Raufelder (2026)).

מבחן קונפיגורציוני מחדד את הנקודה: מבין 498 סטודנטים לרפואה, שימוש ב-GAI היה קשור רק בחולשה לסיפוק צרכים (β = 0.155) והתברו כבלתי-נחוצים למעורבות גבוהה, בעוד שסיפוק צורך המיומנות היה התנאי המרכזי בקונפיגורציה החזקה ביותר (He et al. (2026)).

שני מסלולים דואליים מאקלים למידה לשימוש ב-AI. Shen and Arunrugstichai (2026) משלבים SDT עם מודל Hook של מעורבות התנהגותית כדי להסביר מדוע שימוש ב-GenAI נע מתמיכה קונסטרוקטיבית ועד תלות כפייתית. בנתוני סקר חתך מבין 508 סטודנטים אוניברסיטה עם רקעי תיכון שונים והקשרים נוכחיים שונים (סין ותאילנד), דיווחים רטרוספקטיביים של לחץ תיכון לעומת תמיכה באוטונומיה ניבאו באופן דיפרנציאלי באיזה משני המסלולים הסטודנטים צעדו אל האוניברסיטה — אחד לכיוון שימוש קונסטרוקטיבי ואוטונומי ב-GenAI והאחר לכיוון תלות כפייתית — עם תוצאות עקביות לאורך ניתוחי רב-קבוצות חוצה-הקשר. המודל מקשר תהליכים מוטיבציוניים של SDT לאיכות נתפסת של למידה נתמכת-AI, וממסגר תמיכה באוטונומיה כמנוף שמכוון סטודנטים לשימוש פרודוקטיבי ולא תלות.

• ChatGPT וצרכי SDT בלמידת שפות: Annamalai et al. (2026) השתמשו בעדשה של SDT עם 25 סטודנטים אוניברסיטה מלזיים, ומצאו ש-ChatGPT תומך באוטונומיה, קרבה ומיומנות בלמידת אנגלית — מגביר דקדוק, כתיבה ומשימות שיחה, תוך מתן אפשרות למחנכים להתמקד בהכשרה ברמה גבוהה יותר.

SDT מיושמת על הפרקטיקה הבת-ייווץ של המרצים עצמם. Claassen et al. (2026) השתמשו ב-SDT כעדשה פרשנית על כיצד מרצים משלבים אנליטיקת למידה ובינה מלאכותית יוצרת בעיצוב למידה — ומצאו שתמיכה בצרכים הבסיסיים של המרצים (אוטונומיה, מיומנות, קרבה) מטפחת את פתרון הבעיות היצירתי שעיצובם דורש. בניתוח ה-ENA שלהם, שימוש ב-GenAI היה מקושר לעיצוב למען הכרעה עצמית של הסטודנטים (למשל, יצירה משותפת של מנגנוני הערכה עם הסטודנטים), ובכך מרחיבים SDT מהלומדים למחנכים הבונים סביבות מבוססות-AI תומכות-צרכים.

עבור המורים עצמם, שיתוף פעולה עם בינה מלאכותית פועל בשני כיוונים: מחקר בשלוש גלים על 468 מורים באוניברסיטה מצא שהיא הגבירה את מעורבות העבודה באמצעות זמינות פסיכולוגית והפחיתה אותה באמצעות ניכור מעבודה, ומיומנות דיגיטלית חיזקה את המסלול הראשון וחיזקה פחות את השני (Sun et al. (2026)).

מסגרת של שיתוף-סוכנות מגבילה את הישגי SDT בחינוך מבוסס-AI: היא משנה את הנסיבות שבהן מתעוררות אוטונומיה, מיומנות וקרבה, אך משאירה שוויון כוח, בעלות נתונים ואחריות בלתי-מטופלות, וזו הסבה שהמחברים קבעו את האחריות האפיסטמית האנושית כתנאי בלתי-מתפשר מחוץ לתיאוריה (Poudyal (2026)).

תמיכה באוטונומיה כמסגרת לשימוש ילדים ב-GenAI. Fan, Li and Zhang (2026) מעבירים את שאלת השימוש האחראי ממגבלה לתמיכת צרכים, וטוענים שההבחנה שחשובה היא האם המבוגרים סביב הילד תומכים באוטונומיה ולא שולטים בה, ומבחינים בפריקת עומס תלותית לעומת אוטונומית במונחי SDT: פריקה תלותית מעבירה סוכנות ומפחיתה מוטיבציה פנימית, פריקה אוטונומית מספקת פיגום בזמן שהלומד שומר על שליטה אפיסטמית. שני מאפיינים של הסקירה רלוונטיים ישירות ליישום SDT: היא מתעקבת שתמיכה באוטונומיה אינה מתירנות, והיא מתייחסת לתיאום בין משפחה לבית-ספר שההנחיות הנוכחיות מניחות כהשערה בלתי-נבדקת, ומפרמלים גרסאות תוספות, סינרגטיות ומפצות שניסוי פקטוריאלי בלבד המבחין בין הנחיית משפחה-בלבד, בית-ספר-בלבד, מתואמת ופרקטיקה-רגילה היה יכול להבחין ביניהן.

קשרים למושגים קשורים

SDT מתחברת ישירות למוטיבציה כבניית-האם שלה, למחשוב אפקטיבי ולחונכות אפקטיבית לעיצוב AI מודע-רגש, ולחוויית הסטודנט לכיצד לומדים חווים סביבות מבוססות-AI. הדגשת התיאוריה על אוטונומיה מתחברת ללמידה ווסתית עצמית, בעוד שממד המיומנות שלה מתחבר לחונכות ולמידה יעילות עצמית ולמיומנות AI של המורים. SDT רלוונטית במיוחד להכשרה מקצועית ולהתפתחות חינוכית משום שעיצוב תומך-צרכים הוא עקרון בר-העברה להכנת מחנכים לשימוש בבינה מלאכותית.

מושגים מקושרים

• מוטיבציה
• חוויית הסטודנט
• מחשוב אפקטיבי
• חונכות אפקטיבית
• למידה עצמית מוסדרת
• כושר AI של המורה
• פיתוח חינוכי
• למידה במקום העבודה
• פריקת עומס קוגניטיבי
• מעורבות סטודנטים
• בינה מלאכותית בחינוך
• תיאוריות למידה

מאמרים מקושרים

• Family-school autonomy support for children's responsible use of generative artificial intelligence — Family-School Autonomy Support for Children's Responsible Use of Generative AI

• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — High-school pressure/autonomy support and dual AI learning pathways (Shen & Arunrugstichai 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — LA and GenAI in learning design decision-making

• Teacher education for artificial intelligence literacy through a self-determination theory perspective

• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study

• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming

• Students' experiences of using ChatGPT for English language learning: a qualitative study in a Malaysian higher education institution — Students' ChatGPT experiences in English language learning

• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Learner characteristics × TTS dialogue-format interactions

• From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — SDT latent transition analysis of students' AI learning motivation (2,086 secondary students)

• Student Motivation and Need Satisfaction in GenAI-Supported Classrooms: A Self-Determination Theory Perspective — Student motivation and need satisfaction in GenAI classrooms (Schweder, Hagenauer & Raufelder 2026)

• Generative Artificial Intelligence Use and Learning Engagement Among Medical Undergraduates: Statistical Indirect and Configurational Associations Involving Basic Psychological Need Satisfaction — GAI use is weakly tied to need satisfaction and unnecessary for high engagement (He et al. 2026)

• The Double-Edged Sword Effects of Teacher–AI Collaboration on Work Engagement: A Self-Determination Theory Perspective — Dual pathways from teacher–AI collaboration to work engagement, moderated by digital competency