למידה עצמית מוסדרת

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

למידה עצמית מוסדרת (SRL) מתארת לומדים כמשתתפים פעילים שיכולים לעצב ולפתח את הפעולות הקוגניטיביות וההתנהגותיות שלהם באופן מוצלח. כלי בינה מלאכותית יכולים או ליצור פיגום לפיתוח ה-SRL, או לקצרו ללא כוונה על ידי הסרת הדרישות הרגולטוריות שבונות מומחיות.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) ראיות אורכיות מחדדות את ההבחנה: שימוש רפלקטיבי סביב כלי בינה מלאכותית ניבא חשיבה ביקורתית (β = 0.43) אך לא רווח ידע, וגישה לכלי כשלעצמה לא שינתה דבר.(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

שאלות למחשבה

• SRL מתארת לומדים שמנהלים באופן פעיל את הלמידה שלהם בשלוש פאזות: חשיבה מוקדמת (הצבת יעדים, תכנון, מסוגלות עצמית), ביצוע (אסטרטגיה, התבוננות עצמית), והשתקפות עצמית (הערכה, התאמה). לפני שקראתם — באיזו פאזה אתם באמת טובים, ואיזו אתם מדלגים עליה גם כשאתם יודעים שעדיף אחרת?
• המתח המרכזי בעמוד: בינה מלאכותית יכולה ליצור פיגום לוויסות עצמי, או לקצרו על ידי הסרת הדרישות הרגולטוריות שבונות מומחיות. כיצד כלי שהופך משימה לקלה יותר יכול גם להפוך אתכם לוויסות גרועים יותר של הלמידה שלכם — והאם אתם מרגישים את ההבדל בשימוש שלכם?
• סטודנטים מגלים לעתים קרובות 'גירעון ייצור': הם מחזיקים בידע על וויסות עצמי אך אינם מפעילים אותו באופן ספונטני — מבקשים מצ'אטבוט 'לחלץ את הרעיונות העיקריים' ומדלגים לחלוטין על תכנון ומעקב. תפסתם את עצמכם עושים את המקביל הקוגניטיבי של כך, אפילו בזמן שידעתם את האסטרטגיה הטובה יותר?
• כאשר תמיכה קיימת, שיפוטכם אתם עלול להיעלם מהתמונה: במחקר אחד של נתוני מעקב (trace-data), התמיכה הזמינה, ולא דיוק המטאקוגניציה של הלומד, היא שקבעה את אסטרטגיית התיקון שנבחרה. אם עזרה חיצונית עוקפת את קריאתכם את הלמידה שלכם — איזה שיפוט הייתם שומרים בכוונה בידיים שלכם?
• המחקר מצא פער 'כיול אמון' (אי-כיול): סטודנטים יכולים לתפוס לימוד רב יותר עם בינה מלאכותית יוצרת, תוך שמירה על פחות — העדיפו בינה מלאכותית על פני רישום הערות למרות שימור חלש יותר. אם אתם מרגישים פרודוקטיביים תוך שימוש בכלי, כיצד תגלו אי פעם שאינכם לומדים יותר בפועל?
• האם בינה מלאכותית יוצרת מתפקדת כפיגום, כקיצור דרך, או כשותף תלוי יותר ביכולת הרגולטורית של הלומד מאשר בכלי עצמו. אך העמוד מראה גם פיגומים של וויסות עצמי — אם כי לא מבטלים — את הנזק של פריקת עומס קוגניטיבי עמוקה. מה המשמעות של האזהרה 'חוצץ אך אינו מבטל' לעיצוב כלי בינה מלאכותית טובים יותר?
• הציבו יעד לפני הקריאה: בחרו משימה אחת שבה אתם משתמשים בבינה מלאכותית באופן קבוע, והחליטו מרעד איזו משלוש פאזות ה-SRL (חשיבה מוקדמת, ביצוע, השתקפות) תשמרו בכוונה מלהיות ממולאת אוטומטית. איזה תוצאה תגיד לכם שזה עבד?

מבוא

SRL הוא התהליך שבו לומדים מנהלים באופן פעיל את הלמידה שלהם דרך שלוש פאזות קשורות:

1. חשיבה מוקדמת: הצבת יעדים, תכנון אסטרטגי, אמונות יעילות עצמית
2. ביצוע: פריסת אסטרטגיות, התבוננות עצמית, מיקוד קשב
3. השתקפות עצמית: הערכה עצמית, ייחוס סיבתי, התאמה

לומדים מיומנים בוויסות עצמי מעסיקים אסטרטגיות קוגניטיביות כדי לשפר את ההצלחה ומנצלים מטאקוגניציה כדי לחדד את תהליכי הלמידה שלהם באופן מתמשך.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

עבודה אמפירית בקורס בתיווך טכנולוגיית מידע מאשרת את הקשרים בין הפאזות: במחקר תווי של שמונה שבועות (194 סטודנטים), ערך המשימה, המסוגלות העצמית, הנטייה ליעדים ורגשות חיוביים בפאזה קדם-הפעולה ניבאו התנהגות רגולטורית פעולה, בעוד רגשות שליליים עיכבו אותה, ושביעות רצון לאחר הפעולה הוזנה קדימה אל פאזה קדם-הפעולה הבאה (Mejeh & Fromm (2026)).

מיפוי שיטתי של 84 מחקרי AI–SRL מצא שהמחקר מרוכז בסטודנטים בהשכלה גבוהה ובממדים המטאקוגניטיביים והקוגניטיביים של הוויסות העצמי, כאשר הממד המוטיבציוני נחקר פחות, ומעל שליש מהמחקרים לא ציינו שום תיאוריית SRL כלל (Banihashem et al. (2025)).

משמעות חיונית: SRL סביב בינה מלאכותית מעוצב על ידי תפיסה כמו גם התנהגות: Yilmaz et al. מדגימים שהאם הסטודנטים תופסים את המשוב כמגיע מבינה מלאכותית או מבן אנוש משפיע משמעותית על הלמידה העצמית המוסדרת ועל התנהגות התיקון שלהם — תזכורת שהמסגרת החברתית של הבינה המלאכותית, ולא רק התוכן שלה, משנה כיצד לומדים מוויסתים סביבה.

דרך כישלון אחת נמצאת לפני שהרגולציה מתחילה: דחיינות בלמידה בסיוע בינה מלאכותית יוצרת — עיכוב מיותר בהתחלת עבודה נתמכת בינה מלאכותית יוצרת, למרות כוונה אמיתית להשתמש בה. בין 1,243 סטודנטים לתואר ראשון סיניים, שימוש תכוף יותר בבינה מלאכותית יוצרת הלך יחד עם פחות ממנה (β = −0.195), וחרדה מלימוד הבינה המלאכותית חיזקה את הקשר בין כוונה לעיכוב (Li et al. (2026)).

מקום שבו בינה מלאכותית יוצרת נכנסת למחזור קובע את השפעתה: במיפוי פאזות החשיבה המוקדמת, הביצוע וההשתקפות של Zimmerman על סביבות בתיווך בינה מלאכותית, מסגרת שיתוף-סוכנות טוענת שנקודת הכניסה קובעת האם הכלי מגביר או מחליש את תחושת השליטה של הלומד, ושפריקת עומס תומכת בלמידה טרנספורמטיבית רק כאשר ההחלטה היא מכוונת ולא שגרתית (Poudyal (2026)).

סקר חתך-רוחבי של 434 סטודנטים לחינוך מיוחד מודד שרשרת כזו: אוריינות GenAI הייתה קשורה קשר חיובי להתנהגויות למידה עצמית מוסדרת בסיוע GenAI (סך B = 0.701), ברובה דרך לימוד סוכנות הלומד (B = 0.345) ולא דרך רגשות אתגר (B = 0.061) (Yang et al. (2026)).

תמיכה דיגיטלית ב-SRL

יומני למידה

יומני למידה הם התערבות SRL מבטיחה: על ידי השתקפות על תהליכי הלמידה שלהם, סטודנטים מגבירים את מודעות הקוגניציה ומחזקים את היכולת הרגולטורית. שיקולי עיצוב מרכזיים:

• המבנה חשוב: יומנים פתוחים מפיקים לעתים קרובות רשומות שטחיות; הנחיות מונחות ודגמים לדוגמה משפרים את העומק
• דעיכת מוטיבציה: אפליקציות יומן ניידות רואות בדרך כלל ירידה מהירה במעורבות לאחר מספר ימים
• מחליפת פיגום: סיוע בינה מלאכותית שכותב את ההשתקפויות במקום הסטודנטים מחליש את תרגול ה-SRL; סיוע שמבנה הנחיות בלי לחבר תוכן שומר עליו

לוחות מחוונים שמעבירים פרופילי SRL למורים

Mejia-Domenzain et al. (2026) מרחיבים את התמיכה הדיגיטלית ב-SRL לצד המורה: לוח המחוונים אנליטיקת למידה שלהם (DashED) מעביר למורים בכיתות משולבות פרופילי למידה עצמית מוסדרת שנגזרו מלמידת מכונה, והאופן שבו מורים פועלים על פי הפרופילים האלה תלוי הקשר. בשימוש, מורים בכיתות מפותחות (אוניברסיטה) עסקו בחקר עוקבי והעדיפו התאמה ברמת הקורס והצגת לוחות מחוונים בכיתה, בעוד מורים מקצועיים חזרו לדפי סיכום והשתמשו בכלי בעיקר לפגישות אימון אישיות. הפעולות שהמורים הציעו עוצבו על ידי התוכן המיוצג ורמת ההוראה שלהם ולא על ידי סוג התרשים — מורים אוניברסיטאיים העדיפו מבחנים שבועיים והתאמת קורס, מורים מקצועיים אימון ישיר ואישי. ממצב זה את לוח המחוונים כפיגום לוויסות ההוראה על ידי המורים, עם צרכי עיצוב המשתנים לפי הקשר ולא ממשק מיטבי יחיד.

המקבילה הפונה לסטודנט דלה יותר: לוח מחוונים שהציג ל-46 תלמידים תיכון את ההנחיות (prompts) שלהם ב-GenAI ואת חפיפת הטקסט שלהם עם תשובות המודל נפתח על ידי כשליש מהכיתה בלבד, מה שהופך את החשיפה מרצון ולא את ההמחשה עצמה את האילוץ המחייב (Fong et al. (2026)).

הניסוי 2×2 של Scheu et al. (2026)

בניסוי שדה אקראי עם 179 סטודנטים על פני 22 יום, הושוו שני עקרונות עיצוב:

תובנת מפתח: הקורס שיפר מיומנויות SRL ומוטיבציה פנימית דרך העברת מיומנות, בעוד העוזר שיפר מעורבות בלי להשפיע על מוטיבציה.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

כלי בינה מלאכותית ולולאת ההדדיות של SRL–מוטיבציה

עקרון יסוד בתיאוריית ה-SRL הוא שמיומנויות וויסות עצמי (רגולציה של בינה מלאכותית בחינוך) ומוטיבציה יוצרות יחס הדדי:

• SRL טוב יותר → למידה מוצלחת יותר → מסוגלות עצמית גבוהה יותר → מוטיבציה חזקה יותר
• מוטיבציה גבוהה יותר → מעורבות מאומצת יותר → תרגול SRL טוב יותר

כלי בינה מלאכותית יכולים להיכנס ללולאה בנקודות שונות:

• עיצוב SRL-קודם (למשל, קורסים מובנים, רמזים מדורגים, הנחיות השתקפות): מחזק את הלולאה על ידי בניית מיומנות אמיתית
• עיצוב מעורבות-קודם (למשל, השלמה אוטומטית, יצירת תוכן): עשוי להגביר מעורבות התנהגותית בלי להיכנס ללולאת המוטיבציה, תוך סיכון של תלות בכלי

וויסות אסטרטגי של GenAI כ-SRL

Kim (2026) ממסגר מחדש שימוש אפקטיבי בGenAI בכתיבה אקדמית כוויסות אסטרטגי — תרגול SRL מומש של אימות, תיקון, אימוץ סלקטיבי או דחייה של פלט בינה מלאכותית. במחקר שיטות מעורבות של 107 סטודנטים, חרדת AI גבוהה יותר הייתה קשורה קשר חיובי לאימות ולתיקון (β=.24), בעוד יכולת הערכה ניבאה תיקון פעיל ואינטגרציה סלקטיבית (β=.46). הסטודנטים התקבצו לארבעה סוגים רגולטוריים — הסתמכות לא-ביקורתית (18.7%), אינטגרציה סלקטיבית (34.6%), טרנספורמציה הערכתית (31.8%), ודחייה אסטרטגית (14.9%) — ומראים שאוריינות AI בהשכלה גבוהה מתפקדת פך פחות כקבלה ויותר כמיומנות רגולטורית המבוססת על שיפוט הערכתי ואחריות אתית. ממצב זה את SRL כמנגנון הליבה המבדיל בין שימוש ביקורתי ללא-ביקורתי בבינה מלאכותית.

ממשל הכלי הוא בעצמו פאה מדידה: ולידציה דו-גלית עם לומדי EFL סיניים (EFA N = 305; CFA N = 342) מפרידה שישה ממדים רגולטוריים ומכנה וויסות סביבתי — בדיקת פלט שנוצר לדיוק, סינון משאבים מוצעים, והצבת גבולות על ההסתמכות — כממד לעצמו (Wang, Zhang and Zhang (2026)).

סווגו לפני האצלה: Tsim and Gutoreva (2025) הופכים וויסות עצמי לפרוטוקול לכל משימה — סמנו כל תת-משימה תחליף, משלים, סיוע או בלתי-מתפשר, נמקו אותה בהערה מטאקוגניטיבית קצרה, ושמרו עקבות ביקורת של הנחיות, טיוטות ותיקונים אנושיים — כאשר המחזור חוזר כך שהאצלת משימה אחת ממליצה על הבאה.

האינטראקציה עצמה כחפץ וויסות. Brunnström and Palmqvist (2026) מתעדים את אותה דרישת וויסות מכיוון ההפוך: בהדגמה בת שמונה סבבים שבה השתמשו בצ'אטבוט להכין תשובה למבחן לקח-בית, פלט ברירת המחדל של הבינה המלאכותית נשאר בקצה ה*כמותי* רב-המבנים של טקסונומיית SOLO — מלוטש, מוכן להגשה ופדגוגית דל — והגיע ללולאת למידה בת שלושה שלבים שמישה רק לאחר התערבויות חוזרות ברמה-מטא ("זה מוצף, אתה יכול לדחוס את זה?"). המסקנה שלהם היא שהשימוש הפרודוקטיבי דרש "את כישורי הוויסות העצמי בדיוק שהכלי אמור היה לתמוך בהם": הלומד חייב להציב יעדים מצטברים, לבקש התאמות קושי, ולהשתקף על מה שעדיין לא מובן, מעל ועל לתוכן התחומי עצמו. הם מכנים יכולת זו אוריינות אינטראקציה עם בינה מלאכותית ומתייחסים להתנתקות מהכלי כהחלטה רגולטורית לגיטימית ולא ככישלון של התמדה (מטאקוגניציה).

• שביעות רצון אינה וויסות עצמי. Liang et al. (2026) סקרו 689 סטודנטים בתכניות תעשייה-חינוך ובדקו מודל תיווך טורי שבו הנגישויות הנתפסות של תוכן שנוצר על ידי בינה מלאכותית מגבירות יעילות עצמית של AIGC (beta = 0.583) ודרכה מוטיבציה למידה (beta = 0.565) ולמידה עצמית מוסדרת (beta = 0.250), כאשר המוטיבציה היא החוזה הבודד הכבד ביותר של SRL (beta = 0.527). התוצאות השליליות הנושאות-משקל יושבות לצד המסלולים האלה: איכות משוב ההערכה מבוססת הבינה המלאכותית ניבאה שביעות רצון בחזקה (beta = 0.712) אך לא מסוגלות עצמית (beta = 0.131), ושביעות רצון לא הייתה בעלת אפקט משמעותי על למידה עצמית מוסדרת (beta = 0.032). עוזר אהוב ומתפקד היטב אינו אפוא עדן לכך שהרגולציה השתפרה — המנגנון עובר דרך ביטחון ומוטיבציה, ולא דרך חוויית הלומד מהכלי.

קשר לעיצוב ייעודי לחונכות

בינה מלאכותית ייעודית לחונכות מיושרת עם עיצוב SRL-קודם: היא מספקת פיגומים מדורגים ששומרים על סוכנות הלומד ודורשים וויסות אסטרטגי עצמי. בינה מלאכותית כללית מסירה לעתים קרובות את הדרישות הרגולטוריות לחלוטין.(The Evidence Base on AI in K-12: A 2026 Review)

לדוגמה:

• הצ'אטבוט הייחודי לחונכות של Bastani et al. שמר על חשיבה שלב-אחר-שלב (דרישת SRL)
• הגרסה הכללית של GPT סיפקה פשוט תשובות (עקיפת SRL)

ראיות בהקשרים שונים

• ראיות מעורבות ופער אי-הכיול. סקירה מהירה של מחקר GenAI בגילים PreK-12 מוצאת שרווחים מטאקוגניטיביים במשימות נתמכות לעתים קרובות אינם נשמרים כאשר התמיכה מוסרת, ושGenAI יכולה להגביר למידה נתפסת גם כאשר למידה עמידה חסרה (פער אי-הכיול — סטודנטים העדיפו GenAI על פני רישום הערות למרות שימור חלש יותר). סטודנטים זקוקים להדרכה מפורשת, מותאמת שלב, כדי להחליט מה להאציל ומתי מאמץ עצמאי חשוב.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
• יוזמה סוכנית לעומת מתח וויסות עצמי. Woollaston et al. (2026) מציינים שככל שסוכנים ממלאים אוטומטית יותר מתוך משימה, פחות עבודה קוגניטיבית עצמית מוסדרת הלומד מבצע — ולכן עיצובים צריכים לתת ללומדים שליטה על יזימת הסוכן (פיגום דינמי, מדהים) כדי לשמר את היכולת הרגולטורית העצמית במקום להאציל אותה.
• וויסות עצמי מעצב שימוש בעוזרי קידוד בינה מלאכותית. מחקר של עוזרי קידוד מבוססי בינה מלאכותית מצא שסטודנטים עם חשיבה חישובית גבוהה הראו קוהרנטיות וויסות עצמית חזקה יותר (תכנון-ביצוע-השתקפות עצמית) והשתמשו ב-AICA להבנת קוד, בעוד סטודנטים עם CT נמוך השתמשו בו לאחזור תשובות מיידי.
• SRL מתלווה להפרעה דיגיטלית נמוכה יותר בלמידה מקוונת. Shi et al. (2026), באמצעות כריית נתונים לא מפוקחת על 530 סטודנטים למכללה, מצאו שאסטרטגיות SRL — הצבת יעדים, מבנה סביבה, וניהול זמן — התלוו בצורה העקבית ביותר להפרעה דיגיטלית נמוכה יותר בלמידה מקוונת, לצד מעורבות לומד-מרצה ולומד-תוכן. הממצא ממקם הדרכת SRL קונקרטית כהתערבות בעלת מינוף גבוה ללימוד מקוון ממוקד.
• מודעות מטאקוגניטיבית, ולא גישה לכלי, היא המניע החזק ביותר של ביצועים אדפטיביים ב-STEM. Alatoai and Alshahri (2026) בנו ואמתו את AI-STEM-MLCS עם 649 תלמידים תיכון בערב הסעודית (CFI = 0.983, RMSEA = 0.019; McDonald's ω = 0.888 to 0.905) ומצאו שארבעת הממדים שלו הסבירו 68% מהשונות בביצועי למידה עצמית מוסדרת (R² = 0.68). מודעות מטאקוגניטיבית מבוססת בינה מלאכותית הייתה החוזה החזק ביותר (β = 0.38, p < 0.001), ואחריה העברה ואדפטיביות קוגניטיבית (β = 0.29, p = 0.008) ולמידה עצמית מוסדרת מוגברת בינה מלאכותית (β = 0.21, p = 0.040), בעוד חשיבה יצירתית וביקורתית ב-AI-STEM לא ניבאה את הקריטריון (β = 0.14, p = 0.135). המחברים קוראים את הדפוס כראיה שמשוב אדפטיבי מעלה ביצועים ב-STEM בעיקר על ידי כך שהוא מעודד לומדים לבחון שגיאות, לכייל מחדש, ולהשתמש מחדש באסטרטגיות, ולכן הכלי עובד טוב יותר כאבחון שממקם פערי מטא-למידה מאכציון אחד גלובלי. זהו מדד דיווח עצמי שאומת במערכת לאומית אחת, ולכן המקדמים זמניים.
• תמיכה חיצונית יכולה לעקוף את שיפוט המטאקוגניציה של הלומד עצמו. Iqbal et al. (2026) עקבו אחר 87 סטודנטים EFL שתיקנו חיבור תחת GenAI (ChatGPT 4.0), תמיכת מומחה אנושי, או ללא תמיכה. תנאי התמיכה היה הקורלטור החזק ביותר לאסטרטגיית התיקון שהסטודנט בחר (Cramér's V = 0.668), בהרבה לפני נשיאה מהמשימת הכתיבה הקודמת (V = 0.333), בעוד דיוק שיפוט מטאקוגניטיבי (p = 0.172), מיומנות כתיבה (p = 0.261) ומוטיבציה (p = 0.683) לא היו קשורים. שיפוט מטאקוגניטיבי עקב אחר אסטרטגיה רק כאשר לא הייתה תמיכה זמינה (בדיקת פרמוטציה p = 0.0460). סטודנטים עם תמיכת GenAI הרוויתו ביותר (כ-4 נקודות בממוצע תחת אסטרטגיית חיפוש עזרה פוחתת, לעומת −0.5 נקודות לאותה אסטרטגיה תחת תמיכת מומחה אנושי), אך אף אסטרטגיית תיקון לא הייתה קשורה לשינוי בציון (H(3) = 3.895, p = 0.273), ולכן הרווחים הגיעו מהכלי ולא מוויסות עצמי משופר. הנטייה של המחברים היא שGenAI צריך לעודד השתקפות על אסטרטגיית התיקון של עצמו במקום לספק עזרה ישירה.
• שימוש רפלקטיבי עוקב אחר חשיבה ביקורתית, לא אחר רווח ידע. Melanou et al. (2026) עקבו אחר שלוש כיתות מקבילות של סטודנטים לאינפורמטיקה עסקית (N = 87) לאורך קורס בן תשעה שבועות, עם ידע עולה בכל קבוצה (F(1, 50) = 29.87, p < 0.001, η²p = 0.374) וללא יתרון AI, ללא אינטראקציה זמן × קבוצה, וללא אפקט מתי (F(1, 48) = 2.46, p = 0.124; BF01 = 8.70). שימוש רפלקטיבי (בדיקת מקורות ואימות פלט בינה מלאכותית לפני אימוצו) היה גבוה משמעותית בתנאי ה-AI (3.72 לעומת 2.82; F(1, 40) = 20.21, p < 0.001) וניבא חשיבה ביקורתית (β = 0.43, p < 0.001) אך לא רווח ידע, שקוגניטיבי רלוונטי כן ניבא (β = 0.51, p = 0.001). הקריאה המעשית היא שגישה לבינה מלאכותית אינה בעצמה התערבות, ושהתשובתה המטאקוגניטיבית מופיעה באיכות ההסקה לפני שהיא מופיעה בציוני מבחן.

השתקפות מודעת-GenAI כ-SRL

מודל ההשתקפות 5P (Kadel et al. 2026) ממקם מחדש השתקפות מובנית בעידן ה-GenAI כתרגול SRL מומש. כיוון שלומדים יוצרים יותר ויותר משמעות יחד עם בינה מלאכותית, מודלי השתקפות מסורתיים מתקשים לאמת את השתקפות הסטודנט, ולכן מודל 5P (מטרה, תהליך, תוצר, מלכודות, תוכנית) ממזג הצבת יעדים מונחית-חשיבה מוקדמת, השתקפות-בפעולה (תיעוד הנחיות ואיטרציות), השתקפות-על-פעולה (ולידציה של הפלט ההסתברותי מול מקורות חיצוניים), שלב מלכודות מפורש להזיה, פלגיאט, והסתמכות מופרזת, ותוכנית פנייה-קדימה — תוך שילוב ניטור רגשי לאורך כל הדרך. הפילוסופיה "תהליך על פני תוצר" שלו מתייחסת לתיעוד המובנה של האינטראקציה בין אדם לבינה מלאכותית כדרישה הרגולטורית השומרת על אותנטיות, סוכנות הלומד, ועומק מטאקוגניטיבי, וממקמת השתקפות מודעת-GenAI כפיגום לוויסות עצמי ולא תחליף לו.

• מבנה, לא AI לבד, מניע רווחי-למידה-עצמית-מוסדרת. מיפוי שלבי-זימרמן על הוראה-היברידית מבוססת-פרויקטים עם AI כפיגום מטאקוגניטיבי הפיק N-Gain של 0.72 מול 0.28 להוראה-מסורתית (t = 8.47, p < 0.001, Priyambudi et al. (2026)), הטוענים ש-AI מחזק ויסות-עצמי רק בתוך מבנה-המשימה — שימוש לא-מבני מסכן עצלנות-מטאקוגניטיבית.

SRL בתיווך LLM: פיגום, קיצור דרך, או שותף?

צביר של מחקרי Learning Letters (2026) מתכנס אל מתח מרכזי: GenAI יכולה ליצור פיגום, לקצר, או לשתף פעולה עם וויסות עצמי, תלות בעיצוב ובאופן שבו לומדים מוויסתים את השימוש שלה. הראיות מצביעות על כך ש-SRL עצמו — ולא הכלי — הוא המשתנה הקובע.

• Viberg et al. מוצאים ש-LLMs משתלשלים במערכת שכבות של חיפוש עזרה ולא מחליפים תמיכה אנושית: סטודנטים מנסים משימות באופן עצמאי תחילה, ואז פונים ל-ChatGPT כצעד ראשון בעל מחסום נמוך, לעמיתים למשא ומתן מושגי, ולמרצים לסוגיות בעלות חשיבות גבוהה. הם מעדיפים חיפוש עזרה מכני (רמזים, הדרכה שלב-אחר-שלב) על פני חיפוש עזרה מנהלי (פתרונות ישירים), תוך שימוש סלקטיבי באמון ואימות פלט מול חומרי הקורס — תהליך ארבע-שלבי (החלטה האם עזרה נחוצה, בחירת מי לשאול, קביעת סוג העזרה, שיפוט העזרה שהתקבלה) שניתן למדוד וללמד.
• Atif & Dickson-Deane ממסגרים שימוש ב-GenAI כ**פריקת עומס קוגניטיבי** שיכול להיות או מפוגם (לומדים מבקרים ומתאימים פלט AI, שומרים על סוכנות הלומד ותחושת משמעות) או תחליפי (לומדים מקבלים פלט עם אימות מינימלי, מעבירים שליטה לכלי). במחקר של 267 סטודנטים להסתדרות ב-IT, אותו כלי יכול ליצור פיגום או לקצר SRL תלות באסטרטגיית הלומד — משתמשים סמוכים הראו סוכנות בהצבת יעדים ובמעקב; משתמשים פחות סמוכים ראו ב-GenAI קיצור דרך או התנהגות בלתי הולמת.
• Lim & Bannert מראים את הסיכון באופן קונקרטי: סטודנטים השתמשו מרצון בצ'אטבוט genAI (73%) וקיבלו ציונים גבוהים יותר בחיבורים, אך הם הפריקו הבנה וסינתזה (ביקשו מהצ'אטבוט "לחלץ רק את הרעיונות העיקריים") ונקטו כמעט לא בתכנון או מעקב — האצילו החלטות רגולטוריות מפתח. זה משקף גירעון ייצור: סטודנטים מחזיקים בידע SRL אך אינם מפעילים אותו ספונטנית, ולכן כלי genAI צריכים לעודד השתקפות (פיגום מעקב) כאשר שאילתות מעידות על פריקה.
• Song et al. מדגימים ש-SRL היא גם כושר יציב וגם מצב דינמי: קווי בסיס אישיים עקביים, אך ידע מטאקוגניטיבי ורווחה דועכים באופן מערכתי לאורך הסמסטר, מונעים על ידי מועדי הערכה. הם מראים ש-GenAI יכולה לפעול כ**שותף למידה** מודע-הקשר כאשר היא מקבלת נתונים אישיים, זמניים וקונטקסטואליים — לתמיכה בסטודנטים בלי להחליף את המאמץ שלהם. זה טוען נגד התאמה אישית מותאמת "אחת-לכולם" המבוססת על כושר קו בסיס בלבד.
• de Barba מרחיב את SRL מבחינה תיאורטית, בטוענו שהתחום הצטמצם לרגולציה ממוקדת-משימה ולייצוגים התנהגותיים אופטימיזבילים בטכנולוגיה חינוכית. המסמך מציע חשבון חוצה-סלחים של סוכנות הלומד — וויסות (בתוך משימות), אינטגרציה (לאורך זמן והקשרים), ומיצוב (בביקורת ביחס לתנאים הממסגרים למידה) — כנטיית עיצוב לסביבות בתיווך אלגוריתמי.
• וויסות עצמי חוצץ אך אינו מבטל נזק פריקה. Chen (2026) מראה שכתיבה עצמית מוסדרת מנחלשת — אך אינה מבטלת — את הקשר השלילי בין פריקת עומס קוגניטיבי עמוק לתוצאות עצמאיות ללא AI בכתיבה בסיוע GenAI: האינטראקציה פריקה-על-ידי-SRL הייתה חיובית (B = 0.22), משטחת את הנזק משיפוע של −0.54 (SRL נמוך) ל−0.33 (SRL גבוה) אך לא מבטלת אותו. תנאי תמיכה חסודה המשווגה הגבלות האצלה להשתקפות מחייבת הפיקה את הביצוע העצמאי החזק ביותר, ראיה שוויסות מטאקוגניטיבי מגן על לומדים חלקית אך אינו יכול לפצות באופן מלא על האצלת העבודה הקוגניטיבית עצמה.

מקום שבו 'השכרה' יושבת בתוך המודלים של Winne. de Barba (2026) ממפה את המנגנון על SRL כפעולות שהמערכת מבצעת במקום הלומד: תשומת לב, מעקב ושיפוט הערכתי מופעלים על ידי הכלי, אימפאס נפתר על ידי חיפוש ולא על ידי בחירת ה-If-Then, Else של הלומד עצמו, והסטנדרטים שבהם הלומד שופט שאולים ולא בנויים. יכולת שהלומד מאמין שהוא מחזיק בזמן שהכלי מחזיק בה — השכרה נסתרת — מדכאת את אות השגיאה שאחרת היה מעודד וויסות, ועשר טענות מציינות מה לבדוק, כולל עלויות גדולות בהסתגלות תחומית וסטנדרטים נסחפים אל נקודות הייחוס של המודל עצמו.

הלקח המשותף: SRL הוא המנגנון הליבה המבדיל בין שימוש ביקורתי ללא-ביקורתי בבינה מלאכותית. האם GenAI מתפקדת כפיגום, כקיצור דרך, או כשותף תלוי ביכולת הרגולטורית של הלומדים ובאם הכלים מעוצבים לשמר (ולא להסיר) את הדרישות הרגולטוריות שבונות מומחיות.

איזו תמיכה משחקת קובעת איזה מתווך נושא את הקשר: בין 3,003 מורים עתידיים סיניים, תמיכת כלי AI נתפסת הגיעה למיומנות חדשנית בעיקר דרך יעילות עצמית AI (60.88% מאפקט הסך של המסלול הזה), בעוד תמיכת סביבה חכמה מבוססת-בית ספר הגיעה בעיקר דרך למידה עצמית מוסדרת (29.64% לעומת 18.60%) (Liu et al. (2026)).

השלכות

• לכלי יומן/צ'אטבוט: שלבו הוראת SRL (מבוסס-קורס) עם תמיכת כתיבה אופציונלית כדי לקבל גם רווחי מוטיבציה וגם רווחי מעורבות
• למעצבי כלים: הפוכו הערכה לשלב חובה, לא אופציונלי. Iqbal et al. מצאו שהתמיכה הזמינה, ולא שיפוט המטאקוגניציה של הלומד, קבעה את אסטרטגיית התיקון שהסטודנטים השתמשו בה, ושהרווחים בציוני GenAI לא הגיעו מוויסות משופר, בעוד Melanou et al. מצאו ששימוש רפלקטיבי ניבא חשיבה ביקורתית במקום שגישה פשוטה לכלי לא. אינטראקציות שמבקשות מלומדים לאמת, להשוות ולשנות אסטרטגיה הן הנושאות את ערך הלמידה.
• למנחים: התייחסו למודעות מטאקוגניטיבית מבוססת בינה מלאכותית כמנוף הראשון ובדקו אותה במפורש. Alatoai and Alshahri מצאו שהיא החוזה החזק ביותר לביצועים אדפטיביים ב-STEM (β = 0.38) ושהעברה ואדפטיביות הגיעו שניים (β = 0.29), ולכן פעילויות שיש בהן סטודנטים בוחנים שגיאות ונושאים אסטרטגיה להקשר בעיה חדש עושות יותר מהנחיה כללית לחשיבה ביקורתית או יצירתית.
• למדיניות AI: קריטריוני רכש צריכים לשאול האם כלי מפתח או מסיט וויסות עצמי
• לחוקרים: מחקרים ארוכי טווח שמודדים תוצאות SRL (לא רק ביצוע מיידי) הכרחיים; Melanou et al. מראים את התשובה של הסבלנות הזאת, כיוון ששימוש רפלקטיבי של סמסטר הניע חשיבה ביקורתית (β = 0.43) בלי להניע רווח ידע.

סוכנים שיחתיים ו-SRL במשחקי סימולציה

• סוכנים שיחתיים התומכים בלמידה עצמית מוסדרת במשחקים. Wenzel, Geiger, and Liening (2026) מראים שסוכן שיחתי AI (Lara) במשחק סימולציה עסקי יכול לתמוך בלמידה עצמית מוסדרת דרך משוב מעצב מבוסס-מטריקות, הדרכה על דרישה, והשתקפות מובנית — בטיפול במגבלה הנפוצה שמשחקי סימולציה מספקים משוב מעצב והנחיות השתקפות מוגבלים. הערכות עם סטודנטים-מורים ומשתתפי BSG דיווחו תפיסות חיוביות של הנוכחות הקוגניטיבית והחברתית של הסוכן ושל התמיכה שלו בוויסות עצמי.

זיהוי SRL אוטומטי: מה מועבר ומה לא

• מסווגי SRL מבוססי הטמעה חוצים שפות בתוך תחום, אך לא בין תחומים. מחקר של 26 סטודנטים (כימיה ולוגיקה פורמלית; פרוטוקולי חשיבה-בקול מקודדים עם מודל Winne-and-Hadwin) מצא שמודלים מבוססי הטמעה (text-embedding-3-small) שאומנו על אנגלית מסווגים SRL גרמני ב-~0.8 AUC עם דעיכה של ~0.1 — למעט הפעלה (~0.7). העברה בין תחומים נכשלת: כימיה-ללוגיקה יורדת ל-~0.6, הפעלה למזל (~0.5) — קיר התחום, לא השפה, אוגד.
• שלוש דרכי כישלון מסבירות היכן העברה נשברת. (1) פתרון מושג במשמעות יומיומית ולא בתחומית — "cancel" לעומת "kürzen" הכימי — שובר סיווג הפעלה. (2) אנתרופומורפיזציה — סטודנטים גרמניים שאינם מכירים מורה מפוגם בכבדות פנו אליו כאדם, תוך הפקת אמרות מחוץ להפצה; העברה הייתה טובה יותר בפלטפורמות פחות מפוגמות. (3) עמימות קריאת-רמז לעומת גיבוש-תכנית — מודלים אינם יכולים להבחין בין קריאת רמז מטאקוגניטיבי לתכנון בלי נתוני יומן. הבנת שגיאות עמידה בכל תנאי — שמים לב שנטיתם היא בלתי-תלוית הקשר. תיקונים: מילוני מומחה או כוונון עדין לתנאים תחומיים; נתוני יומן לרמזים. (Large language models generalize SRL prediction to new languages within but not between domains)

מושגים מחוברים

• לומדים — לומדים: המטרייה למושגים בצד הלומד
• מטאקוגניציה — הניטור הקוגניטיבי ש-SRL נסמך עליו
• הערכה עצמית
• יעילות עצמית — אמונה בפאזה קדם-חשיבתית המניעה מאמץ
• פיגום — תמיכה מדורגת ששומרת על דרישה רגולטורית
• משוב — קלט שסביבו לומדים מוויסתים
• אוריינות משוב — היכולת לפעול על בסיס משוב
• חיפוש עזרה — התנהגות SRL אסטרטגית
• מוטיבציה — השותף ההדדי של הוויסות העצמי
• פריקת עומס קוגניטיבי — הסיכון כאשר בינה מלאכותית מסירה עבודה רגולטורית
• בינה מלאכותית יוצרת — הטכנולוגיה שיכולה ליצור פיגום או לקצר SRL
• אוריינות AI — מיומנות רגולטורית בשימוש בבינה מלאכותית
• למידה מונחית עצמית — מבנה האוטונומיה הרחב יותר
• סוכנות הלומד — היכולת של הלומד לפעול בכוונה, מרכזית לוויסות, אינטגרציה ומיצוב
• למידה מסתגלת — התאמה אישית שיכולה לתמוך בוויסות
• הערכה עיצובית — משוב מתמשך לוויסות
• לימוד דרך הוראה — אסטרטגיה בונה וויסות עצמי
• חונך אינטליגנטי — מערכות שיוצרות פיגום ל-SRL
• מודלי שפה גדולים (LLM) — המודל הבסיסי של כלי בינה מלאכותית
• אחזור, ריווח ושילוב — תזמון, בדיקה עצמית ובחירות אסטרטגיית לימוד שלומדים מבצעים
• כניעה קוגניטיבית

מאמרים מחוברים

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — AIGC Affordance and Student Self-Regulation
• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — AI-interaction literacy: steering a chatbot demanded the SRL it was meant to support (Brunnström & Palmqvist 2026)
• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — The 5P reflection model for the GenAI era (Kadel et al. 2026)
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Layer-sensitive cognitive offloading in GenAI-assisted writing (Chen 2026)
• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education
• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — Learner agency across scales: regulation, integration, positioning
• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — The rented self: rental mapped onto Winne's SRL models, with ten propositions and within-learner indices
• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — GenAI as a context-aware learning partner over time
• How Do Students Regulate Their Learning With a GenAI Chatbot? — How students regulate learning with a genAI chatbot
• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — Scaffold or shortcut? GenAI dual role in SRL
• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — LLM-mediated help-seeking in STEM: layered, instrumental, and verified
• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task
• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback
• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning
• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — GenAI feedback and SRL: perceived source matters
• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — From AI anxiety to strategic regulation
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Mixed evidence on metacognition/self-regulation with GenAI
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Agentic AI and the self-regulation tension
• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — SRL and lower digital distraction in online learning (Shi et al. 2026)
• Making machine learning findings accessible to teachers in blended classrooms — Making ML findings accessible to teachers in blended classrooms
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: a learner-facing loop of task identification, justification and post-task reflection
• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Using Learning Analytics to Support Secondary School Students' Writing with Generative AI
• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — A validated instrument for AI-supported self-regulation in adaptive STEM learning, with metacognitive awareness as the strongest predictor
• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — Support condition, not metacognitive judgment, drove revision strategy choice in an essay-revision experiment
• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — Longitudinal: reflective AI use predicted critical thinking but not knowledge gain, with no Matthew effect
• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — GenAI literacy related to self-regulated learning behaviors mainly through learning agency
• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — Support type flips the mediator: AI self-efficacy vs self-regulated learning
• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — GenAI-assisted learning procrastination: an intention-behavior gap that anxiety strengthens
• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — A validated six-dimension GenAI-SRL scale for L2 writing, with environmental regulation as its own dimension and a 12-item ant-colony-optimized short form
• Large language models generalize SRL prediction to new languages within but not between domains — Large Language Models Generalize SRL Prediction to New Languages Within But Not Between Domains (Borchers et al. 2025)
• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — מודל-למידה-היברידי מבוסס-פרויקטים המשתמש בבינה מלאכותית לשיפור הלמידה העצמית-המוסדרת של סטודנטים