מידות דיווח-עצמי

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

מידות דיווח-עצמי — מכשירים שבהם הנחקר עצמו הוא גם מקור הנתונים: שאלונים וסקרים, ראיונות, יומנים, יכולת מוערכת-עצמית, שימוש מוערך-עצמית, למידה נתפסת, ושביעות רצון. הם סוס-העבודה של מחקר AI בחינוך — במאגר הידע הזה 139 עמודי מאמרים נושאים תג שיטת סקר, יותר מכל עיצוב אחר מלבד ניסוי ובנצ'מרק — והם הדרך הפרקטית היחידה להגיע לעמדות, אמונות, כוונות ויעילות עצמית. המגבלה שלהם קטגוריאלית ולא סטטיסטית: דיווח-עצמי אינו יכול למדוד התנהגות או למידה, רק מה שמישהו אומר על התנהגות או למידה, ושני אלה נפרדים בבסיס המחקר הזה לעיתים מספיק קרובות כדי להוות ממצא בפני עצמו.

שאלות למחשבה

• אם מחקר אומר שהסטודנטים "דיווחו על מעורבות גבוהה", מה בדיוק נמדד — ומה הייתם צריכים לראות כדי להסיק שהם אכן התעורבו?
• במחקר אחד, מידות דיווח-עצמי ומידות אובייקטיביות של אוריינות AI של מורים התואמו ב-r = 0.07 עד r = 0.24 בלבד על פני ארבעה ממדים. היכן הייתם צופים שהערכה עצמית שלכם ירחק מבדיקת אותה מיומנות, ומדוע?
• שביעות רצון קלה למדידה וקלה לשיפור — מערכת מכוונת לרצות את המשתמשים תקבל ציון טוב בה. מדוע זה עלול להפוך את שביעות הרצון למדד תוצאה גרוע ללמידה, ומה הייתם מודדים במקומה?
• "כמעט כל הסטודנטים משתמשים ב-AI לצורך לימודים" מגיע משאלת הסטודנטים. מה עלול לשאול במקום לרשום שיתפסס בכיוון כלשהו?
• סקר מקבל 112 תשובות בשיעור תגובה של 31%, או 90 תשובות מ-572 הזמנות. לפני שתקבלו את האחוזים שלו, מה תרצו לדעת על מי לא ענה?
• כשמחקר מתאם בין שני משתנים מדווחים-עצמית שנמדדו ברגע אחד, כמה הסברים נפרדים אתם מצליחים לייצר למתאמים — ואיזה עיצוב יכריע ביניהם?
• אם הייתם מייעצים למישהו על הערכה קטנה, אילו טענות הייתם מרשים לו לתמוך בסקר, ואילו הייתם מתעקשים יצרכו ראיות יומן, ביצועים או תצפית?

מבוא

דיווח-עצמי משתרע הרבה מעבר לשאלון. הוא כולל סקרים חתכיים המשתמשים בליקרט ובפורמטי דירוג אחרים, ראיונות וקבוצות מיקוד המתנהלות על ידי חוקרי איכות, יומנים ודגימת חוויות, מיומנות או ביטחון מוערך-עצמית, הערכות נזכרות של כמה פעמים נעשה שימוש בכלי, ולמידה או שביעות רצון נתפסות כטופלות כתוצאות. מה שמאחד אותם הוא העמדה האפיסטימית של המשיב: הם מדווחים על עצמם ולא נצפים.

זו לא חולשה שיש להתנצל עליה. מבנים רבים מעניינים — מוטיבציה, חרדה, אמון, תועלת נתפסת, כוונות מעורבות — הם מצבים פנימיים שאף קובץ יומן אינו רושם, ושאילה היא הדרך ההגיונית היחידה להגיע אליהם. הבעיה מתעוררת כאשר דיווח-עצמי משמש לתמוך בטענה שאינו יכול לשאת, וזו שאלת תוקפות ביסודה: האם המכשיר מודד את המבנה שהוא מכנה, והאם הטענה הנעשית היא על סוג הדבר שדיווח-עצמי יכול לראות. הדאגה הזו שייכת למדידה חינוכית ולתוקף ההערכה; עמוד זה עוסק במה שקורה כשמחקר AI בחינוך נשען ספציפית על דיווח-עצמי, והיכן בסיס הראיות מראה אותו נשבר.

כיצד עמוד זה מתייחס לשכניו. שיטות מחקר ב-AIED מקטלג עיצובים ואת החוזקות והמגבלות שלהם, כולל מחקרי סקר ו-SEM. מחקר כמותי מכסה את משפחת השיטות הנומריות. מדידה חינוכית מכסה פיתוח מכשירים, תיאוריית תגובת הפריט, ואימות פסיכומטרי. עמוד זה הוא הפרוסה הצרה שאותם עמודים מפנים אליה: מכשיר המידה ומקור הנתונים עצמם — מה שדיווח-עצמי יכול ולא יכול לבסס, הפער החוזר בין מה שאנשים מדווחים למה שהם עושים, וכיצד לקרוא ממצא דיווח-עצמי באופן ביקורתי.

מה שדיווח-עצמי יכול ולא יכול לבסס

דיווח-עצמי מתאים היטב לעמדות, אמונות, כוונות, תפיסות של כלי, מצבים אפקטיביים, וביטחון או קושי המוערך-עצמית. הוא מתאים poorly להתנהגות, ואינו יכול למדוד למידה כלל: אמונתו של אדם שלמד משהו היא עצמה תפיסה, ומאגר הידע מתייחס ללמידה נתפסת ככמות נבדלת מהישגי למידה.

המשמעות היא מערכת טענות שנראות דומות בסעיף תוצאות אך שונות בחוזקות:

• "הסטודנטים מצאו את החונך מועיל" — תפיסה, שנמדדת כראוי על ידי שאילה.
• "הסטודנטים השתמשו בחונך באופן סדיר" — התנהגות, שקירובה מתאפשר רק על ידי שאילה.
• "הסטודנטים למדו יותר עם החונך" — תוצאה, שלא ניתנת לבסיס על ידי שאילה כלל.
• "המורים בטוחים בשימוש ב-AI" — אמון עצמי, לא ראיה ליכולת.

שתי השלכות נובעות לכל מי שקורא או מעצב מחקר זה. ראשית, האם מכשיר דיווח-עצמי מודד כלל את המבנה שהוא מכנה היא שאלה אמפירית, שנענית על ידי אימות ולא על ידי הסבירות של הפריטים. שנייה, כיוון הפיתוי ב-AI בחינוך עקבי: כלים מוערכים לפי איך שהמשתמשים מרגישים עליהם, ורגש הוא בדיוק החלק שדיווח-עצמי לוכד בזול ביותר. הערכה עצמית הוא בן למשפחה הרחבה הזו ולא מילה נרדפת לה: במקום שמידות דיווח-עצמי מגיעות לעמדות, אמון ושביעות רצון, הערכה-עצמית מפנה את ההערכה של הלומד ספציפית אל המיומנות, הביטחון או הלמידה שלו עצמו.

מצב כשל שני הוא התמוטטות דיסקרימיננטיבית בין שני מבני דיווח-עצמי: וויסות יכולות AI מדווחות-עצמית לצד שליטה התנהגותית נתפסת שנמדדת כיעילות עשויה להשוות גורם ביטחון-כללי אחד עם עצמו, ולכן הקריטריונים נקבעים מראש — יחס הטרוטריפ–מונוטריפ מתחת ל-.85 ומבחן מודל-קינון המגביל את מתאמים היכולת–שליטה לאחדות (Mnguni (2026)).

מכשיר מאומת יכול להפוך את המגבלה הזו למדויקת במקום מעורפלת. שאלון ההערכה-העצמית לאוריינות AI (AIL-SAQ) של Thianwan and Srikoon (2025) הוא סולם בן 15 פריטים שאושר עם מבנה תלת-גורני יציב על פני שתי מדגמים (n = 335 חקר, n = 579 אמור) ואלפא קרונבאך כולל של .934. מחבריו מפורשים שהוא רושם הבנה נתפסת, עמדות ומודעות ולא מיומנות מוגשת, ושדיוק ההערכה-העצמית תלוי ביכולת מטאקוגניטיבית שממש להתבגר בילדים, ולכן הערכה-עצמית של ילד היא אות חלש יותר מזו של מבוגר.

הבחירה הנגדית גם הגיונית: PAUSE הוא בדיקת-עצמי לארבעה תחומי הטענת עומס שאינה מפרסמת שום ראיית אמינות או תוקפות, אינה מציעה מדד משולב, וקובעת שהקריאות אינן רשאיות להצדיק שום החלטה משמעותית, ופריטיה מערבבים פיגום מכוון עם החלפה — משיב שמביא AI בשלב מוקדם לפיגום נקרא כמטעין עומס (Alam, 2026)).

הפער בין תפיסה להתנהגות

הממצא החזק ביותר על דיווח-עצמי במאגר הידע הזה אינו שדיווח-עצמי מוטה באופן כללי אלא שהתנהגות מדווחת ונצפית נבדלת בדרכים ספציפיות ומתועדות.

מחקר שבנה מידות מקבילות של דיווח-עצמי ואובייקטיביות לאוריינות AI של מורים מצא התאמה חלשה בין גורמי הדיווח-העצמי לגורמים האובייקטיביים (r = 0.07 עד r = 0.24) במדגם של 288 מורים, עם ניתוח גורמים מאשר התומך בתוקפות המבנית של שתי המידות תוך שהוא מראה מתאמים נמוך בין גורמי הדיווח-העצמי לגורמים האובייקטיביים. שני המכשירים היו אמינים; הם פשוט מדדו דברים שונים. במדגם המלא של 288 מורים המתאמים בין הגורמים האובייקטיביים למדווחים-עצמית נעות מ-r = 0.07 עד r = 0.24, וניתוח פרופילים לטנטיים מצא 43 מורים שדירו את עצמם גבוה בזמן שקיבלו ציון נמוך יותר במידה האובייקטיבית, לעומת 59 שהראו את הדפוס ההפוך.

GLAT מגיע לאותה מסקנה מהכיוון השני: מבחן הביצוע שלו בן 20 הפריטים חזה ביצועים במשימות למידה נתמכות-GenAI במחקר תוך-נחקר של 83 סטודנטים, בעוד שאוריינות ChatGPT מדווחת-עצמית לא חזה. המסגרת של המחברים גלויה — מכשירים בתחום הזה מסתמכים במידה מופרזת על סקרים מדווחים-עצמית, "המלכדים מיומנות נתפסת ולא ממשית ועלולים להטיה ולהערכה-יתרה".

הערכות התנהגותיות מראות את אותו הפילוג. מחקר תחרות-תכנות בקנה מידה גדול דיווח על נתק בין ביטחון מדווח-עצמית להתנהגות תרגול ממשית, כאשר הראשון הוא פרוקסי גרוע לשני. מחקר מידול-לומד מודה שתדירות השימוש נמסרה-עצמית בסולם מלעולם-ליומי ולא נצפתה, ושכאשר גם החוזים וגם התוצאות מדווחים-עצמית, סגנונות תגובה כמו הסכמה או הטיית קיצוניות עלולים לייצר את המתאמים.

לפעמים שאילה ותצפית נצבות זו מול זו. סקירת סקירה של 46 קטלוגים מ-33 מחקרים מצאה שהספרות מחולקת בערך שווה בין נתוני דיווח-עצמי לנתוני יומן-אינטראקציה, והסיקה שהקטלוגים "לעיתים משקפים את גישת המידה כמו את האינטראקציה עצמה" — עם מחקרי דיווח-עצמי המלכדים תפיסות וכוונות בעוד מחקרי יומן מלכדים התנהגות שיחונית ניתנת-תצפית, ושניים אינם משולבים בדרך כלל. עבודת נתוני-תהליך על אוריינות GenAI עושה את הגרסה הבונה של הנקודה: האם סטודנט מנחה באופן איטרטיבי, משפר פלט ומנהל הזיות ניתן לתצפית ביומני אינטראקציה ולא בשאלון.

סקירה מובנית וניתוח מטא מחקר מ-2026 על מידות לשימוש מוכשר בבינה מלאכותית יוצרת שם מספר משולב על הפער מהכיוון השני: שילוב שלושת מתאמי סובייקטיבי–אובייקטיבי מדווחים-ישירות מאותו מדגם (N מדווח משולב = 2,765) נתן r = .055 (Hartung–Knapp 95% CI [−.047, .156]), והוספת מתאמי גורם-חוצה של מחקר רביעי הגיעה רק ל-r = .079. כל שלושת האפקטים העיקריים הגיעו מתוכנית מחקר אחת, והמתאמים וה-p-value המדווחים של התורם הגדול ביותר לא יכלו להיות מתואמים, והסקירה מסיקה שדיווח-עצמי אינו יכול לעמוד במקום ציוני ביצוע אובייקטיביים — תוך שציינת שהמכשירים עצמם צרים, ומכסים ידע יסוד ולא את התנהגויות הפיקוח וההסתמכות שחשובות בעבודה (Verí (2026)).

ספרות המכשירים עצמה ניתנת לקריאה כראיה לקנה המידה של הפער. Zainal, Mohd Matore and Maat (2026) העריכו 33 מכשירים לאוריינות AI של מורים ומצאו ש-31 (93.9%) היו סולמות דיווח-עצמי של ביטחון נתפס, רק שניים (6.1%) בדקו ידע באופן אובייקטיבי, ואף אחד לא השתמש במשימות מבוססות-ביצוע בין 2019 ל-2025. המסקנה שלהם היא זו שהעמוד הזה ממשיך להגיע אליה מכיוונים אחרים: ציוני דיווח-עצמי מאינדקסים ביטחון ולא יכולת, ולכן אינם יכולים לעמוד במקום מיומנות כאשר קבוצות או תוכניות מושווings.

מידות תוצאה יורשות את אותו הפער. Pramod and Patil (2026) ממשmodelled את הדרך מAI סוכני דרך מוטיבציה ונוכחות חברתית למה שהם מכנים ביצוע למידה, עם מקדם של 0.671 — היחס החזק ביותר במחקר — וסעיף המגבלות שלהם עצמו קובע שמשתנה התלות הזה משקף תפיסות הלומדים ולא תוצאות בחינות, ביצועי מטלות או אנליטיקת למידה. זו התבנית שיש לקרוא בקפידה במודלי מסלול בכלל: מקדם גדול על תוצאה נתפסת מכמה בצורה עקבית שהסטודנטים מאמינים שמשהו עזר, ואינו אומר דבר עדיין על אם זה עזר.

שביעות רצון ולמידה נתפסת כתוצאות

שביעות רצון היא התוצאה המדווחת-עצמית התדירה ביותר בקורפוס הזה, מופיעה ב-63 עמודי מאמרים. היא גם החלשה ביותר כפרוקסי ללמידה, ומאגר הידע מכיל טענות מפורשות לכך.

• עבודה על משוב AI מסודר-רצף קובעת את עקרון העיצוב ישירות: שביעות רצון של המשתמש ומעורבות התנהגותית אינם פרוקסי אמינים להישגי למידה, ולכן למידה חייבת להימדד ישירות.
• על הובלה פדגוגית מציינת שמודלים לשוניים נוכחיים מכווני-הוראה להיות עוזרים מועילים שממקסמים שביעות רצון של המשתמש, בעוד שמטרת החונך היא למקסם למידה — שני המטרות יכולות להתנגש, מה שהופך את שביעות הרצון למטרה שעלולה להטעות ולא רק לחלשה.
• מחקר פיגום טוען שתועלת נתפסת, קלות שימוש ושביעות רצון מיידית אינם צריכים להיטופל כמחוונים מספיקים ליעילות הפיגום.
• על מידול-סטודנטיות המותאם-אישיות מציין שאופטימיזציה לשביעות רצון של המשתמש אינה זהה לאופטימיזציה לתוצאות למידה, ושניים יכולים להיפרד.

התבנית ששווה לשאת עמכם: שביעות רצון מגיבה לדברים הלא-נכונים כשהמטרה היא למידה. מערכת שמשיבה במהירות, מסכימה במהרה ומפחיתה מאמץ תדורג גבוה, ואותן תכונות הן אלו שמאגר הידע מקשר למאבק מועיל מופחת ולביצועים מונפחים על עבודה בסיוע AI. שביעות רצון מדווחת ולמידה נמדדת אינן אויבות; הן פשוט לא תחליפות, וטיפול בראשונה כעדות לשנייה היא ההחלקה הנפוצה ביותר שהעמוד הזה מתעד.

מה שהופך מכשיר דיווח-עצמי לאמין

ארבע תכונות מפרידות בין סקר שיכול לתמוך בטענה לסקר שלא.

• תוקפות מבנית. יש להראות שהפריטים מודדים את המבנה הנקוב, באופן אידיאלי עם ניתוח גורמים. מחקר המידות-המקבילות שלעיל אימת את שני המכשירים ועדיין מצא אותם נבדלים — תוקפות של מכשיר אינה אומרת דבר על האם הוא מלכד התנהגות.
• אמינות ומבנה. מכשירים מאומטי-גורנים חוזרים בקורפוס הזה, ממידות אוריינות AI של מורות המונחות בתאוריית ההכוונה העצמית ועד סולמות קבלה המודלמים עם TAM ו-SEM במחקרי כלי שפה בסיוע AI.
• שמירות, כאשר קבוצות מושווות. סולם שמתנהג שונה בין אוכלוסיות אינו יכול לתמוך בהשוואה. עבודת SEM רב-קבוצתית מדווחת על בדיקות שמירות מדידה (קונפיגורלית, מטרית, סקאלית) לצד האפקטים העקיפים שלה, והשוואה בין שוויץ–סין מצאה שערך פנימי בלבד הגיע לשמירות מטרית ולא לשמירות סקאלית — מגבלה שנצבעה ולא הוסתרה, ואחת שמגבילה מה שההבדלים הבין-מדינתיים שלה יכולים להאיר.
• חלופת ביצוע כאשר המיומנות היא המבנה. 20 הפריטים אמר רב-ברירה של GLAT קיימים בדיוק מכיוון שדיווח-עצמי אינו יכול לשאת טענת מיומנות.

דגימה, תגובה, ואי-תגובה

מכיוון שסקרים זולים להנהלה, בעיות הדגימה הן בדרך כלל המקום שבו טענת ההכללה נכשלת. הקורפוס הזה מדווח עליהן במפורש ובהוראה:

• סקר בריטי של שימוש סטודנטים ב-GenAI מדווח על מדגם נוחות ב-7 מוסדות, שיעורי תגובה מוסדיים משתנים באופן חריף, והטיית אי-תגובה שעלולה להטות לסטודנטים עם עמדות חזקות — ומציין ש-~32% מהמשיבים תיארו התנהגות שבספק הפרה מדיניות, בפורמט שבו רצון חברתי ולחץ הקשר גורמים לדיווח-חסר ככיוון השגיאה הסביר.
• מחקר משוב הערכה בפיקוח מורה בסיוע AI נשען על 112 תשובות, שיעור תגובה של 31%.
• מחקר חברה מסתמך על 90 סגל STEM מתוך 572 חוזים מוזמנים — 16%.
• סקר סוציולוגיה השיג 504 משיבים מ-844 מוזמנים, והמחברים מציינים ששיעורי התגובה נשתנו לפי שאלה.
• מחקר דלפי השלים את הסבב הראשון שלו עם 17 משיבים, מגבלה שהוא מציין בגלוי.

בחירה-עצמית מחמירה זאת. מחקר חיסון גייס 782 משתתפים ושמר 100 מקרים תקפים ממדגם נוחות של משתמשי ChatGPT מדווחים-עצמית; מחקר פיזיקה גרם לסטודנטים לבחור את עצמם למשימת קרדיט-נוסף, באופן סביר מטה את התפיסות להסכמה ומחריג סקפטים.

שתי שגיאות נוספות ספציפיות-דיווח-עצמי חוזרות. מגבלות אינטרוספקציה והטיית רצון חברתי מכונות כפנימיות לדיווח-עצמי בעבודה על הערכת מעורבות ובמחקרים שהנתונים האיכותיים שלהם מסתמכים על דיווח-עצמי. שונות שיטה-משותפת מתעוררת כאשר החוזים והתוצאות מגיעים מאותם המשיבים באותו הזמן: מחקר מתווך-ממותג של שימוש ב-AI וחשיבה ביקורתית הפעיל שימוש, עומס קוגניטיבי ולמידה מוסדרת-עצמית כולם דרך מכשירי דיווח-עצמי סטנדרטיים בנקודת זמן אחת, ומעלה הטיית שיטה-משותפת כהשלכה; מחקר PLS-SEM של מוטיבציה ומעורבות מסתמך באופן מלא על דיווח-עצמי ואינו יכול לבסס סדר זמני בין המתווכים שלו.

תרופה: הוספת ראיות שאינן דיווח-עצמי

התשובות הבונות של מאגר הידע עקביות, ואף אחת מהן אינה דורשת נטישת סקרים.

• שילוב דיווח-עצמי עם נתוני עקבות או יומן. מחקר של 194 סטודנטים בשמונה שבועות על טכנולוגיית למידה אדפטיבית שילב דיווח-עצמי עם נתוני עקבות תחת מידול ליניארי היררכי, וזו שמה שאפשר לו לעקוב אחר שלבי הלמידה המוסדרת-עצמית כפי שהתגלשו ולא כפי שנזכרו.
• תצפית ישירה של פרקטיקה כאשר הטענה היא על פרקטיקה. משימת הערכה מוקלטת-מסך בתוספת ראיונות מונעים-גירוי גשר את הפער בין שימוש AI מדווח-עצמית לפרקטיקה נצפית, ותפס מודעות מטאקוגניטיבית שהסקר לא יכול.
• ניקוד התנהגות מול רובריק במקום שאילה עליה. עבודת שימור מתייחסת למאמץ תרגול כמחוון התנהגותי הנגזר מיומני אינטראקציה, ולא במפורש כמידה של מצב מוטיבציוני פנימי.
• טריאנגולציה. עיצובי שיטה-מעורבת ומחקר שיטה-מעורבת באופן כללי מחליפים גודל מדגם ביכולת לבדוק מקור נתונים אחד מול אחר; סקירה שיטתית של חינוך והכשרה מקצועיים הוראה בנוגע לחוסר-האיזון, מציינת שמבין המחקרים הכמותיים שבחנה, 2 הסתמכו באופן בלעדי על דיווח-עצמי בעוד 5 השתמשו במידות אובייקטיביות בלבד.
• מידת התוצאה שאכפת לכם ממנה. אם הטענה היא על למידה, הישגי למידה חייבים להימדד, לא להיות מוסקים משביעות רצון.

כיצד לקרוא טענת דיווח-עצמי

• שאלו איזה סוג טענה זו. תפיסות הן משחק הוגן; התנהגות מקורבת; למידה ומיומנות אינן נגישות בדרך זו.
• בדקו מי ענה ומי לא. שיעור תגובה, מסגרת דגימה ובחירה-עצמית קובעים מה שהאחוזים מתארים — מחקר על סטודנטים של מוסד אחד מתאר את ההקשר הזה, לא סטודנטים בכלל.
• בדקו את המכשיר. האם הוא אומת למבנה ולאוכלוסייה הזו, ואם קבוצות מושוות, האם נבדקה שמירות?
• היזהרו מעיצובי מקור-אחד. אם החוזים והתוצאות מגיעים מאותו שאלון בנקודת זמן אחת, המתאמים עקביים עם שונות שיטה-משותפת כמו עם התאוריה המוצעת.
• התייחסו לשביעות רצון כאות עיצוב, לא כתוצאת למידה. שביעות רצון גבוהה בתוספת למידה לא-נבדקת היא התצורה הסטנדרטית בהערכת כלי AI, והקורפוס הזה מראה את השניים נבדלים.
• העדיפו מחקרים שמראים את העבודה שלהם: שיעורי תגובה מצוינים, מגבלות מצוינות, ולפחות מקור אחד של ראיה שלא מגיע משאילה.

מושגים מקושרים

• פרשנות ויישום מחקר AIED
• מדידה חינוכית
• הערכה עצמית
• שיטות מחקר ב-AIED
• מחקר כמותי
• מחקר איכותני
• מחקר מעורבות
• תוקף ההערכה
• תיאוריית תגובת הפריט
• אוריינות AI
• כיול אמון
• רווחי למידה
• מעורבות סטודנטים
• יעילות עצמית
• אנליטיקת למידה

מאמרים מקושרים

• A Capability–Decision Model of teacher readiness for AI integration in teaching — קריטריוני תוקפות דיסקרימיננטיבית להפרדת יכולות AI מדווחות-עצמית מאמוני יעילות
• Agentic AI in educational environments and its association with social and motivational pathways to learning performance — מעורבות חוזה ביצוע נתפס ולא נמדד במודל מסלול של AI סוכני (Pramod & Patil 2026)
• How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures — מידות מקבילות של דיווח-עצמי ואובייקטיביות לאוריינות AI של מורים
• GLAT: The Generative AI Literacy Assessment Test — GLAT: חלופה מבוססת-ביצוע לדיווח-עצמי
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — שימוש סטודנטים ב-GenAI נסקר על פני מוסדות בריטיים
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — טקסונומיות העצובות לפי אם הנתונים הגיעו מדיווח-עצמי או מיומנים
• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing — נתוני תהליך המתארים אוריינות GenAI
• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — שימוש מדווח-עצמית כאות מידול-לומד
• Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs — ביטחון מדווח-עצמית לעומת התנהגות תרגול
• From AI Use to Critical Thinking Among Medical Students: A Moderated Mediation Perspective on Cognitive Load and Self-Regulated Learning — הטיית שיטה-משותפת במודל תיווך בעל מקור-אחד
• Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education — PLS-SEM של דיווח-עצמי בלבד על מוטיבציה ומעורבות
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — סקר של 81 סטודנטים פיזיקה תת-חוג על שימוש ב-AI ואמון
• Summarize, elaborate, try again: exploring the effect of feedback literacy on AI-enhanced essay writing — הקלטת מסך וזיכרון מונעה-גירוי כתרופה לדיווח-עצמי
• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback — דיווח-עצמי בתוספת נתוני עקבות על למידה מוסדרת-עצמית
• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — מחווני מאמץ התנהגותיים הנגזרים מיומנים
• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — סקירה המדווחת על חוסר-האיזון בין דיווח-עצמי למידה אובייקטיבית
• שימוש סטודנטים ותפיסותיהם על GenAI בכתיבה — סקר בתוספת ראיונות במחלקת סוציולוגיה אחת
• Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use
• PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading
• Development of an AI literacy self-assessment questionnaire in upper primary school students — מכשיר הערכה-עצמית בן 15 פריטים לסטודנטים בכיתה ו' העליונה, מפורש על מה שיכולת נתפסת יכולה לבסס
• Assessing teachers' AI literacy: a systematic review of measurement tools — סקירה המוצאת 31 מתוך 33 מכשירי אוריינות AI של מורות כמדווחים-עצמית ואף אחד כמבוסס-ביצוע