מעורבות סטודנטים

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

מעורבות סטודנטים — המימד והאיכות של מעורבות פעילה של לומד בתהליך הלמידה, הנפרדת לרוב לממדים התנהגותיים, קוגניטיביים ואפקטיביים. במחקר בבינה מלאכותית בחינוך, מעורבות הסטודנטים היא גם תוצאה מפתח (האם כלי בינה מלאכותית שומר על מעורבות הסטודנטים?) וגם מנגנון (האם המעורבות מתווכת בין עיצוב הבינה המלאכותית לבין הלמידה?). היא מובדלת מושגית מהלמידה עצמה — המעורבות היא השתתפות בלמידה, לא הוכחה לרווח קוגניטיבי — ומהמדדים הספציפיים המשמשים למדידתה.

שאלות למחשבה

• העמוד מתעקש שמעורבות אינה זה דבר למידה — סטודנט יכול להיות פעיל מבחינה התנהגותית (לחיצות, שהיית זמן) בעוד הוא שטחי מבחינה קוגניטיבית. היכן ראיתם "מעורבות" גבוהה שהניבה מעט מאוד למידה, ואיך שמתם לב?
• חשבו על רגע שבו הייתם מעורבים קוגניטיבית בעומק במשהו — מתאבקים באמת עם רעיון. מה שונה בו בהשוואה לפעמים שבהן הייתם פשוט עסוקים או משועשעים, והאם כלי בינה מלאכותית יכול ליצור מצב זה באופן אמין?
• המעורבות נפרדת לממדים התנהגותיים, קוגניטיביים ואפקטיביים שיכולים לסטות זה מזה. מדוע אתם חושבים שחוקרים מתעקשים להתייחס אליהם בנפרד ולא כדבר אחד, ומה הייתם מודדים כדי להבחין ביניהם?
• המחקר מציע שמעורבות קוגניטיבית עמוקה עם בינה מלאכותית מנבאת למידה, בעוד מעורבות שטחית מנבאת הסתמכות מופרזת. אם כלי "מעורב" אך שטחי, מי האחראי — העיצוב, המשימה, או הלומד?
• כיצד עשוי כלי בינה מלאכותית לספק אוטונומיה, מיומנות וקשרים (הצרכים שמאחורי המעורבות) בלי שהתכונות האלה יהפכו לבידור שטחי שדוחק את הלמידה האמיתית?

מבוא

המעורבות היא מבנה רב-ממדי המשורש בפסיכולוגיה חינוכית. מעורבות התנהגותית מתייחסת להשתתפות, למאמץ, להתמדה ולפעילות על גופי המשימה. מעורבות קוגניטיבית מתייחסת לעומק העיבוד המנטלי — הבהרה, ניתוח ביקורתי, רגולציה של בינה מלאכותית בחינוך עצמית, והשקעת מאמץ מנטלי. מעורבות אפקטיבית מתייחסת לתגובות רגשיות כמו עניין, הנאה, חרדה, והזדהות עם הלמידה. הממדים האלה יכולים לסטות זה מזה: סטודנט עשוי להיות פעיל מבחינה התנהגותית (לחיצות, שהיית זמן) בעוד הוא שטחי מבחינה קוגניטיבית (מקבל פלט באופן פסיבי), או מעוניין מבחינה אפקטיבית בעוד הוא מוסח מבחינה התנהגותית. הרב-ממדיות הזו היא הסיבה לכך שמעורבות אינה יכולה להיות שוות לכל התנהגות נצפת בודדת.

כיצד מעורבות הסטודנטים מופיעה במחקר

• מעורבות כתוצאה של עיצוב בינה מלאכותית: מחקר מוטיבציה של GenAI מראה שהמעורבות בלמידה נתמכת בינה מלאכותית יוצרת עוקבת אחר סיפוק צרכים פסיכולוגיים בסיסיים (אוטונומיה, מיומנות, קשרים) — המעורבות היא התוצאה הנגזרת של תמיכה מוטיבציונית, לא של זמינות טכנולוגית בלבד. המעורבות נמדדת לעיתים קרובות בדיווח עצמי, בעוד המעורבות ההתנהגותית מגעת מיומני אינטראקציה, ושני אלה אינם ניתנים להחלפה.

• מעורבות גבוהה יותר ללא רווח למידה, בניסוי כיתתי בהקצאה אקראית של אשכולות: Rücker and Becker-Genschow (2025) חילקו להקצאה אקראית 195 כיתות כיתה ט' (קבוצה ניסיונית של 102 תלמידים) לצ'אטבוט מתמטיקה ייחודי-תחום או לחומרים קונבנציונליים של התאמה דיפרנציאלית לשיעור בודד על שיטת הרון להערכת שורשים ריבועיים. העניין הסיטואציונלי עלה משמעותית במצב הצ'אטבוט (M = 2.63 לעומת 2.43, p = 0.00005, d כהן = 0.63) והקבלה בכל ארבעת ממדי מודל קבלת הטכנולוגיה הייתה גבוהה, ועם זאת ההשוואה בין ביצועים לפני ואחרי לא מצאה אינטראקציה משמעותית של קבוצה בזמן (F(1194) = 2.84, p = 0.094) והעומס הקוגניטיבי החיצוני היה גבוה מעט יותר. המחקר הוא אחד ממעבדי הניסויים המועטים בהקצאה אקראית של אשכולות על צ'אטבוט מותאם אישית בחטיבת הביניים במתמטיקה, והתוצאה המפוצלת היא בדיוק הנקודה: העניין וההישגים התקדמו בקצבים שונים, ולכן ממצא מעורבות אינו ראיה ללמידה.

• איכות על פני כמות: מעורבות ביקורתית בהשלמת קוד מבוססת בינה מלאכותית, ניתוח שיח של מעורבות קוגניטיבית, ופיגום של מעורבות ביקורתית מראים שמעורבות עמוקה (קוגניטיבית) עם בינה מלאכותית מנבאת למידה, בעוד מעורבות שטחית (התנהגותית) מנבאת את ההסתמכות המופרזת ואת הדחיקה של הלמידה שמאפיינות את ספרות הסיכון של מאגר הידע.

• שבירה ותלות בהקשר: חידות מלוטשות, מעורבות שבירה ודפוסי מעורבות רב-מוסדיים מוצאים שהמעורבות משתנה לפי משימה, הקשר ולומד — כלי בינה מלאכותית שמעורב סטודנט אחד באופן עמוק עשוי לייצר התנהגות שטחית ורדופה אחר פלט בסטודנט אחר.

• נדבנים מוטיבציוניים: זמינות בינה מלאכותית ומוטיבציה מראה שכך ידועה שמערכת בינה מלאכותית זמינה יכול להפחית את הערך הנתפס של מעורבות הדורשת מאמץ, במיוחד אצל לומדים מתחילים — המעורבות נעצבת על ידי ציפייה, ערך ומיומנות נתפסת לא פחות מאשר על ידי תכונות הכלי. Wang & Wang (2026) מרחיבים זאת עם חשבון של תיאוריית קביעת יעדים על 758 לומדי אנגלית אוניברסיטאיים בלמידה בסיוע בינה מלאכותית, ומראים שתמיכת המורה משפרת את המעורבות ישירות ופועלת באמצעות יעדי גישה-לשליטה ויעדי גישה-לביצועים של הסטודנטים (ולא באמצעות יעדי הימנעות). המעורבות בהקשרי בינה מלאכותית אינה אפוא רק תוצאת אינדיבידואלית או עיצובית — היא גם מפוגמת חברתית על ידי המורה ועל ידי הנטייות היעד שהלומדים מעודדים לאמץ.

אותו פיגום יש מקביל מוסדי עם מסלול כפול. Chen's (2026) בעיצוב שני מחקרים (160 סטודנטים לאמנות בניסוי תרחיש, 425 בסקר) מצא שהחוסר-עקביות הנתפס בין התמיכה של אוניברסיטה ב-GAI לבין שיטות ההוראה וההערכה בפועל שלה ניבאה מעורבות בתהליך היצירתי באמצעות שני הערכות מנוגדות — שלילית דרך מכשול (β = −0.060, p = 0.004) וחיובית דרך אתגר (β = 0.217, p < 0.001) — כאשר חשיבה מסלולית חיזקה רק את הנתיב החיובי, ולכן אותו תנאי מוסדי מעורב סטודנטים אחדים והתיש אחרים.

• מיומנות ורגש כמניעי מעורבות: Zhao et al. (2026) ממדלים 871 סטודנטים אוניברסיטאיים המתקשרים עם צ'אטבוט מודלי שפה גדולים (LLM), ומוצאים שמיומנות GenAI מנבאת מעורבות בצ'אטבוט הן ישירות והן בעקיפין דרך רגשות חיוביים (נתיב ההשפעה), ושגם המיומנות וגם הרגש החיובי מנבאים מעורבות ורגשות למידה חיוביים. המעורבות היא אפוא גם מיומנות וגם תוצאה אפקטיבית — לומדים שנעדרת מהם מיומנות AI המחווים חרדה או תסכול מתישים את עצמם, ולכך יש השלכות לאימון אוריינות AI כמעורבות התערבות ולא רק כמטרת מיומנות.

• מעורבות קוגניטיבית הקשורה לתחום דעת בשיח סטודנט-בינה מלאכותית. Chang and Li (2026) מראים שהנחיות הסטודנטים לבינה מלאכותית מקודדות ~62% דרישה קוגניטיבית מסדר גבוה בממוצע, אך פרופילי המעורבות ברמת בלום נבדלים חדה לפי תחום דעת (STEM עם היררכיית Apply 20.8%, שפה עם היררכיית Understand 31.7%, מדעי החברה עם היררכיית Create 33.8%). תוך שימוש בעיצוב תוך-אישי, הם מצאו שאותם הסטודנטים הפיקו משמעותית יותר הנחיות מסדר גבוה במדעי החברה מאשר בקורסי STEM (p < .001), כאשר השונה ברמת הקורס עלתה על השונה ברמת הסטודנט — ראיה לכך שמעורבות קוגניטיבית עם בינה מלאכותית נעצבת על ידי הקשר התחום, ולא רק על ידי סגנון אישי.

• משוב AI שומר על הפעלה התנהגותית. ניסוי של סמסטר במעבדה-בשדה של Geschwind et al. (2026) מצא שסטודנטים שקיבלו משוב GPT-4 אישי על משימות פתוחות שמרו על ההשתתפות הגבוהה ביותר לאורך שמונה משימות שבועיות (~50% בסוף, לעומת ~30% בקבוצות של משוב מרצה או עמיתים) וכתבו ~29 תווים יותר לכל תשובה — משוב AI אישי הפעיל מעורבות הן בשוליים הרחבים (השתתפות) והן בשוליים הצפופים (מאמץ לכל תגובה), גם כשהסטודנטים דירגו את משוב העמיתים גבוה מעט יותר.

• ניבוי שימוש אקדמי בינה מלאכותית ממבני למידה. מסגרת חקרנית של למידת מכונה ניתחה נתוני סקר מ-166 סטודנטים אוניברסיטאיים כדי לזהות מבני למידה הקשורים לכיווניות שימוש אקדמי ב-ChatGPT, תוך שימוש בניתוח SHAP לשמירת המובנות. הממצאים מיידעים כיצד מעורבות, תמיכה בלמידה ומבנים אחרים מעצבים את שילוב כלי בינה מלאכותית בעבודה האקדמית של הסטודנטים.

• גישה לכלי בינה מלאכותית עשויה להוריד את המעורבות הנמדדת, ושיעורי ההשלמה לא יחשיפו זאת. Liu et al. (2026) חילקו להקצאה אקראית גישה לחונך ב-13 בלוקים באוניברסיטה ציבורית גדולה בארה"ב ומצאו שההשתתפות הרשומה בפלטפורמה ירדה ב-0.90 סטיות תקן, הצפיות בעמודים ב-0.37–0.38 סטיות תקן והימים הפעילים ב-0.51–0.61 סטיות תקן — בעוד הגשת שיעורי הבית וההגשה בזמן לא הושפעו. הפיצול הזה הוא שיעור המדידה: קורס שעוקב רק אחר השלמת מטלות לא היה רואה דבר, מפני שהירידה התרכזה בפעילות הדיון, החידון והאינטראקציה עם המרצה שהפלטפורמה רשמה. סטודנטים במקטעים הטופלים דיווחו גם שהם פונים למרצה עם פחות שאלות תוכן (כ-57% לעומת 44%), ולכן הירידה חלה יחד עם תחלופה הרחק ממגע אנושי ולא עם התרחקות מהקורס.

• השהיית תשובה היא מנוף מעורבות. ב-1,137 סשני חונכות Quant AI, תשובות מהירות יותר עקפו אחר יותר הודעות סטודנטים ותרגול נכון יותר (זמן תשובה חציוני 1.9 שניות עד 31.0 שניות בין המודלים; השהיה נמוכה יותר מקורלת עם מעורבות ב-Spearman ρ=-0.81, p=.0056), שרשרת שהמחברים קוראים כמסבירה כיצד מודלים שנמדדים על איכות ההוראה בכלל לא יוצאי דופן מגיעים לרווחים ברמה אנושית (Northcutt et al. (2026)).

• שימוש בבינה מלאכותית יכול ללוות נעירות רבה יותר מכיתה בעוד הביטחון אינו מנבא אותה. סקר PLS-SEM של 291 סטודנטים אוניברסיטאיים בפורטוגל מצא ששימוש כללי בבינה מלאכותית קשור באופן חיובי לנעירות (β = 0.148, f² = 0.029) ולמסוגלות עצמית ללמידה עצמאית, אך המסוגלות העצמית עצמה לא ניבאה נעירות (β = −0.068, p = 0.276) — דפוס ה"בטוח אך נעדר" של המאמר. הקשר ההשתתפות היה מתון ומשני להשפעת עמיתים (β = 0.510, f² = 0.326) ולניהול זמן (β = −0.163), ומכיוון שמבנה השימוש בבינה מלאכותית היה חד-ממדי ושילב פריטים מוכווני-תמיכה עם פריטים מוכווני-תחלופה, המחקר אינו יכול להפריד בין שימוש משלים לשימוש מחליף או לקבוע כיוון (Franco et al. (2026)).

מדידת מעורבות: בעיית בחירת המדד

המעורבות מופעלת באמצעות טווח של אותות נצפים. מדדים התנהגותיים מודדים מה שלומדים עושים (זמן על גופי המשימה, ספירת פעילות, תדירות אינטראקציה, התמדה); מדדים קוגניטיביים מודדים כיצד לומדים חושבים (עומק עיבוד, מעורבות ביקורתית, ניתוח שיח); מדדים אפקטיביים מודדים כיצד לומדים מרגישים (רגש, מוטיבציה, עניין); ומדדים הקשריים לוכדים מולטיטסקינג ותשומת לב. מחקר החינוך-בינה מלאכותית משולב ביתר ויתר בין אלה ומתייחס למעורבות כמנגנון מתווך בין עיצוב כלי בינה מלאכותית לבין תוצאות למידה, ולא כתוצאה בפני עצמה.

• שישה משפחות יישומי בינה מלאכותית + מדידה רב-שיטתית: הסקירה השיטתית של Zhou's (2025) של 24 מחקרי WoS ממפה שישה יישומי בינה מלאכותית למעורבות — צ'אטבוטים בעיצוב קורסים, זיהוי רגש/פרצוף/קול ומעקב עיניים, ML לניתוח נתונים, תמיכה באינטראקציה מורה–סטודנט, משוב/המלצות מותאמות אישית, ובוטים המופעלים בבינה מלאכותית בסביבות למידה חכמות. היא מוצאת ששילוב של מודאליות ומקורות נתונים מרובים של בינה מלאכותית מניב תובנה מדויקת יותר ובזמן אמת למעורבות קוגניטיבית, רגשית והתנהגותית מגישות של מקור בודד — וחיזוק בעיית בחירת המדד שלעיל.

בחירת המדד היא הגדרתית: מחקר שמודד מעורבות כזמן על גופי המשימה עשוי להסיק שכלי בינה מלאכותית משפר את המעורבות כשהסטודנטים מבלים יותר זמן באינטראקציה איתו, בעוד מחקר שמודד מעורבות כעיבוד ביקורתי עשוי להגיע למסקנה ההפוכה על אותו הכלי. זו הסיבה לכך שהמחקר של מאגר הידע מבדיל בין מעורבות (השתתפות) ללמידה (רווח קוגניטיבי בפועל) — ראו ביצועים לעומת למידה — ולכן מדדי מעורבות חייבים להיות מאומתים מול מה שהם טוענים למדוד.

• מעורבות כאות שביר ותלוי-מצב: חידות מלוטשות, מעורבות שבירה ודפוסי מעורבות רב-מוסדיים מוצאים שהמעורבות משתנה לפי הקשר, משימה ולומד — אותו הכלי מייצר מעורבות חזקה עבור חלק מהסטודנטים והתנהגות שטחית ורדופה אחר פלט עבור אחרים.

• טלמטריה התנהגותית מפלטפורמות למידה: חיזוי מאמץ והתקדמות, עוזר מעורבות למידה, הערכת מעורבות בווידאו, ולוחות מחוונים למידה מתרגמים אותות התנהגותיים ופיזיולוגיים (תשומת לב, פעילות, התמדה) למדדי מעורבות המשמשים למשוב אדפטיבי ולהתערבות מרצה.

• חישה פיזיולוגית מוסיפה מודאליות — ובעיית קו בסיס. E3Sense ממקם יחד אלקטרודות EEG יבשות, משקפי מעקב עיניים ואלקטרודות אלקטרודרמליות על המצח על הראש, ומנבאת 450 דירוגי מעורבות ברמת-מקטע מ-30 משתתפים אוניברסיטאיים על סולם היררכי חמיש-דרגתי: AdaBoost על הייצוג הממוזג הגיע ל-75.0% דיוק מאוזן ברמה-אחת-בתוך-אחת לעומת 63.0% לחיזוי תמיד של הדירוג הנפוץ ביותר. הצרות של הפער הזו היא בדיוק הנקודה — זיכוי ברמה אחת מעניק לקו בסיס נטול חישה את רוב הניקוד שלו בדירוגים נוטים — ושאילת הלומדים מה מעורבות פירושה עבורם הזיזה את אותו המדד מ-64.6% ל-71.5%, ראיה לכך שהתווית של דיווח עצמי, ולא רק החיישן, קובעת מה שאנליטיקה כזו יכולה לטעון.

• מגבלות הוגנות צריכות נושאים מוחזקים מחוץ כדי להחזיק. הווסת ההוגני-מין של מעריך תשומת לב רב-מודאלי קיצר את פער ה-MAE על אימות מ-0.02 ל-0.005 אך הגביר הן את הפער והן את השגיאה של הקבוצה הגרועה ביותר בנושאים מוחזקים מחוץ, ולכן אימות תוך-קבוצתי וחזרתי ברמת הנושא שייך לכל טענת חישת מעורבות (Fragkiadakis et al. (2026)).

• מעורבות כאות מידול לומד: עוצמת מעורבות כאות מידול לומד משתמשת בעוצמת המעורבות כדי ליידע מערכות בינה מלאכותית אדפטיביות, וממקמת מדדי מעורבות כקלטים למידול הלומד והוראה אדפטיבית וללמידה מסתגלת ולא רק כתוצות הערכה.

מעורבות לעומת למידה

ערכת נושא מרכזית במחקר של מאגר הידע היא שמעורבות ולמידה חייבות להיות מובדלות. כלי בינה מלאכותית שמייצרים מעורבות גבוהה (זמן על גופי המשימה, נפח אינטראקציה) עשויים שלא לייצר למידה אם המעורבות הזו פסיבית או מחליפה את העבודה הקוגניטיבית של ההבנה — ראו ביצועים לעומת למידה. להיפך, מאבק פרודוקטיבי וקושי רצוי יכולים לייצר למידה גם כשהמעורבות הפנים-שטחית מתורגמת כנמוכה. המעורבות היא אפוא בטיפול הטוב ביותר כמנגנון — בעלת ערך במידה שהיא משקפת או מאפשרת עיבוד קוגניטיבי משמעותי — ולא כתוצאת סוף.

ההבחנה אינה אקדמית. Pramod and Patil (2026) ממקמים את המעורבות במרכז מודל ה-PLS-SEM שלהם, בין מוטיבציה ונוכחות חברתית מצד אחד וביצועים נתפסים מצד שני — המקדם הגדול ביותר במודל שלהם, ועדיין תפיסה ולא מדידה של למידה.

פדגוגיה מתווכת את השפעת הבינה המלאכותית על המעורבות

סינתיזה שיטתית של בינה מלאכותית בהשכלה גבוהה (Long et al., 2026) מדגישה ש**שיטת ההוראה שבה כלי בינה מלאכותית משובץ הוא המתווך הקובע** בשאלה האם הוא מעורב סטודנטים. צ'אטבוטים, מערכות אדפטיביות ואנליטיקה ניבטית משפרים את המעורבות ביותר כשהם נפרסים בתוך פדגוגיות אינטראקטיביות — כיתות מהופכות, למידה מבוססת פרויקטים, ולולאות משוב מפוגמות — ולא ככלים עצמאיים. הסקירה ממקמת זאת כמודל PMAISE (תיווך פדגוגי של בינה מלאכותית למעורבות הסטודנטים), וממפה את היישור בין טכנולוגיות בינה מלאכותית, אסטרטגיות פדגוגיות, והממדים האפקטיבי, ההתנהגותי והקוגניטיבי של המעורבות. ההשלכה היא שתוצאת המעורבות נוצרת בשיתוף על ידי הכלי וגם על ידי עיצוב ההוראה הסובב אותו: אותה בינה מלאכותית יכולה להגביר מעורבות בפדגוגיה אחת ולהעכימה באחרת.

קשרים למושגים קשורים

מעורבות הסטודנטים מתחברת למוטיבציה ולתיאוריית ההכרעה העצמית כמניעים הפסיכולוגיים שלה, ולחוויית הסטודנט כהקשר המחייה. המדידה שלה נשענת על אנליטיקת למידה ועל מדידה חינוכית, שמספקים את הכלים כמותיים להפעלת הממדים שלעיל. ההבחנה בין מעורבות עמוקה ושטחית נקשרת ישירות ללמידה עצמית מוסדרת (לומדים מוסדרים עצמית מעורבים אסטרטגית), לפריקת עומס קוגניטיבי ולהסתמכות מופרזת (הסתמכות שטחית כמצב הכשל), ולמטאקוגניציה. בעיצוב מערכות, אותות מעורבות מזינים את מידול הלומד והוראה אדפטיבית ואת למידה מסתגלת, ותוצאת המעורבות מופיעות בהערכות שיטות מחקר ב-AIED של התערבויות חינוך-בינה מלאכותית.

• מאפייני לומד מתווכים שיעורים מבוססי דיאלוג TTS (2026): בשיעורי דיאלוג בין מורה-סטודנט, סטודנט-סטודנט ומורה-מורה המיוצרים ב-LLM+TTS, סגנון למידה חווייתית ונטיית חשיבה ביקורתית קיימו אינטראקציה משמעותית עם פורמט הדיאלוג עבור מוטיבציה מבוססת ARCS, מה שמצביע על כך שתוכן דיאלוג המיוצר בבינה מלאכותית מעורר מוטיבציה באופן דיפרנציאלי לפי פרופיל הלומד (Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons).

• רווחים ספציפיים לממד ברמה היסודית (2026): תוכנית כתיבה של כתיבה בשפה שנייה (L2) נתמכת GenAI בת תשע שבועות עם 301 תלמידים מכיתה ה' ו-ו' הגבירה מעורבות התנהגותית ורגשית אך לא שינתה מעורבות קוגניטיבית ומטאקוגניטיבית, והמחברים מציינים בצמצום הניטור העצמי בכתיבה סיכון מתמשך (Lu et al., 2026)). הדפוס הוא מופע קונקרטי של הבחנת המעורבות-לעומת-למידה שלעיל: יותר פעילות ויותר הנאה לא תורגמו לעיבוד עמוק יותר.

• הפיצול יכול לפעוד בכיוון השני (2026): בקורס בן 12 שבועות בעיצוב פנים מקצועי, סטודיו VR סוחף עם עוזר הוראה LLM משובץ הגביר מעורבות קוגניטיבית (d = 0.90) והתנהגותית (d = 0.75) על פני הוראה מסורתית מבוססת פרויקט בעוד המעורבות האפקטיבית לא נבדלה משמעותית (d = 0.38) — ההיפך ממקרה הכתיבה בשפה שנייה שלעיל (Jin et al., 2026)). הרווחים הקוגניטיביים וההתנהגותיים כאן באו עם עומס קוגניטיבי נמוך יותר מדווח, שהמחברים מייחסים לעוזר הספג מאמץ חיפוש ושילוב בין-תחומי. בקריאה כנגד מקרה הכתיבה, שני המחקרים מציעים שהממד שמעורבות התערבות נתמכת-בינה מלאכותית מזיזה היא תכונה של העיצוב — שיתוף פעולה כבד-דיסקורסיה וסוחף לעומת תמיכה בכתיבה סולו — ולא של סיוע בינה מלאכותית בכלל, ושזכות אפקטיבית אינה ניתנת להנחה ממשוב בעל פידליות גבוהה או אינטליגנטי.

• אוריינות AI פועלת על המעורבות דרך משאבים פסיכולוגיים (2026): מחקר מתווך-מתון של 1,198 סטודנטים לתואר ראשון בצ'נגג'ואו, סין (Wang, 2026) ממדל את המעורבות כתוצאה של אוריינות AI ולא כתוצר לוואי של שימוש בכלי. אוריינות AI ניבאה מעורבות למידה ישירות וגם בעקיפין באמצעות בניית הון פסיכולוגי, כאשר הנתיב העקיף נשא בערך חצי מההשפעה הכוללת — תיווך חלקי, כך שמיומנות טכנולוגית מתורגמת למעורבות רק בחלקה דרך המשאבים הפסיכולוגיים שהיא מייצרת. מחויבות מקצועית, משתנה מבוסס-זהות, תיווכה בקישור הון-פסיכולוגי-למעורבות ללא כל השפעה ישירה משל עצמו, והתרגום של הון פסיכולוגי למעורבות היה חזק משמעותית יותר עבור סטודנטים שראו עצמם מכוונים למקצוע. הדפוס הוא המופע הברור ביותר הזמין של הנקודה שלעיל שמאפייני הלומד מתנאים כיצד בינה מלאכותית משפיעה על המעורבות.

• תרגול AI לפני כיתה יכול להגביר השתתפות חיה (2026): ניסוי שדה טרום-רשום עם 759 סטודנטים MBA מצא שההכנה עם שותף דיון מבוסס-קול להגביר תרומות מרצון בכ-31% בסשנים מאוחרות יותר, אך רק לאחר שימוש שני; שימוש ראשון הקדים השתתפות נמוכה יותר (Wang et al., 2026).

• התרחקות כמהלך ברמת-תור, לא כמצב יציב: Rho et al. (2026) קידדו 5,522 אמירות סטודנטים לסוכן ניתן-להוראה ב-Math Nation לשישה קטגוריות של התרחקות שיחתית (מענה שגוי, לועגות, נעלמות, שיקוף, מניעה, אקראי/רועש) ומצאו ששיעור המעורבות דומיננטי ב-75.7% מהאמירות. הקשרים מבוססי-נפיצות של מענה שגוי ולועגות עם ניקוד לאחר-מבחן לא שרדו בדיקת רגישות עם הערה אנושית. הניתוח הרציף הוא התוצאה הרלוונטית למעורבות: האשכול בעל הביצועים הגבוה ביותר שילב התרחקות מתונה עם מעברים חזקים של התאוששות-למעורבות (מניעה → מעורבות p = 0.83), בעוד הנמוך ביותר הראה לולאות-עצמיות מתמשכות ללא התאוששות (לולאת-עצמית של מעורבות p = 0.96). מניעה הייתה סוג ההתרחקות היחיד שנטה להימשך ולא להיפתר — התמדה לעומת תיקון, לא נוכחות לעומת היעדר, היא ההבחנה שמפרידה מסלולי מעורבות.

מושגים מחוברים

• לומדים — לומדים: המטרייה למושגים בצד הלומד
• שיתופי פעולה פדגוגיים — שותפויות פדגוגיות
• קהילת חקר — קהילת חקר (מעורבות סוכנית כממדי CoI)
• תיק עבודות אלקטרוני (e-portfolio)
• הוראה ולמידה מקוונות — הוראה ולמידה מקוונות
• מוטיבציה
• תיאוריית ההכרעה העצמית
• חוויית הסטודנט
• אנליטיקת למידה
• מדידה חינוכית
• למידה עצמית מוסדרת
• פריקת עומס קוגניטיבי
• מטאקוגניציה
• מידול הלומד והוראה אדפטיבית
• למידה מסתגלת
• שיטות מחקר ב-AIED
• השכלה גבוהה
• מסגור שימוש בבינה מלאכותית עבור סטודנטים
• בעלי עניין — מטרייה: אנשים וקהלים בחינוך עם בינה מלאכותית (לומדים, מורים, מעצבים, מנהלים, קובעי מדיניות)
• מידות דיווח-עצמי
• כישלון פרודוקטיבי

מאמרים מחוברים

• Disengaged Conversational Behaviors and Learning in Student-AI Dialogues for Mathematical Problem Solving — Disengaged conversational behaviors and learning in student-AI dialogues (Rho et al. 2026)

• How assigned AI use before class shapes active student engagement in class — Voice-based AI pre-class practice raised voluntary class contributions by ~31%, but only after a second use (Wang et al. 2026)

• Confident but absent: AI use, self-efficacy for independent learning, and student absenteeism in higher education — AI use tracked with greater class absenteeism while self-efficacy did not predict it, with peer influence the dominant correlate (Franco et al. 2026)

• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education

• E3Sense: Head-Confined Multimodal Sensing of Learner Engagement — Head-confined EEG, eye tracking, and EDA predict five-level engagement ratings, while learners' own definitions shift the mapping (Anupkrishnan et al. 2026)

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation

• Artificial Intelligence and Student Engagement in Online Learning: A Literature Review

• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — AI in higher ed: systematic review of engagement + mediating role of teaching methods

• Examining the Impact of Generative AI on Student Motivation and Engagement: The Mediating Role of Autonomy-Support and Autonomous Motivation in Education — Impact of Generative AI on Student Motivation and Engagement

• To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion Tools Using Behavioral Signals and Attention Checks — To Tab or Not to Tab: Measuring Critical Engagement in AI Code Completion

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Measuring Cognitive Engagement in Collaborative Discourse

• Not All Students Engage Alike: Multi-Institution Patterns in GenAI Tutor Use — Not All Students Engage Alike: Multi-Institution Patterns

• "Polished Artifacts, Fragile Engagement? Tackling the Challenge of Reduced Epistemic Effort in Human-AI Knowledge Construction" — Polished Artifacts, Fragile Engagement

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

• Distinguishing performance gains from learning when using generative AI — Distinguishing Performance Gains From Learning

• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Scaffolding Critical Engagement With GenAI

• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Engagement Intensity as a Learner-Modeling Signal

• Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System — Learning Engagement Assistant

• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — Engagement Assessment in Video Learning

• From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning — From Heuristics to Analytics: Forecasting Effort and Progress

• Interactive learning dashboards: rethinking learning visualisations as engagement tools — Interactive Learning Dashboards and Engagement

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

• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Goal-setting theory: teacher support, achievement goals, and engagement in AI-assisted English learning (758 Chinese students)

• Engagement in LLM Chatbot-Supported Learning: The Pivotal Roles of GenAI Competency and Emotion — GenAI competency and emotion as drivers of chatbot engagement (Zhao et al. 2026)

• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Discipline-associated Bloom-level cognitive engagement in student-AI conversations (Chang & Li 2026)

• GPT-4 feedback increases student activation and learning outcomes in higher education

• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — Dimension-specific engagement gains at the primary level (Lu et al. 2026)

• Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments — Cognitive and behavioral engagement up, affective engagement flat, in an immersive VR PBL studio (Jin et al. 2026)

• Enhancing enthusiasm for STEM education with AI: Domain-specific chatbot as personalized learning assistant — Cluster-randomized secondary mathematics trial: situational interest rose with a customized chatbot while test performance did not (Rücker & Becker-Genschow 2025)

• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — AI literacy drives engagement directly and through psychological capital, amplified by professional commitment (Wang 2026)

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: AI and human tutoring yield equivalent GRE learning gains

• The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — Access to an AI tutor lowered recorded platform participation by 0.90 SDs while homework submission held steady (Liu et al. 2026)