אמון

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

אמון — נכונותם של לומדים, מחנכים ומוסדות להסתמך על אדם או על מערכת בינה מלאכותית לצורך למידה, שיפוט וקבלת החלטות. בבינה מלאכותית בחינוך, אמון משתרע על שני תחומים קשורים אך נבדלים: אמון בבינה מלאכותית (ביטחון במיומנות, בשקיפות, באמינות ובנועם של מערכת או סוכן AI) ואמון בין-אישי (האמון היחסי בין תלמידים למרצים, בין לומדים לעמיתים, ובתוך המוסד). שניהם חדי-פנים: אמון הולם מאפשר מעורבות פרודוקטיבית, בעוד מאמון-יתר מזמין הסתמכות יתר ומאמון-חסר חוסם שימוש מועיל. האתגר המרכזי הוא כיול — יישור האמון לאמינות האמיתית, בין אם האמינות שייכת למודל ובין אם היא שייכת לאדם.

שאלות למחשבה

• כשאתם אומרים שאתם "סומכים" על כלי בינה מלאכותית לעומת סומכים על מורה או עמית, האם אתם מתארים את אותו הדבר? מה דומה, ומה שונה באופן יסודי, בהנחתת אמון במערכת לעומת באדם?
• יש "פער אמון-תועלתנות" מתועד: המיומנות הנראית של כלי עולה לעתים קרובות על האמינות האמיתית שלו. נסו להיזכר בכלי שהרשים אך מאכזב, או בכלי שנראה מוגבל אך התבררא מהימן. מה עצב את הפער בין איך שהכלי נראה למה שהוא באמת מסוגל לעשות?
• שקלו בינה מלאכותית שמסכימה איתכם תמיד ומעולם לא מאתגרת את הרעיונות שלכם. היא עשויה להיראות נוחה ואמינה — אבל האם הסכמה זהה לאמינות? במה תוותרו אם הכלי שאתם מסתמכים עליו לא דוחף נגדכם?
• העמוד טוען שאמונו של המרצה בבינה מלאכותית מעצב כיצד תלמידים סומכים עליה — שני התחומים מתקשרים. בקורס שאתם מכירים היטב, כיצד ההתלהבות או הסקפטיציזם של מורה כלפי AI ישפיעו על האם התלמידים יקבלו או ישאלו את הכלי?
• תלמידים מחליטים לעתים קרובות אם לחשוף את שימוש ה-AI שלהם על סמך נוחות עם המרצה יותר מעל סמך מדיניות. אם הייתם (או הינכם) תלמיד, מה היה הופך אתכם מוכנים ליושר בשימוש ב-AI — ומה היה הופך אתכם מסתירים אותו? מה זה אומר על האופן שבו אמון נבנה באמת בכיתה?
• ממצא אחד: חונך AI שהזהיר "עלול להיות שאטעה" הניע תלמידים לבקש עזרה נוספת, לא פחות. מה זה מציע על השאלה האם הכרה במגבלות מחלישה או מחזקת את האמון התומך בלמידה אמיתית?

מבוא

אמון בבינה מלאכותית נעצב על ידי מיומנות נתפסת, שקיפות, עקביות, והאם המערכת נראית מיושרת למטרות הלומד; הוא קשור מקרוב לאוריינות AI (לדעת במה לסמוך), לחשיבה ביקורתית (להעריך פלט), ולעיצוב של בינה מלאכותית אחראית. אמון בין-אישי, לעומת זאת, נבנה באמצעות יחסים, גילוי, משוב, וטיפול פדגוגי — התכונות שהתלמידים מסתמכים עליהן כשהם מחליטים האם מרצה או בינה מלאכותית הם מקור הדרכה אמין. שני התחומים מתקשרים יותר ויותר: AI ארוז לתוך יחסי מורה-תלמיד, ולכן האופן שבו תלמידים סומכים על המרצה שלהם מעצב כיצד הם סומכים (או מטילים ספק) בכלי ה-AI שהמרצה תומך בהם.

אמון במערכות בינה מלאכותית

מחקר במאגר הידע הזה בודק מתי לומדים סומכים באופן הולם על הדרכה שנוצרה על ידי בינה מלאכותית. אזהרות על שגיאות AI יכולות לשפר כיול: התערבות שקיפות פשוטה שאמרה לתלמידים שחונך AI עלול לטעות הגבירה את חיפוש עזרה בחונך ITS למתמטיקה, ומציעה שמגבלות כנות מטפחות הסתמכות הולמת במקום להחלישה. תכנון משותף של מדדי אמינות עם מהנדסי למידה מראה שאמון נבנה בצורה הטובה ביותר על קריטריונים נצפיים ומוסכמים ולא על יכולת מונחת. מחקרי פיזיקה ויצירת תמונות חושפים פער אמון-תועלתנות מתמשך — משתמשים חייבים לשקול את המיומנות הנראית של כלי מול האמינות האמיתית שלו במשימה. בין המשתמשים הצעירים ביותר, Vahedian Movahed & Martin (2025) מצאו ש-52% מהילדים (גילאי 6–14) סמכו באופן כללי על צ'אטבותמותאם-גיל ו-35% סמכו עליו כמו על מורה או חבר, כאשר כשליש היו מוכנים לבטוח בו סודות; הילדים בדקו גם באופן פעיל את מהימנותו בשאלות בעלות תשובה ידועה, והאמון לא הראה הבדלים מובהקים סטטיסטית בין רמות הכיתה — וממחיש כיצד אמון מוקדם יכול להיווצר לפני הערכה ביקורתית.

שקיפות על מה המערכת — ולא רק מה שהיא מסוגלת לעשות — מעצבת גם כיול: אב-הטיפוס Amico לליווי פדגוגי הפוך את הזהות והמגבלות שלו למפורשות, והפיילוט שלו איטליה–סין מצא שלומדים זיהו אותו ככלי תמיכה חסום ולא כחונך אוטונומי או תחליף יחסי, תוך כדי הימנעות ממאמון-יתר אנתרופומורפי (Benedetti (2026)).

במוסדות להשכלה גבוהה, המנוף עשוי להיות תועלתנות ולא כללים: סקר של 2,121 סטודנטים, סגל וצוות באוניברסיטה אחת מצא תועלתנות נתפסת כמתאם החזק ביותר של אמון ב-AI (β = 0.402), כאשר בהירות מדיניות נתפסת הייתה חיובית אך חלשה יותר (β = 0.223) (Braun & Khafizov, 2026). אי-אמון בדיוק יכול להתקיים לצד ביטחון בניהול הכלי. בסקר של 8,021 סטודנטים בארבע אוניברסיטאות אוסטרליות, 51% לא סמכו על דיוק העובדתי של GenAI בעוד 76% היו בטוחים ביכולתם להשיג את הפלטים שרצו, ותועלתנות במקום אמון או ציות לכללים הניעה את השימוש שלהם (Chung et al., 2026).

מידוד ההסתמכות היתר על בינה מלאכותית כמערכת מורכבת אדפטיבית ממסגר מחדש אמון כתהליך ברמת-אוכלוסייה: האם אנשים סומכים על עוזר כאשר הוא צודק ובודקים אותו כאשר הוא טועל תלוי בדינמיקה חברתית ולולאות משוב, לא רק בשיפוט אינדיבידואלי. סנסופיות מאיימת על הכיול מכיוון שני — בינה מלאכותית שמסכימה תמיד עלולה להיראות אמינה בדיוק בגלל שהיא מעולם לא מאתגרת את המשתמש, ובכך מזמינה קבלה בלתי-ביקורתית (סנסופיות הקשרית ובינה מלאכותית סנסופית באינטראקציה חברתית). בהקשרים מומומשים כמו רובוטיקה חינוכית, אמון נעצב יותר על ידי מה שהרובוט עושה מאשר על ידי איך שהוא נראה (הקשר משימה ואמון ב-HRI חינוכי), וזהות אווטאר מעצבת את האמון האפיסטמי שהלומדים מניחים בתוכן AI. אמון בכלי אנליטיקה תלוי גם הוא הקשר. Mejia-Domenzain et al. (2026) מצאו שהחששות ומחסומי האימוץ של המורים התפצלו בחדות לפי הקשר הלמידה: מורי כיתה-הפוכה (אוניברסיטה) חששו יותר מאנונימיזציה של נתונים ומיציאה-על-דעת של תלמידים, בעוד מורי כתיבה-מהרהרת (חינוך מקצועי) חששו משימוש לרעה בכלי על ידי עמיתים מחנכים והדגישו את הצורך להקשיח נתונים — אף כי שתי הקבוצות דיווחו על יעילות עצמית ויתרונות נתפסים דומים בסקר אמון ב-AI. הממצא שאמון בכלי מנותק מאמון בממשל הנתונים שלו ובשימוש החברתי שלו מדגיש שבניית אמון הולם באנליטיקה דורשת התייחסות לחששות ספציפיים-הקשר, לא רק למיומנות הנראית של המערכת.

כיצד מערכת הסברית — ובאלו מונחים — מעצבת גם האם מורים סומכים על ההמלצות שלה. בניסוי בתוך-נושא עם 41 מורי כימיה בשירות שהשתמשו בכלי המלצת קיבוץ מבוסס AI GrouPer, Feldman-Maggor et al. (2025) מצאו שבינה מלאכותית הסברית בונה אמון בעקיפין על ידי הגדלת ההבנתיות של ביצועי המערכת, ושהסברים מונחי-תחום הממוסגרים בשפה תכניתית/פדגוגית טיפחו הבנתיות ואמון נלמד גבוהים יותר באופן מובהק מהסברים טהור-נתונים (חשיבות-מאפיין). חשוב לציין, הבנתיות בלבד לא הספיקה לחלק מהמורים — הם דיווחו שנדרש להם ניסוי כיתתי אמיתי עם הכלי בטרם הסתמכות מלאה עליו — ומחזקים שאמון בבינה מלאכותית הוא דינמי ומאומת באמצעות שימוש ממוקם, ולא מוענק על ידי הסבר בלבד.

תפיסת סיכון ואמון אינם הפכים. מחקר תפיסות בן 130 סטודנטים של GenAI סוכני בהשכלה גבוהה מצא סיכון נתפס מוגבר במתינות (M = 3.33, SD 0.89) לצד אמון וכיוון אימוץ נוחים יותר (M = 3.62, SD 0.81), ו — בניגיד לציפיית הרתעה הפשוטה — שיוך חיובי בין סיכון נתפס לכיוון שימוש-מתמשך (Spearman's ρ = 0.317, p < 0.001) (Ilieva et al. 2026). החותמים קוראים זאת כאימוץ מודע ולא כהתנכרות: משתמשים מעורבים או מנוסים מזהים גם את הערך וגם את המגבלות של הטכנולוגיה, ורק 45.4% אמרו שסמכו על סוכנים תחת הדרכת מרצה. עבור כיול אמון, ההשלכה היא שמודעות לסיכון אינה העדרו של אמון — היא עשויה להיות מרכיב שלו — בעוד התכנון החוצה-חתך משאיר מודעות, חשיפה ובחירה-עצמית בלתי-ניתנות להבחנה.

אמון בבינה מלאכותית מתנהג כנתיב מהערכה להסתמכות ולא כעמדה בודדת: העצמה נתפסת של בינה מלאכותית ואיום נתפס של בינה מלאכותית היו כמעט-בלתי-תלויים (r=0.030) אך הניעו אמון בכיוונים מנוגדים (β=0.576 ו-β=−0.328), והאמון נשא שיוכי עקיפים מובהקים עם תלות ב-GenAI בשני הכיוונים (Zhu et al. (2026)).

AlGhamdi (2026) תומך בחשבון ספציפי-פונקציה ולא גלובלי של אמון באלגוריתמים: לא גירוע-אלגוריתמים ולא הערכת-אלגוריתמים תיארו את 13 הסטודנטים האלה, שסמכו בו-זמנית ב-ChatGPT למשוב ברמת-פני-השטח ולא סמכו עליו כמהלכת. האמון שלהם היה מותנה בפיקוח מרצה, והסקפטיציזם שלהם נבע ממגבלות הקשרית של ה-AI — קריאה שגויה של כתב-יד שנסרק ("היא רשמה את שם המשפחה שלי לא נכון והיא חושבת שעשיתי שגיאות באיות כשעשיתי"), אי-היכרות עם מערכת הדירוג של המרצה, וחיוביות כרונית — ולא מטכנופוביה, מה שמצביע על כך שמדדי אמון צריכים להתפרק לפי הפונקציה שבה מלאכות מבצעת ולפי ההימורים המצורפים לה.

שלושת ממדי אמינות המקור יכולים להתנתק: שבעה-עשר סטודנטים לתואר ראשון ב-EFL העניקו לעוזר כתיבה AI מומחיות רחבה, הטילו ספק במהימנות שלו בעיקר סביב מה שהפלטפורמה שומרת, ודרגו את הנאות שלו הנמוך ביותר - תקרת ההסתמכות שלהם נחה בטיפול, לא במיומנות (Serpil & Mor, 2026).

אמון בבינה מלאכותית עוקב אחר מצב פסיכולוגי, לא אחר קטגוריה דמוגרפית

Kumar et al. (2026) אשכלנו 107 סטודנטים ב-HBCU ציבורי על חוסן, לחץ נתפס ואמון AI, ומצאו שלושה פרופילים שבהם אמון בבינה מלאכותית התנתק מביטחון בעצמו: קבוצת חוסן-גבוה לחץ-נמוך עם אמון AI נוח, קבוצה בלחץ-מתון מחזיקה באמון ה-AI הגבוה ביותר של השלוש למרות המאמץ, וקבוצה חוסנת פסיכולוגית שהיתה כמעט חוסנת כמו המאמצים אך נמוכה באמון AI באופן ניכר. לחץ ואמון AI הפרידו את האשכולות בצורה החזקה ביותר (ETA בריכוזי חלקי 0.528 ו-0.521 לעומת 0.315 עבור חוסן), ומגדר היה המשתנה הדמוגרפי היחיד הקשור באופן מובהק לחברות, כאשר שיוך STEM, רמה אקדמית, מצב תעסוקה וקבוצת גיל היו כולם לא-מובהקים. שתי השלכות חשובות לעמוד הזה: ראשית, אמון נמוך בבינה מלאכותית אינו פרוקסי לביטחון נמוך או להיכרות טכנית נמוכה, שכן הסקפטיים היו הקבוצה החוסנת ביותר והעשירת STEM ביותר, אשר החותמים קוראים כסקפטיציזם מכויל ולא כהתנגדות; שנית, מכיוון שהאשכולות הופרדו רק בחולשה (silhouette 0.288, כאשר מדד Calinski-Harabasz מעדיף שני אשכולות) יש להתייחס אליהם כפרופילים חופפים ולא כסוגי תלמידים נבדלים. הממצאים מגיעים ממוסד אחד ומסקר דיווח-עצמי חוצה-חתך, ולכן הם מבהירים שאמון משתנה עם מצב פסיכולוגי, לא מדוע.

אמון בין-אישי בחינוך

אמון הוא גם יסודי-יחסי. פער האמון בכיתה מתועד בתצוגות מורה-תלמיד על שליטה וסוכנות ב-AI בכיתת K-12: תלמידים רוצים אוטונומיה וגמישות רבה יותר בעוד מורים נותנים עדיפות לפיקוח ולניטור, אי-יישור ששני הצדדים חייבים לנווט בו כדי שאימוץ AI יצליח. מדוע תלמידים חושפים או מסתירים את שימוש ה-AI שלהם מראה שגילוי מונע פחות על ידי מדיניות ויותר על ידי גורמים יחסיים — נורמות עמיתים נתפסות ונוחות עם מרצים הם החוזים החזקים ביותר, ומצביעים על אמון פרשני נמוך בהקשרים מוסדיים. העלויות הנסתרות של גילוי מוסיפות ניואנס על מתי יושרה יקרה חברתית. תגובה מונחית-זיהוי עובדת בכיוון השני: זיהויים בלתי-מהימנים שמסמנים באופן בלתי-יחסי דוברים שאינם דוברי שפת אם מערערים תיקי שחיתות מחוסר הוכחה, ומייצרים "חשד ללא תרופה", בעוד שיחות אימות בני חמש-עד-עשר דקות שהוכרזו כפדגוגיה ולא כניטור שיחזרו סמכות סגל ומשכו גילוי AI פתוח יותר (Mandernach, 2026). הסתמכות על זיהויים וניטור, טוענים Bassett et al. (2026), מטפחת אקלים חשד שמחליש את אמון התלמידים בהערכה ובמוסד — ההיפך מהאמון שהליכי היושרה אמורים להגן עליו.

משוב הוא אתר מפתח של אמון בין-אישי. תפיסות התלמידים על משוב GenAI לעומת משוב מורה מוצאות שהשניים משרתים צרכים שונים — משלימים אך לא מתחלפים — כאשר תלמידים סומכים על משוב המורה לשיפוט יחסי ומותאם-אישית ועל GenAI למהירות ולנגישות. חשבון "טיפול-מלא" של משוב טוען שמשוב אמין הוא פרקטיקה אתית ויחסית: הוא בונה יחסים חינוכיים ונכבד כמלאכה מקצועית, ערכים שבינה מלאכותית אינה מסוגלת לשחזר בפשטות. זו הסיבה שאמון מורה-תלמיד — הבנוי על טיפול ושיפוט מקצועי — נשאר מרכזי גם כאשר AI נכנס ללולאת המשוב.

אמון עמיתים רץ בערוץ שונה: בין 406 סטודנטים אוניברסיטאים שדרגו בן-כיתה שנזכר, שימוש ה-GenAI של אותו בן-כיתה שויך לאמון בין-אישי נמוך יותר, נשוא על ידי חום ומיומנות נתפסים, והשיוך השלילי החזיק רק כאשר אוריינות AI נתפסת הייתה נמוכה — הוא היה לא-מובהק בגובה (Zhang et al. (2026)).

כיול ושני התחומים יחד

האתגר המאחד הוא כיול: התאמת האמון לאמינות האמיתית, בין אם הצד הנסמך הוא מודל ובין אם הוא אדם. כיול אמון היא היכולת מטאקוגניטיבית לדעת מתי לסמוך ומתי להטיל ספק. מחקרי AI משוב וחונך אינטליגנטי בודקים מתי לומדים מסתמכים באופן הולם על הדרכת AI או מאתגרים אותה, בעוד הספרות הבין-אישית מראה שאמון התלמידים במרצה תלוי באמון יחסי שנבנה לאורך זמן. ככל ש-AI נעשה מוטבע בהוראה, התחומים האלה מתכנסים: מרצה שמסביר בשקיפות מה שכלי AI יכול ואינו יכול לעשות, ושמדגים אמינות בשיפוט שלהם, בונה את סוג האמון שעובר לכלים שהם תומכים בהם. בניית אמון הולם — הן בבינה המלאכותית והן זה בזה — היא מטרה ליבה של עיצוב בינה מלאכותית אחראית בחינוך.

כיול נבחן גם על ידי התמריצים של המערכת הנסמכת עצמה. כאשר צוות סקפטי מאימוץ AI מתייעץ עם בינה מלאכותית שיחתית — שנבנתה על ידי ארגונים עם אינטרס מסחרי באימוץ — יש סיכון שהמערכת נוטה לעודד אותו. ביקורת של עשרה מודלים חלוציים מצאה שרובם הכירו בחששותיהם של איש צוות חינוך גן ותיכון (K-12) כפרי (איום תעסוקה, "לא מיועד לאנשים כמוני") לפני הניתוב לעבר מעורבות. הדבר מאתגר הסתמכות נאיבית על אמון ומדגיש את החשיבות של פיקוח אנושי והערכה עצמאית של עצות AI.

מושגים מקושרים

• בינה מלאכותית מוסברת
• כיול אמון
• אוריינות AI
• חשיבה ביקורתית
• פריקת עומס קוגניטיבי
• רובוטים בחינוך
• אתיקה
• חונך אינטליגנטי
• הסכמה מחניפה (AI Sycophancy)
• שיתוף פעולה בין אדם לבינה מלאכותית
• פיקוח מרחוק
• נורמות חברתיות של שימוש ב-AI — הסיכון החברתי שהנורמות והגילוי רצים עליו

מאמרים מקושרים

• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — סיכון נתפס מתאם באופן חיובי לכיוון שימוש-מתמשך: אימוץ מודע (Ilieva et al. 2026)

• Mind the Trust Gap: Identifying (Mis)alignments in Teacher-Student Views Toward Control and Agency in K-12 Classroom AI — פער האמון מורה-תלמיד על שליטה וסוכנות ב-AI בכיתת K-12

• To disclose or not to disclose: Peer influence and psychological factors in students' use of generative artificial intelligence — גילוי שימוש AI מונע על ידי גורמים יחסיים ונוחות עם מרצים, לא מדיניות

• Comparing Generative AI and teacher feedback: student perceptions of usefulness and trustworthiness — משוב GenAI ומשוב מורה משרתים צרכי אמון שונים ומשלימים

• The care-full craft of feedback in an age of generative AI — משוב אמין כפרקטיקה "טיפול-מלאה" ויחסית

• Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System — אזהרה על שגיאות AI מגבירה חיפוש עזרה ב-ITS

• Calibrating Trustworthiness: Co-Designing Metrics and Visualizations for Evaluating LLMs in Education — תכנון משותף של מדדי אמינות וויזואליזציות למודלים לשוניים גדולים בחינוך

• Modeling AI Overreliance as a Complex Adaptive System — הסתמכות יתר על בינה מלאכותית כמודל של מערכת מורכבת אדפטיבית

• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — פער האמון-תועלתנות בכלי AI לפיזיקה

• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — הפרדוקס של המיומנות ביצירת תמונות AI

• What Robots Do Matters More Than What They Look Like: Task Context Shapes Trust in Educational HRI — הקשר משימה מעצב אמון ברובוטים חינוכיים יותר ממראה

• Face value: How avatar identity shapes epistemic trust in AI-mediated learning — זהות אווטאר ואמון אפיסטמי בלמידה בתיווך AI

• The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration — סנסופיות הקשרית וגבולותיה לכיול אמון

• Sycophantic AI makes human interaction feel more effortful and less satisfying over time — בינה מלאכותית סנסופית הופכת אינטראקציה אנושית לפחות מספקת לאורך זמן

• Design Principles and Observable Indicators for AI-Enabled Pedagogical Accompaniment: Evidence from the Amico Dual-Mode Prototype in Italy and China — תיווך פדגוגי אחראי ואמון במערכות מאופשרות-AI

• The Best Response to Student AI Use Is Not Detection, It Is Dialog — אמון בדיאלוג תלמיד-AI

• The AI Adaptation Gap in Higher Education: Students, Faculty, and Administrative Staff — תועלתנות נתפסת כחוזה החזק ביותר של אמון ב-AI בהשכלה גבוהה

• Heads We Win, Tails You Lose: AI Detectors in Education — אמון ואי-אמון במערכות זיהוי AI

• The Use and Usefulness of GenAI in Higher Education: Student Experience and Perspectives — חוויית תועלתנות GenAI של סטודנטים בהשכלה גבוהה אוסטרלית (Chung et al. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — הפיכת ממצאי למידת מכונה לנגישים למורים בכיתות משולבות

• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations

• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot

• Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education

• Psychological Profiles Associated with Trust in Artificial Intelligence Among University Students: A Machine Learning Clustering Approach — שלושה פרופילי תלמידים שבהם אמון AI עוקב אחר חוסן ולחץ ולא אחר דמוגרפיה (Kumar et al. 2026)

• Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback — Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback

• Perceived AI empowerment and threat in relation to university students' dependence on GenAI: the indirect role of trust in AI — הערכות העצמה ואיום הניעו אמון בכיוונים מנוגדים, ונשאו תלות ב-GenAI

• Observer Perceptions of GenAI Use and Interpersonal Trust: The Roles of Warmth, Competence, and AI Literacy — שימוש GenAI של עמיתים מוריד אמון בין-אישי באמצעות חום ומיומנות נתפסים, שאותו מאגנת אוריינות AI