{
  "metadata": {
    "title": "שימוש בכלי בינה מלאכותית ומוטיבציה ללמידה בקרב סטודנטים לתואר ראשון: מחקר סקר כמותי",
    "work_type": "final_project",
    "research_type": "empirical_study",
    "language": "he",
    "direction": "rtl",
    "duration_minutes": 10,
    "target_slide_count": 12,
    "paper_summary": "מחקר סקר כמותי בחתך רוחב זה בחן אם תדירות השימוש בכלי בינה מלאכותית מנבאת מוטיבציה פנימית בקרב 200 סטודנטים לתואר ראשון, ואם שנת הלימודים ממתנת קשר זה. התוצאות איששו קשר חיובי מובהק (r = .34) והראו שההשפעה הייתה חזקה באופן מובהק בקרב סטודנטים בשנה א׳ בהשוואה לסטודנטים בשנים מתקדמות, ובכך תמכו בהסבר של פיגום מוטיבציוני המעוגן בתאוריית ההכוונה העצמית."
  },
  "config": {
    "duration_minutes": 10,
    "target_slide_count": 12,
    "palette_id": "academic_blue",
    "palette": {
      "primary": "#1E40AF",
      "secondary": "#DBEAFE",
      "accent": "#60A5FA",
      "background": "#FFFFFF",
      "text": "#0F172A",
      "title_background": "#1E3A8A"
    },
    "font": "Arial",
    "use_icons": false,
    "direction": "rtl",
    "language": "he",
    "logo_storage_path": null
  },
  "slides": [
    {
      "index": 1,
      "layout": "title",
      "section": "title",
      "title": "שימוש בכלי בינה מלאכותית ומוטיבציה ללמידה בקרב סטודנטים לתואר ראשון",
      "subtitle": "אוניברסיטת בן-גוריון · איתי ברק",
      "bullets": [],
      "visual": {
        "type": "none",
        "items": [],
        "caption": null,
        "description": null
      },
      "speaker_notes": "קבלו את פני הקהל והציגו את המחקר. מסגרו את ההרצאה כסקירה בת 10 דקות של חקירה כמותית הבוחנת אם תדירות השימוש של סטודנטים בכלי בינה מלאכותית לצורכי למידה מנבאת את המוטיבציה הפנימית שלהם, ואם קשר זה משתנה בהתאם לשנת הלימודים.",
      "estimated_duration_seconds": 30
    },
    {
      "index": 2,
      "layout": "icon_rows",
      "section": "introduction",
      "title": "בינה מלאכותית בהשכלה הגבוהה: פער המוטיבציה",
      "subtitle": null,
      "bullets": [
        "כלי בינה מלאכותית משולבים כיום באופן מבני בלמידה לתואר ראשון.",
        "המחקר עוקב אחר מה שסטודנטים עושים עם בינה מלאכותית, ולא אחר מה שבינה מלאכותית עושה ל…",
        "מוטיבציה פנימית מניעה העמקה, התמדה ומעורבות אמיתית.",
        "שום מחקר לא בחן את תדירות השימוש בבינה מלאכותית כמנבאת מוטיבציה פנימית.",
        "שנת הלימודים כמשתנה ממתן לא נחקרה כלל."
      ],
      "visual": {
        "type": "diagram_idea",
        "items": [
          {
            "label": "AI Tool Adoption"
          },
          {
            "label": "Motivational Outcomes"
          },
          {
            "label": "Research Gap"
          }
        ],
        "caption": "התחום התקדם מהר יותר בסוגיית האימוץ מאשר בסוגיית המוטיבציה",
        "description": null
      },
      "speaker_notes": "בססו את הבעיה: הספרות על בינה מלאכותית בחינוך התמקדה בתפיסות, בביצוע משימות ובאימוץ — ולא בשאלה אם שימוש סדיר בבינה מלאכותית מעצב את האוריינטציות המוטיבציוניות המקיימות למידה. פער זה הוא נקודת הכניסה של המאמר.",
      "estimated_duration_seconds": 55
    },
    {
      "index": 3,
      "layout": "icon_rows",
      "section": "research_question",
      "title": "שאלות המחקר וההשערות",
      "subtitle": null,
      "bullets": [
        "RQ1: האם תדירות השימוש בכלי בינה מלאכותית מנבאת מוטיבציה פנימית?",
        "RQ2: האם שנת הלימודים ממתנת קשר זה?",
        "H1: שימוש תכוף יותר בבינה מלאכותית → מוטיבציה פנימית גבוהה יותר.",
        "H2: הקשר חזק יותר בקרב סטודנטים בשנה א׳ מאשר בקרב סטודנטים מתקדמים.",
        "מעוגן בתאוריית ההכוונה העצמית (Deci & Ryan, 1985)."
      ],
      "visual": {
        "type": "diagram_idea",
        "items": [
          {
            "label": "AI-Tool Use Frequency"
          },
          {
            "label": "Intrinsic Motivation"
          },
          {
            "label": "Moderated by Year of Study"
          }
        ],
        "caption": "מודל מושגי: אפקט ישיר הממותן על ידי השלב האקדמי",
        "description": null
      },
      "speaker_notes": "הציגו בבירור את שתי ההשערות. H1 היא ניבוי דו־משתני כיווני; H2 מוסיפה שכבת מיתון. העיגון בתאוריית ההכוונה העצמית חשוב: אוטונומיה, מסוגלות ושייכות הן הצרכים שסיפוקם מקיים מוטיבציה פנימית, ופיגום באמצעות בינה מלאכותית עשוי לתמוך בשלושתם — במיוחד בקרב סטודנטים מתחילים.",
      "estimated_duration_seconds": 55
    },
    {
      "index": 4,
      "layout": "icon_rows",
      "section": "methodology",
      "title": "תכנון המחקר, המדגם וכלי המדידה",
      "subtitle": null,
      "bullets": [
        "סקר מקוון בחתך רוחב; N = 200 סטודנטים לתואר ראשון.",
        "ניתוח עוצמה: α = .05, עוצמה = .80, אפקט אינטראקציה בינוני.",
        "תדירות השימוש בכלי בינה מלאכותית: סולם Likert בן 5 דרגות שפותח על ידי החוקר (α = .76).",
        "מוטיבציה פנימית: מדד מורכב מתוך סולם המוטיבציה האקדמית (α = .81).",
        "משתני בקרה: מגדר, ממוצע ציונים; משתנה ממתן: שנת לימודים (שנה א׳ לעומת שנים מתקדמות)."
      ],
      "visual": {
        "type": "icon_grid",
        "items": [
          {
            "icon": "users",
            "label": "200 Undergraduates",
            "description": "Convenience sample; 44.5% first-year"
          },
          {
            "icon": "clipboard-list",
            "label": "AMS + AI-Use Scale",
            "description": "Validated + researcher-developed items"
          },
          {
            "icon": "bar-chart-2",
            "label": "PROCESS Moderation",
            "description": "Hayes Model 1; Pearson r for H1"
          }
        ],
        "caption": null,
        "description": null
      },
      "speaker_notes": "סכמו את התכנון במשפט אחד: סקר חתך רוחב, 200 סטודנטים, שני סולמות מורכבים מתוקפים, ומודל מיתון Hayes PROCESS. ציינו שהיקף המדגם נקבע באמצעות ניתוח עוצמה כדי לזהות אפקט אינטראקציה בינוני — חוזקה מתודולוגית שראוי להדגיש.",
      "estimated_duration_seconds": 65
    },
    {
      "index": 5,
      "layout": "two_column",
      "section": "methodology",
      "title": "מאפייני המדגם",
      "subtitle": null,
      "bullets": [
        "59% נשים, 37% גברים, 4% א־בינאריים / לא נמסר.",
        "44.5% שנה א׳; 55.5% מתקדמים (שנה 2 ומעלה).",
        "ממוצע ציונים = 82.4 (סטיית תקן = 8.3) בסולם המוסדי.",
        "ממוצע תדירות השימוש בבינה מלאכותית = 3.42 / 5; ממוצע המוטיבציה הפנימית = 3.71…"
      ],
      "visual": {
        "type": "pie_chart",
        "items": [
          {
            "category": "Social sciences & humanities",
            "value": 68
          },
          {
            "category": "Natural sciences & engineering",
            "value": 54
          },
          {
            "category": "Education & teaching",
            "value": 46
          },
          {
            "category": "Other fields",
            "value": 32
          }
        ],
        "caption": "מדגם לפי אשכול דיסציפלינרי (N = 200)",
        "description": null
      },
      "speaker_notes": "כוונו בקצרה את הקהל לזהות המשתתפים. הפיזור הדיסציפלינרי על פני ארבעה אשכולות מצמצם את הסיכון שהממצאים משקפים אפקט של תחום יחיד. ממוצע הציונים הגבוה במידה מתונה ראוי לציון כשיקול אפשרי של תקרת ציונים במדדי המוטיבציה.",
      "estimated_duration_seconds": 55
    },
    {
      "index": 6,
      "layout": "stat_callout",
      "section": "results",
      "title": "H1 נתמכה: קשר חיובי אושש",
      "subtitle": null,
      "bullets": [],
      "visual": {
        "type": "stat",
        "items": [
          {
            "value": "r = .34, p < .001",
            "caption": "Medium positive correlation between AI-tool use frequency and intrinsic motivation (N = 200; 95% CI [.21, .46])"
          }
        ],
        "caption": null,
        "description": null
      },
      "speaker_notes": "זהו הממצא המרכזי עבור H1. מתאם Pearson של .34 מצוי בבירור בטווח הבינוני לפי אמות המידה של Cohen. רווח הסמך אינו כולל אפס, והאפקט נשמר בכלל המדגם לאחר שבדיקות נורמליות אישרו כי הנחות הפרמטריות התקיימו.",
      "estimated_duration_seconds": 50
    },
    {
      "index": 7,
      "layout": "two_column",
      "section": "results",
      "title": "המוטיבציה הפנימית עולה עם תדירות השימוש בבינה מלאכותית",
      "subtitle": null,
      "bullets": [
        "תחומי שימוש גבוהים יותר בבינה מלאכותית תואמים ממוצעי מוטיבציה פנימית גבוהים יותר.",
        "המגמה מונוטונית בכל חמשת תחומי התדירות.",
        "אין עדות לאפקט תקרה או רצפה לא־ליניארי."
      ],
      "visual": {
        "type": "bar_chart",
        "items": [
          {
            "category": "1.0–1.8",
            "value": 2.81
          },
          {
            "category": "1.8–2.6",
            "value": 3.12
          },
          {
            "category": "2.6–3.4",
            "value": 3.48
          },
          {
            "category": "3.4–4.2",
            "value": 3.79
          },
          {
            "category": "4.2–5.0",
            "value": 4.05
          }
        ],
        "caption": "ממוצע המוטיבציה הפנימית לפי תחום תדירות השימוש בכלי בינה מלאכותית",
        "description": null
      },
      "speaker_notes": "הובילו את הקהל דרך תרשים העמודות. כל עמודה מייצגת את ממוצע המוטיבציה הפנימית של סטודנטים בתוך תחום תדירות השימוש בבינה מלאכותית, כפי שדווח בנתוני תרשים 1 במאמר. העלייה המונוטונית בין התחומים מחזקת חזותית את ממצא מתאם Pearson ומראה שהקשר אינו מונע על ידי ערכים חריגים באחד הקצוות.",
      "estimated_duration_seconds": 60
    },
    {
      "index": 8,
      "layout": "stat_callout",
      "section": "results",
      "title": "H2 נתמכה: שנת הלימודים ממתנת את האפקט",
      "subtitle": null,
      "bullets": [],
      "visual": {
        "type": "stat",
        "items": [
          {
            "value": "ΔR² = .043, p = .015",
            "caption": "Interaction term (AI-use × year of study) in PROCESS Model 1; overall model R² = .189, F(4, 195) = 11.37, p < .001"
          }
        ],
        "caption": null,
        "description": null
      },
      "speaker_notes": "איבר האינטראקציה מובהק סטטיסטית ומסביר 4.3% נוספים מן השונות במוטיבציה הפנימית מעבר לאפקטים המרכזיים. המודל הכולל מסביר כמעט 19% מן השונות — ממצא בעל משמעות עבור תוצא מוטיבציוני הנמדד בדיווח עצמי בתכנון חתך רוחב.",
      "estimated_duration_seconds": 50
    },
    {
      "index": 9,
      "layout": "icon_rows",
      "section": "results",
      "title": "סטודנטים בשנה א׳: שיפוע מוטיבציוני תלול יותר",
      "subtitle": null,
      "bullets": [
        "שיפוע שנה א׳: B = 0.41, p < .001 — חזק ומובהק.",
        "שיפוע שנים מתקדמות: B = 0.14, p = .082 — קטן יותר, גבולי.",
        "הפער מתרחב ככל שתדירות השימוש בבינה מלאכותית עולה.",
        "תועלת הפיגום מרוכזת בנקודת הכניסה האקדמית."
      ],
      "visual": {
        "type": "none",
        "items": [],
        "caption": null,
        "description": null
      },
      "speaker_notes": "השיפועים הפשוטים מספרים את סיפור הליבה של H2. בקרב סטודנטים בשנה א׳, כל עלייה של יחידה אחת בתדירות השימוש בבינה מלאכותית קשורה לעלייה של 0.41 נקודות במוטיבציה הפנימית — רווח בעל משמעות מעשית. בקרב סטודנטים מתקדמים השיפוע קטן משליש מגודל זה ואינו מגיע למובהקות המקובלת.",
      "estimated_duration_seconds": 70
    },
    {
      "index": 10,
      "layout": "icon_rows",
      "section": "discussion",
      "title": "פרשנות: פיגום במקום שבו הוא חשוב ביותר",
      "subtitle": null,
      "bullets": [
        "כלי בינה מלאכותית מפחיתים חיכוך רגשי בנקודת המעבר הקשה ביותר.",
        "תמיכה במסוגלות (תאוריית ההכוונה העצמית) היא בעלת הערך הרב ביותר לפני שהרגלים מתגבשים.",
        "סטודנטים מתקדמים הפנימו אסטרטגיות — הפיגום מוסיף פחות.",
        "תתי־הסולמות הפנימיים, ולא החיצוניים, הניעו את האפקט — נקודה תאורטית מרכזית.",
        "לא ניתן לבסס כיוון סיבתי מנתוני חתך רוחב."
      ],
      "visual": {
        "type": "diagram_idea",
        "items": [
          {
            "label": "AI Scaffolding"
          },
          {
            "label": "Perceived Competence"
          },
          {
            "label": "Intrinsic Motivation"
          },
          {
            "label": "Strongest in Year 1"
          }
        ],
        "caption": "מנגנון משוער מבחינה תאורטית (תיווך לא נבחן ישירות)",
        "description": null
      },
      "speaker_notes": "פרשו את הדפוס מבעד לעדשת הפיגום של תאוריית ההכוונה העצמית: כלי בינה מלאכותית מנמיכים את הסף לחוויית מסוגלות, שהיא הצורך הפסיכולוגי שאינו מסופק באופן החריף ביותר בקרב סטודנטים בשנה א׳. הדגישו את ההסתייגות הנובעת מתכנון חתך רוחב — ייתכן שגם סטודנטים בעלי מוטיבציה גבוהה יותר נוטים יותר לאמץ כלי בינה מלאכותית, ולכן החץ עשוי לפעול בשני הכיוונים.",
      "estimated_duration_seconds": 70
    },
    {
      "index": 11,
      "layout": "icon_rows",
      "section": "conclusion",
      "title": "מגבלות וכיוונים עתידיים",
      "subtitle": null,
      "bullets": [
        "תכנון חתך רוחב: קשר, לא סיבתיות.",
        "מדגם נוחות עשוי לייצג ביתר סטודנטים המעורבים בטכנולוגיה.",
        "שימוש בבינה מלאכותית בדיווח עצמי — אין יומני שימוש אובייקטיביים זמינים.",
        "עבודה עתידית: תכנון אורך, תיווך באמצעות מסוגלות עצמית.",
        "יש לשחזר את המחקר על פני דיסציפלינות והקשרים מוסדיים."
      ],
      "visual": {
        "type": "diagram_idea",
        "items": [
          {
            "label": "Cross-sectional → Longitudinal"
          },
          {
            "label": "Association → Mediation"
          },
          {
            "label": "Single context → Multi-institutional"
          }
        ],
        "caption": "שלוש הרחבות עדיפות למחקר עתידי",
        "description": null
      },
      "speaker_notes": "היו ישירים ביחס למגבלות: התכנון אינו יכול לשלול סיבתיות הפוכה, המדגם נבחר עצמית, ומדדי דיווח עצמי נושאים סיכון לרצייה חברתית. מסגרו את המגבלות באופן בונה באמצעות מיפוי כל אחת מהן לתכנון קונקרטי של הצעד הבא — מעקב אורך, מודלי תיווך ושחזור בין־מוסדי.",
      "estimated_duration_seconds": 60
    },
    {
      "index": 12,
      "layout": "icon_rows",
      "section": "conclusion",
      "title": "תובנות מרכזיות",
      "subtitle": null,
      "bullets": [
        "תדירות השימוש בכלי בינה מלאכותית מנבאת באופן חיובי מוטיבציה פנימית (r = .34).",
        "שנת הלימודים ממתנת את האפקט — סטודנטים בשנה א׳ מפיקים את התועלת הרבה ביותר.",
        "הרווחים המוטיבציוניים הם פנימיים, ולא רק חיצוניים או מונעי ציונים.",
        "שלבו כלי בינה מלאכותית באופן מכוון בתוכניות הלימודים של שנה א׳ להשגת ההשפעה הגדולה ביותר.",
        "תכנוני אורך ותיווך הם הצעדים הבאים החיוניים."
      ],
      "visual": {
        "type": "icon",
        "items": [
          {
            "icon": "trending-up"
          }
        ],
        "caption": null,
        "description": null
      },
      "speaker_notes": "סיימו בחזרה על שלוש המסקנות המהותיות: קיים קשר חיובי בעל משמעות, הוא מרוכז בקרב סטודנטים בשנה א׳, והוא פועל בערוצים מוטיבציוניים פנימיים ולא חיצוניים. השאירו את הקהל עם ההשלכה המעשית: שילוב ממוקד של בינה מלאכותית בנקודת הכניסה להשכלה הגבוהה הוא המקום שבו התשואה המוטיבציונית היא הגבוהה ביותר.",
      "estimated_duration_seconds": 55
    }
  ]
}