Как AI влияе на тревожността и благосъстоянието на студентите и какво можем да направим?

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Студент остава след часа и ти казва, че завършването на степента вече не изглежда да си струва, защото AI вече може да върши работата, за която се е подготвял. Друг е замлъкнал този семестър: по-малко предадени работи, никакви въпроси, никакво присъствие в семинара. Имаш десет минути до следващия час и никакъв начин да разбереш дали това иска стратегия, или насочване.

Отговорът, който да дадеш на колега: повечето от онова, което движи тревожността около AI, се намира в кариерата и компетентността, а не в технологията, и успокоението не помръдва нито едното. Преживяванията на овладяване, доказателството, че работата с AI си струва усилието, и кариерната адаптивност са това, към което сочат тези изследвания. Малък брой студенти се нуждаят от насочване, а не от стратегия, а доказателствата за това къде минава границата са по-слаби, отколкото би искал.

Накратко

1. Разбери с кой страх имаш работа. Страхът за кариерата и съмнението в компетентността искат различни отговори, и между тях те носят по-голямата част от връзката с тревожността.

2. Спри да започваш с успокоение. Насърчение, което не променя преценката на студента за собствената му способност, няма да помръдне емоцията.

3. Дай им задача, в която могат да успеят, и такава, която трябва да критикуват. Практиката с нисък залог плюс насочена оценка на изхода на AI почива на по-добри доказателства от беседа за бъдещето на труда.

4. Постави въпроса за работата вътре в курса. Кариерната адаптивност е механизмът, който най-силното изследване тук идентифицира, и вярата в себе си не я замести.

5. Знай пътя си за насочване, преди разговорът да започне, и третирай безнадеждността относно степента като сигнал, а не раздразнението от инструмент.

6. Ако някой предложи инструмент за благосъстояние, питай какво се случва, когато той сгреши, и задръж внедряването, докато нямаш отговор.

Назови страха, преди да отговориш

Kim и кол. определят тревожността около AI като безпокойство или страх, породени от ускореното развитие на AI. Те я отделят от по-старата тревожност за автоматизацията, защото AI заплашва когнитивни и професионални роли, а не ръчни задачи, и назовават страха от замяна от AI като основен принос, с неконтролиран растеж на AI, грижи за поверителността, генерирана от AI дезинформация и пристрастие на AI като второстепенни причини. Прочети това срещу студента пред теб: този, който се тревожи, че ще бъде заменен, се тревожи за пазара на труда, в който влиза, а не за инструмента, който демонстрира миналата седмица.

Кариерната тревога е най-добре доказаната версия на това. Üstün и Danacıoğlu (2026) анкетират 1 057 студенти от 35 турски университета и установяват, че по-високата тревожност около AI и по-негативните нагласи към AI вървят с по-висока тревожност при търсене на работа след дипломиране. Жените, студентите в социалните науки и второкурсниците съобщават повече от нея. Dağ и кол. (2026) откриват умерена положителна корелация между тревожността около AI и тревожността при търсене на работа сред 821 студенти по здравни науки (r = 0,233, p < 0,001), като тревожността около AI остава значим предсказател след контрол за социодемографските характеристики (β = 0,234, p < 0,001). Duan и кол. (2026) проследяват въпроса до последствията: в модел на структурни уравнения на 315 китайски студенти тревожността около AI предсказва по-лоши кариерни решения директно и индиректно чрез подкопаване на кариерната адаптивност, а този медииран път обяснява 63,35% от общия ефект.

Обикновеното приспособяване звучи като студент, който казва, че още не знае как да използва това добре. Наостри внимание, когато звучи като „няма смисъл да завършвам“, когато студентът се отдръпва вместо да се оплаква или когато тревогата се носи сам, защото повдигането ѝ изглежда като признание за слабост. Последният модел е този, който Bashir и Afzal (2026) описват сред пакистански университетски студенти, където споделянето носи цена под формата на стигма.

Замени успокоението със задача, в която могат да успеят

Двувълнова анкета на 547 китайски студенти поставя тревожността при учене с AI в теорията на контрола и стойността (Jiang, Chen и Chen, 2026). Тревожността, по това обяснение, идва от две оценки. Едната е дали студентът се чувства способен да се справи със задачи за учене, свързани с AI, измерена като самоефективност при учене с AI. Другата е дали преценява AI като полезен за академична работа, измерена чрез конструкта възприета полезност. Самоефективността имаше по-силна отрицателна връзка с тревожността и също предсказваше възприетата полезност. Възприетата подкрепа от училището беше свързана с по-ниска тревожност дори с двете оценки в модела, но по-голямата част от тази връзка минаваше през тях, оставяйки около една трета като директна връзка. Моделирана отделно, само информационната подкрепа запази надежден път към самоефективността, и там обучението по AI грамотност, насоките за отговорна употреба и достъпната техническа подкрепа печелят мястото си.

Преподаването, което следва, е небляскаво. Изграждай преживявания на овладяване: практика с нисък залог, насочена оценка на изходи от AI, преработка, водена от обратна връзка. Дай на студентите конкретно доказателство, че работата с AI си струва усилието, защото стойността е втората оценка и тя се движи с опит, а не с аргумент. Направи подкрепата си информационна, от онзи вид, който отговаря на въпрос как нещо работи, а не чисто утешителна.

Никой в тази литература не е тествал този пакет срещу контролна група. Препоръката следва от модела на оценките, а авторите изрично казват, че дизайнът им не може да установи причинна посока, времево предшестване или причинна медиация. Извадката е удобна, изтеглена към специалности от STEAM, измерена със самоотчет, а тревожността като цяло е ниска с ограничена вариация, което може да е изгладило оценките. Приемай посоката като оправдана, а размера на ефекта като неизвестен.

Учи на критичен преглед и очаквай ангажираността да расте с него

Тревожността и ангажираността могат да се движат заедно, което променя това, което се опитваш да постигнеш. В анкета на 107 студенти Kim (2026) установява, че по-високата тревожност около AI е положително свързана с поведение на проверка и преработка (β = 0,24, p < 0,01), а оценителната способност предсказва активна ангажираност (β = 0,46, p < 0,001). Студентите се разпределят в четири регулаторни типа: некритично разчитане (18,7%), селективна интеграция (34,6%), оценителна трансформация (31,8%), стратегическо отхвърляне (14,9%).

Ако тревожността може да придружава по-внимателното поведение, тогава намаляването на чувството е грешната цел. Обучението по критичен преглед и оценителна преценка превръща тревожния студент в съзнателен потребител на генеративен AI, а не в избягващ. Този навик е темата на обучението на студентите да проверяват изхода на AI, а AI грамотността е по-широката рамка, в която той стои.

Постави кариерния въпрос в стаята

Duan и кол. (2026) заключават, че кариерната адаптивност е ключовият защитен механизъм, и препоръчват универсализиране на курсовете по AI грамотност и кариерно планиране заедно с интеграция на индустрията и образованието. Dağ и кол. (2026) стигат до същото място от здравните науки: укрепени програми плюс AI грамотност и кариерно консултиране, защото тревожността около AI оформя професионалните бъдещи на студентите, а не мненията им за инструмент. Нито една от двете находки не идва от интервенция, така че имаш добре аргументирана цел, а не тествана програма.

Другият лост с доказателства е регулацията на емоциите. В анкета на 1 484 китайски студенти Zhang, Shi и Lu (2026) установяват, че тревожността около AI корелира отрицателно с регулацията на емоциите (r = -0,172) и академичната мотивация (r = -0,175), докато регулацията на емоциите корелира положително с мотивацията (r = 0,457), всички p < 0,001. Bootstrap анализът потвърди отрицателен непряк път от тревожност към мотивация през регулация на емоциите (непряк ефект = -0,076, 95% CI от -0,108 до -0,047), като директният път остава значим. Продължителността на ежедневното използване на AI корелира само слабо с мотивацията (r = 0,053), което говори срещу четенето на времето с инструмента като качество на ангажираността. Препоръката им е регулацията на емоциите и метакогнитивната подкрепа да се вградят в обучението по AI грамотност, с внимание към пола, тъй като връзката регулация към мотивация беше по-силна сред студентите мъже в техните данни.

Конкретно това може да е кратка писмена рефлексия преди и след оценявана задача с AI или кратък структуриран разговор за това какво би направил студентът, ако желаната от него роля се промени. И двете са евтини. Нито едно от тях не е тествано като интервенция срещу тревожност, а дизайнът на Zhang, Shi и Lu е напречен и самоотчетен, така че не могат да покажат причинност.

Кажи какво е позволено и къде е помощта

Мълчанието за AI се чете от някои студенти като забрана, а от други като изоставяне, и всяко от двете четения храни проблема с оценките по-горе. Запиши очакванията: какво е позволено, какво трябва да се декларира, каква подкрепа има, когато студент се бори с инструмента. Кажи ги и на глас в часа. Възприетата подкрепа предхожда благоприятните оценки и това е най-евтината версия на подкрепа, която контролираш.

Насочи, когато тревогата е спряла да бъде за инструмент и е започнала да бъде за стойността на студента, мястото му в програмата или бъдещето му: безнадеждност относно завършването, отдръпване от работата и от хората, изявления, че не вижда професионално бъдеще. Всичко, което подсказва риск за безопасността, е незабавно насочване по протокола на институцията ти, а не разговор, който водиш сам.

Кариерната тревожност принадлежи на кариерните служби, защото е въпрос на консултиране, а не проблем на морал, и Duan и кол. (2026) установяват, че самоефективността сама не буферира щетата върху кариерните решения. Институциите са нивото, към което сочат доказателствата, като Dağ и кол. (2026) препоръчват AI грамотност и кариерно консултиране заедно с укрепени програми. Ако това, което виждаш, е студент, възпрепятстван да използва задължителни инструменти от увреждане или нужда от достъп, това принадлежи на службата, която се занимава с приспособления в институцията ти, и е отделен разговор от този.

Имаш и лост, който формулярът за насочване не дава. Bashir и Afzal (2026) поставят връзката учител и студент на второ място в анализа си на важността на признаците (10,0%), пред качеството на съня (9,3%), депресията (8,3%) и социалната подкрепа (7,6%). Авторите представят това като хипотеза, която се нуждае от местно събрани данни. Все пак е причина да се увериш, че студентите знаят, че ти си път към помощ.

Реши дали инструмент за благосъстояние има място тук

Чатбот, насочен към студентите, привлича най-много студентите, които няма да повдигнат страдание пред родител, учител или връстник, което е точно моделът на споделяне, който Bashir и Afzal (2026) описват. Тяхната система обучи класификатор на стрес Random Forest върху 1 100 анкетни отговора по 20 признака и достигна 89,09% точност върху три нива на тежест, съчетан със слоеста диалогова част Stepped Care на английски, урду и романизирано урду. Анализът им на важността на признаците постави кръвното налягане първо (15,6%) и връзката учител и студент второ (10,0%), с нивото на тревожност на девето място (4,8%), което те четат като доказателство, че страданието на студентите е многоизмерно.

Това, което отстъпват, има по-голямо значение от числото за точност. Обучен класификатор решава нивото на подкрепа, а какво се случва при вредна погрешна класификация, как се съхраняват разкритията, какви защити за поверителност важат и как работи ескалацията към човешко консултиране, всичко това остава открито. Границата между човешкия надзор и автоматизираното насърчение остава въпрос на дизайн. Системата не се представя като клинична или терапевтична, а диалоговият слой е проверен със симулирани входове и неформално тестване за използваемост, а не със студенти, по културна уместност, емоционална безопасност или удовлетворение. Няма никакви данни за резултати при студенти.

Същият модел се появява в по-широката литература за инструменти. Дисертация за инструменти за благосъстояние на кампуса, задвижвани от AI (Tang, 2026), съобщава чатбот за анкети (TigerGPT) с 75% използваемост и 81% удовлетворение и адаптивна рамка за последващи действия (AURA), даваща +0,12 средна печалба в качеството (p = 0,044, d = 0,66) чрез използване на обучение с подсилване, за да избере дали да валидира, уточнява, отразява или разпитва. Тя описва и компонент за оценка на психичното здраве, основан на насоките DSM-5 и PHQ-8, а не на класификация тип черна кутия, и стекова многомоделна архитектура, за която се твърди, че намалява риска от халюцинации и превъзхожда отделните модели на бенчмарка DAIC-WOZ. Това са резултати от разработка на система. Те измерват дали инструментът прави това, за което е проектиран, а не дали благосъстоянието на студента се е подобрило. Числото 89,09% идва от едно отделно разделяне, върху тренировъчни данни, които не са представителни за пакистанските студенти, в система, изградена на английски с подсказани изрази на урду.

Задай условията, които курсът не може

Ходовете в класната стая, описани по-горе, се нуждаят от институционална защита, а литературата за политики в пресечната точка на AI и социално-емоционалното учене е по-слаба от амбициите за внедряване. Tran, Liu и Nguyen (2026) преглеждат 65 рецензирани статии в пресечната точка на AI и SEL: близо три четвърти не споменават изобщо последици за политиката, само около един на четири дава някаква препоръка за политика, а малцина дават насоки за конкретен участник относно поверителност, обучение на учители или разпределение на ресурси. Тяхната рамка WH пита кой трябва да действа, какво действие се препоръчва, защо, кога, къде и колко силно е формулирано, и повечето статии оставят тези въпроси без отговор. Ангажиментът с политиката корелира с мястото на публикуване, което рецензентите четат като структура от стимули, облагодетелстваща техническата новост пред управлението, и описват резултата като техно-солюционистичен капан: техническият потенциал е изведен на преден план, а условията за отговорна употреба остават неуточнени. За равенството това означава, че правдоподобни инструменти AI за SEL могат да бъдат приети без предпазните мерки за поверителност, подготовката на учителите и равенството в ресурсите, които приемането изисква.

Ако си на нивото, където се вземат тези решения, практичният въпрос е същият, който задава класната стая. Кой носи отговорност, когато инструментът сгреши, какво се случва с онова, което студентът разкрие, и кой е обучен да чете изхода.

Какво преподавателите и администрацията разбират погрешно тук

Тревожността около AI всъщност е дискомфорт с нова технология и избледнява с нарастването на познанието. Двигателите в тези изследвания са оценките за кариера и компетентност: страхът от замяна е първи, а тревожността около AI все още предсказваше тревожност при търсене на работа след контрол за социодемография. Продължителността на ежедневното използване корелира с мотивацията при r = 0,053, така че времето с инструмента казва малко за мотивацията.

Успокоението е подкрепа. Насърчението се цели в чувството, а моделът на оценките казва, че чувството е следствие от преценки за способност и стойност. Информационната подкрепа беше единственият вид подкрепа, който запази надежден път към самоефективността в модела на Jiang, Chen и Chen.

Целта е тревожността да падне. Kim (2026) установява, че тревожността е положително свързана с проверка и преработка, а оценителната способност предсказва ангажираност. По-спокоен студент, който приема първия изход, не е получил помощ.

Увереността предпазва студентите от кариерната щета. В модела на Duan и кол. самоефективността не я буферира. Кариерната адаптивност носеше медиирания път.

Това е проблем на студентските служби. Повечето ходове на тази страница са преподавателски: практика с нисък залог, насочена оценка на изхода на AI, преработка, водена от обратна връзка, и изявление на очакванията, които студентите могат да прочетат. Познаването на пътя за насочване е един елемент сред тях.

Чатбот за благосъстояние е мащабируемият отговор на слабия капацитет за консултиране. Наличността е реална и привлекателността е разбираема. Точност върху едно отделно разделяне не е доказателство, че страдащ студент се справя по-добре, а въпросите за погрешната класификация, съхранението и ескалацията нямат публикувани отговори в цитираната тук работа.

Възраженията, които ще чуеш

„Те трябва да се научат на устойчивост, а не на приспособление.“ Донякъде си прав, но уверената версия бърка механизма. Zhang, Shi и Lu установяват, че регулацията на емоциите корелира положително с мотивацията (r = 0,457), докато тревожността корелира отрицателно с двете, което е аргумент за преподаване на регулация. Но устойчивостта като „вярвай в себе си по-силно“ е това, което се провали в теста за модериране на Duan и кол. Устойчивостта като репетиция, преживявания на овладяване и кариерна адаптивност е това, към което сочат изследванията, и нищо от нея не е тествано като програма.

„Това ще мине, като свикнат с инструментите.“ Времето с инструмента не е механизмът. Продължителността на ежедневното използване на AI корелираше слабо с мотивацията (r = 0,053) в анкетата на 1 484 студенти, а Dağ и кол. (2026) установяват, че тревожността около AI все още предсказва тревожност при търсене на работа след контрол за социодемография (β = 0,234, p < 0,001).

„Аз съм учител по предмет, не консултант.“ Никой не те кара да лекуваш някого. Практиката с нисък залог, задачата за критика и цикълът на преработка са обикновени преподавателски ходове. Единствената находка, която говори за позицията ти, е връзката учител и студент на второ място в анализа на важността на признаците на Bashir и Afzal (10,0%), над качеството на съня (9,3%) и социалната подкрепа (7,6%). Авторите я наричат хипотеза, а тя е разумен залог за роля, която вече заемаш.

„Нямаме капацитет за консултиране, така че инструмент е по-добре от нищо.“ Възможно е, и тази страница не може да го реши. Това, на което можеш да настояваш преди внедряване, са писмени отговори за валидирането на точността, как се решава нивото на подкрепа, какво се случва при вредна погрешна класификация, как се съхраняват разкритията и как работи ескалацията към човек. Няма отговори, няма внедряване. Студент, който сподели с инструмент, който го подрежда погрешно, може да не сподели отново.

„Ако повдигна кариерните перспективи в часа, излизам извън предмета си.“ Алтернативата е студентите да сглобяват отговора си от пазара на труда и един от друг. Duan и кол. препоръчват кариерно планиране като част от академичната програма, а Dağ и кол. го препоръчват заедно с AI грамотност. Можеш да домакинстваш разговора, без да претендираш за експертиза в него, и да насочваш отделните случаи към кариерните служби.

Какво да направиш тази седмица

1. Измери температурата на един час писмено. Питай студентите какво означава AI за работата, към която се стремят. Получаваш двигателя с техните думи и получаваш списък със студенти, с които си струва поверителен разговор.

2. Замени едно успокоение с един ход за оценка. Смени пет минути „ще се справиш“ със задача, в която студентите оценяват и поправят изход на AI.

3. Запиши очакванията си за използването на AI, включително какво е позволено, какво трябва да се декларира и каква подкрепа има, и ги прочети на глас веднъж.

4. Намери контакта в кариерните служби и пътя за насочване в институцията си сега, преди да ти трябва някое от двете, за да завършва разговорът с име.

5. Преди да приемеш какъвто и да е инструмент за благосъстояние или разпознаващ афект, вземи петте писмени отговора по-горе. Ако доставчикът не може да ги даде, това е твоят отговор.

Накъде след това

Тревожност и стрес е концептуалната обработка на самата емоция, включително стресът от прокторинг, продуктивната страна на тревожността и тревожността на преподавателите. Благосъстояние покрива рамкирането на положителното състояние през емоционални, психологически и социални измерения. За околната картина как AI влияе на студентите се занимава с общото въздействие на AI върху студентите, а препроектиране на оценяването в ерата на AI покрива оценъчната страна на институционалния отговор. Кариерно развитие и готовност е мястото, където кариерният аргумент продължава.