Hvordan påvirker AI studerendes angst og trivsel, og hvad kan vi gøre?

Automatisk maskinoversættelse af denne engelske side, der endnu ikke er blevet gennemgået af en modersmålstalere.

En studerende bliver tilbage efter timen og fortæller dig, at det ikke længere virker værd at færdiggøre uddannelsen, fordi AI allerede kan klare det job, de uddannede sig til. En anden er blevet tavs i dette semester: færre afleveringer, ingen spørgsmål, ingen tilstedeværelse i seminaret. Du har ti minutter, før din næste time begynder, og ingen måde at afgøre, om det her kræver en strategi eller en henvisning.

Svaret, du kan give en kollega: det meste af det, der driver AI-angst, ligger i karriere og kompetence snarere end i teknologien, og beroligelse flytter ingen af delene. Mestringserfaringer, evidens for at AI-relateret arbejde er indsatsen værd, og karrierefleksibilitet er det, disse studier peger på. Et lille antal studerende har brug for en henvisning snarere end en strategi, og evidensen er tyndere om, hvor den grænse ligger, end man kunne ønske.

Den korte version

1. Find ud af, hvilken frygt du står over for. Karrierefrygt og kompetencetvivl kræver forskellige svar, og tilsammen bærer de det meste af sammenhængen med angst.

2. Hold op med at åbne med beroligelse. Opbakning, der ikke ændrer en studerendes vurdering af egen formåen, flytter ikke følelsen.

3. Giv dem en opgave, de kan lykkes med, og en, de skal kritisere. Øvelse med lav indsats plus guidet evaluering af AI-output hviler på bedre evidens end en tale om arbejdsmarkedets fremtid.

4. Læg jobspørgsmålet ind i kurset. Karrierefleksibilitet er den mekanisme, det stærkeste studie her identificerer, og tro på sig selv erstattede den ikke.

5. Kend din henvisningsvej, før samtalen begynder, og behandl håbløshed om uddannelsen som signalet snarere end frustration over et værktøj.

6. Hvis nogen foreslår et trivselsværktøj, så spørg, hvad der sker, når det tager fejl, og udskyd ibrugtagningen, indtil du har et svar.

Navngiv frygten, før du besvarer den

Kim et al. definerer AI-angst som en uro eller frygt, der opstår ved AI's acceleration. De adskiller den fra ældre automationsangst, fordi AI truer kognitive og professionelle roller snarere end manuelle opgaver, og de udpeger frygten for at blive erstattet af AI som dens primære bidragyder, med ukontrolleret AI-vækst, privatlivsbekymringer, AI-genereret misinformation og AI-bias som sekundære årsager. Læs det mod den studerende foran dig: den, der er bekymret for at blive erstattet, er bekymret for det arbejdsmarked, de er på vej ind i, ikke det værktøj du demonstrerede i sidste uge.

Karrierebekymring er den bedst underbyggede version af dette. Üstün og Danacıoğlu (2026) spurgte 1.057 studerende på 35 tyrkiske universiteter og fandt, at højere AI-angst og mere negative holdninger til AI gik sammen med højere jobsøgningsangst efter endt uddannelse. Kvindelige studerende, samfundsvidenskabelige studerende og studerende på andet år rapporterede mere af den. Dağ et al. (2026) fandt en moderat positiv korrelation mellem AI-angst og jobsøgningsangst blandt 821 sundhedsfaglige studerende (r = 0,233, p < 0,001), hvor AI-angst stadig var en signifikant prædiktor efter kontrol for sociodemografi (β = 0,234, p < 0,001). Duan et al. (2026) førte spørgsmålet videre til konsekvenser: i en strukturel ligningsmodel af 315 kinesiske universitetsstuderende forudsagde AI-angst dårligere karrierebeslutninger direkte og indirekte ved at underminere karrierefleksibilitet, og den medierede vej tegnede sig for 63,35 % af den samlede effekt.

Almindelig tilpasning lyder som en studerende, der siger, at de endnu ikke ved, hvordan de skal bruge det her godt. Ret dig op, når det lyder som om, der ikke er nogen mening i at færdiggøre uddannelsen, når den studerende trækker sig i stedet for at klage, eller når bekymringen bæres alene, fordi det føles som at indrømme svaghed at rejse den. Det sidste mønster er det, Bashir og Afzal (2026) beskriver blandt pakistanske universitetsstuderende, hvor det at åbne sig har en stigmaomkostning.

Erstat beroligelse med en opgave, de kan lykkes med

En to-bølge-undersøgelse af 547 kinesiske bachelorstuderende placerede AI-læringsangst inde i kontrol-værdi-teorien (Jiang, Chen og Chen, 2026). Angst kommer i denne forståelse fra to vurderinger. Den ene er, om en studerende føler sig i stand til at håndtere AI-relaterede læringsopgaver, målt som AI-læringsselvvirke. Den anden er, om de vurderer AI som nyttig til akademisk arbejde, målt gennem oplevet anvendelighed. Selvvirke havde den stærkere negative sammenhæng med angst og forudsagde også oplevet anvendelighed. Oplevet støtte fra skolen var forbundet med lavere angst, selv med begge vurderinger i modellen, men det meste af den sammenhæng gik gennem dem og efterlod cirka en tredjedel som direkte forbindelse. Modelleret separat bevarede kun informativ støtte en pålidelig vej til selvvirke, og det er der, undervisning i AI-kompetence, retningslinjer for ansvarlig brug og tilgængelig teknisk support gør deres gavn.

Den undervisning, der følger, er udramatisk. Byg mestringserfaringer: øvelse med lav indsats, guidet evaluering af AI-output, feedbackdrevet revision. Giv studerende konkrete beviser på, at AI-relateret arbejde er indsatsen værd, eftersom værdi er den anden vurdering, og den flytter sig med erfaring snarere end med argumenter. Gør din støtte informativ, den slags der besvarer et spørgsmål om, hvordan noget virker, snarere end udelukkende trøstende.

Ingen i denne litteratur testede den pakke mod en kontrolgruppe. Anbefalingen følger af vurderingsmodellen, og forfatterne siger eksplicit, at deres design ikke kan fastslå kausal retning, tidslig forrang eller kausal mediering. Stikprøven var bekvemmelighedsudvalgt, skævet mod STEAM-fag, målt med selvrapportering, og angsten var generelt lav med begrænset varians, hvilket kan have udjævnet estimaterne. Behandl retningen som velunderbygget og effektstørrelsen som ukendt.

Lær dem at granske, og forvent at engagementet stiger

Angst og engagement kan bevæge sig sammen, hvilket ændrer, hvad du prøver at opnå. I en undersøgelse af 107 studerende fandt Kim (2026), at højere AI-angst var positivt forbundet med verifikations- og revisionsadfærd (β = 0,24, p < 0,01), og at evalueringskapacitet forudsagde aktivt engagement (β = 0,46, p < 0,001). Studerende fordelte sig i fire reguleringstyper: ukritisk afhængighed (18,7 %), selektiv integration (34,6 %), evaluerende transformation (31,8 %), strategisk afvisning (14,9 %).

Hvis angst kan følges med den mere omhyggelige adfærd, er det forkerte mål at reducere følelsen. Undervisning i granskning og evaluerende dømmekraft gør en angst studerende til en bevidst bruger af generativ AI snarere end en undvigende. Den vane er emnet for at lære studerende at verificere AI-output, og AI-kompetence er den bredere ramme, den ligger i.

Sæt karrierespørgsmålet i rummet

Duan et al. (2026) konkluderer, at karrierefleksibilitet er den centrale beskyttende mekanisme, og de anbefaler at gøre AI-kompetence og karriereplanlægningskurser almene sammen med integration af erhverv og uddannelse. Dağ et al. (2026) når samme sted fra sundhedsfagene: styrkede uddannelser plus AI-kompetence og karrierevejledning, fordi AI-angst former studerendes professionelle fremtid snarere end deres meninger om et værktøj. Ingen af fundene kommer fra en intervention, så det, du har, er et velargumenteret mål, ikke et testet program.

Det andet håndtag med evidens er emotionel regulering. I en undersøgelse af 1.484 kinesiske bachelorstuderende fandt Zhang, Shi og Lu (2026), at AI-angst var negativt korreleret med emotionel regulering (r = -0,172) og akademisk Motivation (r = -0,175), mens emotionel regulering var positivt korreleret med motivation (r = 0,457), alle p < 0,001. Bootstrap-analyse bekræftede en negativ indirekte vej fra angst til motivation gennem emotionel regulering (indirekte effekt = -0,076, 95 % CI -0,108 til -0,047), hvor den direkte vej stadig var signifikant. Daglig AI-brugsvarighed korrelerede kun svagt med motivation (r = 0,053), hvilket taler imod at læse tid på værktøjet som kvaliteten af engagement. Deres anbefaling er at bygge emotionel regulering og metakognitiv støtte ind i AI-kompetenceundervisningen, med opmærksomhed på køn, eftersom forbindelsen fra regulering til motivation var stærkere blandt mandlige studerende i deres data.

Konkret kan det være en kort skriftlig refleksion før og efter en bedømt AI-assisteret opgave, eller en kort struktureret samtale om, hvad en studerende ville gøre, hvis den tiltænkte rolle ændrer sig. Begge er billige. Ingen af dem er testet som en angstintervention, og Zhang, Shi og Lus design er tværsnitsmæssigt og selvrapporteret, så de kan ikke vise kausalitet.

Sig, hvad der er tilladt, og hvor hjælpen er

Tavshed om AI læses af nogle studerende som forbud og af andre som svigt, og begge læsninger nærer det vurderingsproblem, der er beskrevet ovenfor. Skriv forventningerne ned: hvad der er tilladt, hvad der skal oplyses, og hvilken støtte der findes, når en studerende har svært ved værktøjet. Sig dem også højt i timen. Oplevet støtte kommer før gunstige vurderinger, og det er den billigste version af støtte, du selv styrer.

Henvis, når bekymringen er holdt op med at handle om et værktøj og er begyndt at handle om den studerendes værdi, deres plads på uddannelsen eller deres fremtid: håbløshed om at færdiggøre, tilbagetrækning fra arbejde og fra mennesker, udsagn om at de ikke ser nogen faglig fremtid. Alt, der antyder risiko for sikkerhed, er en øjeblikkelig henvisning efter din institutions protokol og ikke en samtale, du håndterer alene.

Karriereangst hører til hos karrierevejledningen, fordi det er en rådgivningssag snarere end et moralproblem, og Duan et al. (2026) fandt, at selvvirke alene ikke afbødede skaden på karrierebeslutningerne. Institutioner er det niveau, evidensen peger på, hvor Dağ et al. (2026) anbefaler AI-kompetence og karrierevejledning sammen med styrkede uddannelser. Hvis det, du ser, er en studerende, der forhindres i at bruge påkrævede værktøjer af et handicap eller et adgangsbehov, hører det til hos det kontor, der håndterer tilpasninger på din institution, og det er en anden samtale end denne.

Du har også et håndtag, som henvisningsformularen ikke har. Bashir og Afzal (2026) placerer lærer-elev-forholdet på andenpladsen i deres feature-importance-analyse (10,0 %), foran søvnkvalitet (9,3 %), depression (8,3 %) og social støtte (7,6 %). Forfatterne fremlægger det som en hypotese, der kræver lokalt indsamlede data. Det er stadig en grund til at sikre, at studerende ved, at du er en vej til hjælp.

Beslut, om et trivselsværktøj hører til her

En chatbot vendt mod studerende appellerer mest til de studerende, der ikke vil rejse mistrivsel over for en forælder, en underviser eller en jævnaldrende, og det er præcis det åbningsmønster, Bashir og Afzal (2026) beskriver. Deres system trænede en Random Forest-stressklassifikator på 1.100 surveybesvarelser over 20 features og nåede 89,09 % nøjagtighed over tre alvorlighedsniveauer, parret med et trinvist Stepped Care-dialoglag på engelsk, urdu og romaniseret urdu. Deres feature-importance-analyse placerede blodtryk først (15,6 %) og lærer-elev-forholdet på andenpladsen (10,0 %), med angstniveau på niendepladsen (4,8 %), hvilket de læser som evidens for, at studerendes mistrivsel er flerdimensionel.

Det, de indrømmer, betyder mere end nøjagtighedstallet. En trænet klassifikator beslutter støtteniveauet, og hvad der sker ved en skadelig fejlklassificering, hvordan åbne svar opbevares, hvilke privatlivsbeskyttelser der gælder, og hvordan eskalering til menneskelig rådgivning foregår, står alt sammen åbent. Grænsen mellem menneskeligt tilsyn og automatiseret opmuntring er fortsat et designspørgsmål. Systemet fremstilles ikke som klinisk eller terapeutisk, og dialoglaget blev tjekket med simulerede input og uformel brugbarhedstest snarere end med studerende, på kulturel hensigtsmæssighed, emotionel sikkerhed eller tilfredshed. Der er ingen data om studerendes udfald overhovedet.

Det samme mønster viser sig i den bredere værktøjslitteratur. En afhandling om AI-drevne trivselsværktøjer på campus (Tang, 2026) rapporterer en survey-chatbot (TigerGPT), der når 75 % brugbarhed og 81 % tilfredshed, og en adaptiv opfølgningsramme (AURA), der giver en gennemsnitlig kvalitetsgevinst på +0,12 (p = 0,044, d = 0,66) ved at bruge forstærkningslæring til at vælge, om den skal validere, specificere, spejle eller undersøge. Den beskriver også en komponent til vurdering af mental sundhed, der er forankret i DSM-5- og PHQ-8-retningslinjer snarere end i sort-boks-klassificering, og en stablet multi-model-arkitektur, der hævdes at reducere hallucinationsrisiko og overgå enkeltmodeller på DAIC-WOZ-benchmarken. Det er systemudviklingsresultater. De måler, om værktøjet gør det, det blev designet til, ikke om en studerendes trivsel blev bedre. Tallet 89,09 % kommer fra et enkelt hold-out-split, på træningsdata der ikke er repræsentative for pakistanske studerende, i et system bygget på engelsk med promptede urdu-udtryk.

Sæt de betingelser, kurset ikke kan

Klasserummets tiltag ovenfor har brug for institutionel dækning, og policymaterialet omkring AI og social-emotionel læring er tyndere end ibrugtagningsambitionerne. Tran, Liu og Nguyen (2026) gennemgik 65 peer-reviewede artikler i skæringspunktet mellem AI og SEL: næsten tre fjerdedele nævnte slet ikke policyimplikationer, kun omkring én ud af fire gav nogen policyanbefaling, og få gav aktørspecifik vejledning om privatliv, lærertræning eller ressourceallokering. Deres WH-ramme spørger, hvem der bør handle, hvilken handling der anbefales, hvorfor, hvornår, hvor og hvor stærkt den er formuleret, og de fleste artikler lod de spørgsmål stå ubesvarede. Policyengagement korrelerede med publiceringssted, hvilket anmelderne læser som en incitamentsstruktur, der favoriserer teknisk nyhedsværdi frem for styring, og de beskriver resultatet som en teknosolutionistisk fælde: det tekniske potentiale stilles i forgrunden, og betingelserne for ansvarlig brug forbliver uspecificerede. For lighed betyder det, at plausible AI-til-SEL-værktøjer kan blive taget i brug uden de privatlivsgarantier, lærerforberedelse og ressourcelighed, som ibrugtagning kræver.

Hvis du sidder på det niveau, hvor disse beslutninger træffes, er det praktiske spørgsmål det samme, som klasserummet stiller. Hvem er ansvarlig, når værktøjet tager fejl, hvad sker der med det, en studerende åbner sig om, og hvem er trænet i at læse outputtet.

Hvad undervisere og administratorer tager fejl af

AI-angst er egentlig ubehag ved ny teknologi, og det aftager, som fortroligheden vokser. Drivkræfterne i disse studier er karriere- og kompetencevurderinger: frygten for at blive erstattet kommer først, og AI-angst forudsagde stadig jobsøgningsangst efter sociodemografiske kontroller. Daglig brugsvarighed korrelerede med motivation ved r = 0,053, så tid med værktøjet siger lille om motivation.

Beroligelse er støtte. Opbakning sigter på følelsen, og vurderingsmodellen siger, at følelsen ligger nedstrøms for formåen og værdidomme. Informativ støtte var den eneste støttetype, der bevarede en pålidelig vej til selvvirke i Jiang, Chen og Chens model.

Målet er at få angsten ned. Kim (2026) fandt angst positivt forbundet med verifikation og revision og evalueringskapacitet som prædiktor for engagement. En roligere studerende, der accepterer det første output, er ikke blevet hjulpet.

Selvtillid beskytter studerende mod karriereskaden. I Duan et al.s model afbødede selvvirke den ikke. Karrierefleksibilitet bar den medierede vej.

Det her er et problem for studerendeservice. De fleste tiltag på denne side er undervisningsmæssige: øvelse med lav indsats, guidet evaluering af AI-output, feedbackdrevet revision og en erklæring om forventninger, som studerende kan læse. At kende henvisningsvejen er ét punkt blandt dem.

En trivsels-chatbot er det skalerbare svar på tynd rådgivningskapacitet. Tilgængelighed er reel, og appellen er forståelig. Nøjagtighed på et enkelt hold-out-split er ikke evidens for, at en studerende i mistrivsel har det bedre, og spørgsmålene om fejlklassificering, opbevaring og eskalering har ingen offentliggjorte svar i det arbejde, der citeres her.

De indvendinger, du vil høre

»De skal lære resiliens, ikke tilpasning.« Delvist rigtigt, og den selvsikre version har mekanismen forkert. Zhang, Shi og Lu fandt emotionel regulering positivt korreleret med motivation (r = 0,457), mens angst var negativt korreleret med begge, hvilket er et argument for at undervise i regulering. Men resiliens som at tro hårdere på sig selv er det, der fejlede i Duan et al.s moderationstest. Resiliens som indøvelse, mestringserfaringer og karrierefleksibilitet er det, studierne peger mod, og intet af det er testet som et program.

»Det går over, efterhånden som studerende vænner sig til værktøjerne.« Tid på værktøjet er ikke mekanismen. Daglig AI-brugsvarighed korrelerede svagt med motivation (r = 0,053) i undersøgelsen med 1.484 studerende, og Dağ et al. (2026) fandt AI-angst stadig forudsige jobsøgningsangst efter kontrol for sociodemografi (β = 0,234, p < 0,001).

»Jeg er faglærer, ikke rådgiver.« Ingen beder dig behandle nogen. Øvelse med lav indsats, en kritikopgave og en revisionsløkke er almindelige undervisningsgreb. Det ene fund, der taler til din position, er lærer-elev-forholdet på andenpladsen i Bashir og Afzals feature-importance-analyse (10,0 %), over søvnkvalitet (9,3 %) og social støtte (7,6 %). Forfatterne kalder det en hypotese, og det er et rimeligt væddemål for en rolle, du allerede har.

»Vi har ingen rådgivningskapacitet, så et værktøj er bedre end ingenting.« Måske, og denne side kan ikke afgøre det. Det, du kan insistere på før ibrugtagning, er skriftlige svar på validering af nøjagtighed, hvordan støtteniveauet besluttes, hvad der sker ved en skadelig fejlklassificering, hvordan åbne svar opbevares, og hvordan eskalering til et menneske foregår. Ingen svar, ingen ibrugtagning. En studerende, der åbner sig for et værktøj, der fejlplacerer det, åbner sig måske ikke igen.

»Hvis jeg rejser karriereudsigter i timen, overskrider jeg mit fag.« Alternativet er, at studerende sammensætter deres svar ud fra arbejdsmarkedet og ud fra hinanden. Duan et al. anbefaler karriereplanlægning som en del af det akademiske program, og Dağ et al. anbefaler det sammen med AI-kompetence. Du kan huse samtalen uden at hævde ekspertise i den og sende de enkelte sager videre til karrierevejledningen.

Hvad du skal gøre i denne uge

1. Tag temperaturen i én undervisningsgang, skriftligt. Spørg studerende, hvad AI betyder for det job, de sigter mod. Du får drivkraften i deres egne ord, og du får en liste over studerende, der er værd at følge op på privat.

2. Erstat én beroligelse med ét vurderingsgreb. Byt fem minutter med »det skal nok gå« ud med en opgave, hvor studerende evaluerer og korrigerer et AI-output.

3. Skriv dine forventninger til AI-brug ned, inklusive hvad der er tilladt, hvad der skal oplyses, og hvilken støtte der findes, og læs dem højt én gang.

4. Find din kontakt i karrierevejledningen og din institutions henvisningsvej nu, før du får brug for nogen af dem, så samtalen slutter med et navn.

5. Før du tager et trivsels- eller affektbevidst værktøj i brug, så få de fem skriftlige svar ovenfor. Hvis en leverandør ikke kan levere dem, er det dit svar.

Hvor du kan gå videre

Angst og stress er den konceptuelle behandling af følelsen selv, inklusive eksamensovervågningsstress, angsten produktive side og underviseres angst. Trivsel dækker indramningen af den positive tilstand på tværs af emotionelle, psykologiske og sociale dimensioner. For det omkringliggende billede håndterer hvordan AI påvirker studerende den generelle påvirkning af studerende, og at redesigne bedømmelse i AI-æraen dækker bedømmelsessiden af en institutionel respons. Karriereudvikling og parathed er der, hvor karriereargumentet fortsætter.