Angst und Stress

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Angst und Stress — die negativen emotionalen Zustände, die die Integration von KI bei Lernenden und Lehrenden auslösen kann (Furcht, fälschlich beschuldigt zu werden, Stress durch Überwachung, Sorgen um Kompetenz oder Integrität), neben den positiven Nutzungen von KI, um Stress und Angst zu erkennen, zu beobachten und zu lindern. Dieses Konzept gehört zur weiteren Familie Wohlbefinden und überschneidet sich mit sozial-emotionalem Lernen und affective computing, benennt jedoch das spezifische Emotionskonstrukt — und seine produktiven wie schädlichen Seiten —, das die Forschung zu KI in der Bildung heute direkt untersucht.

Fragen zum Nachdenken

• KI-Angst ist nicht eines — sie umspannt Prüfungsaufsichtsstress, Angst der Lernenden, Zukunftsängste und KI zur Stresslinderung. Welche davon haben Sie selbst erlebt oder beobachtet, und wirkte sie sich auf Ihr Lernen oder Lehren aus?
• Eine verbreitete Annahme ist, dass Angst immer schlecht sei. Die Forschung findet jedoch, dass KI-Angst produktiv sein kann — ängstliche Lernende prüfen und überarbeiten sorgfältiger. Können Sie sich an einen Moment erinnern, in dem Ihre eigene Angst Sie sorgfältiger arbeiten ließ?
• Durchgehende Überwachung und die Furcht, fälschlich markiert zu werden, erhöhen Prüfungsangst und können die Leistung beeinträchtigen — und der Stress lastet am stärksten auf werkzeugunerfahrenen und bereits vulnerablen Studierenden. Ist das ein Gerechtigkeitsproblem oder bloß eine Frage des Wohlbefindens?
• Berufsangst — die Furcht, dass KI Ihre berufliche Zukunft verdrängen oder entwerten wird — ist zukunftsgerichtet und auf der Ebene der Identität. Inwieweit prägt diese Furcht, wie Sie oder Ihnen bekannte Studierende mit KI umgehen?
• Studien verbinden höhere Berufsadaptabilität mit geringerer KI-Angst und finden, dass Selbstwirksamkeit nur begrenzt abpuffert. Wenn allgemeines Vertrauen nicht genügt, welche Art von Unterstützung würde tatsächlich berufsbezogene KI-Angst senken?
• Die Sorge des Personals über GenAI mag früheren moralischen Paniken um Taschenrechner und Suchmaschinen spiegeln. Wann ist Sorge über eine neue Technologie ein berechtigtes Anliegen, und wann ein wiederkehrendes Muster des Widerstands gegen Wandel?

Einführung

KI-Angst ist nicht eines. Sie umspannt mindestens vier unterschiedliche Richtungen, jede mit eigener Evidenzbasis: (1) durch KI-Prüfungsaufsicht und Integritätsüberwachung ausgelöster Stress, (2) KI-Angst als Emotion der Lernenden, die entweder Barriere oder produktives Signal sein kann, (3) berufsbezogene KI-Angst — die Furcht, dass KI die eigene berufliche Zukunft verdrängen oder entwerten wird, und (4) KI als Werkzeug zum Erkennen und Lindern von Stress und Angst. Alle diese zu erkennen — einschließlich des Befunds zur produktiven Angst, der die rein negative Rahmung infrage stellt — ist das, was dieses Konzept vom breiten Wohlbefinden-Dach unterscheidet.

Fernaufsicht bei Prüfungen, falsche Beschuldigung und Stress durch Überwachung

Die klarste und am besten untersuchte Quelle KI-induzierten Stresses ist Fernaufsicht bei Prüfungen. Durchgehende Überwachung, die Furcht, fälschlich markiert zu werden, und der Druck, beobachtet zu werden, erhöhen Prüfungsangst und können die Leistung beeinträchtigen. Zentrale Belege:

• Der Review zu automatisierter Prüfungsaufsicht dokumentiert Angst der Prüfungsteilnehmenden (besonders bei Personen, die Online-Werkzeuge nicht souverän nutzen) und Kompetenzlücken zwischen Aufsicht und Teilnehmenden, die zu falschen Täuschungsvorwürfen führen — der akute Stress, mit KI fälschlich des Betrugs bezichtigt zu werden.
• Die Konzeptseite Fernaufsicht bei Prüfungen beschreibt detailliert, wie durchgehende Überwachung und Furcht vor falschen Markierungen Prüfungsangst erhöhen und wie gestresste Studierende schlechter abschneiden — ein Gerechtigkeits- und Fairnessproblem, nicht nur eine Frage des Wohlbefindens.
• Einrichtungen, die Fernaufsicht einführen, müssen KI-Beobachtung mit zugänglichen Alternativen, klarer Kommunikation und Unterstützung bei Prüfungsangst paaren und sie gegen authentisches Assessment-Alternativen abwägen, die Überwachung verringern.

Dieser Cluster verbindet KI-Angst mit Datenschutz, akademischer Integrität und Gerechtigkeit: der Stress lastet am stärksten auf werkzeugunerfahrenen und bereits vulnerablen Studierenden.

Druck, der aus durchgehender Bewertung kommt, nicht nur aus Überwachung. Ein konzeptionelles Manuskript von 2026, das Mulvenons Multi-Stakeholder-Framework zur Prüfungsangst aufgreift (Mulvenon 2026), argumentiert, dass der Stressor selbst seine Form verändert hat: Während sich Bewertung von episodischer summativer Prüfung mit hohem Einsatz hin zu durchgehender, datenreicher Interaktion in adaptiven und analytics-vermittelten Umgebungen verschiebt, kann akute Prüfungsangst sinken, während eine diffuse, anhaltende Leistungswachsamkeit an ihre Stelle tritt — was das Papier „unsichtbare Angst“ nennt. Es benennt „algorithmische Rechenschaftspflicht“, getragen von Unmittelbarkeit, Sichtbarkeit und Datenpermanenz, als Mechanismus, der Druck umverteilt statt ihn zu beseitigen, und schlägt ein KI-vermitteltes Multi-Stakeholder-Angst-Modell vor, das keines seiner Konstrukte misst, sodass die Umverteilungsbehauptung aus der Literatur argumentiert und nicht demonstriert ist.

KI-Angst als Emotion der Lernenden (Barriere und Signal)

Jenseits der Prüfungsaufsicht erzeugt die KI-Nutzung selbst Angst — vor dem Ersetztwerden, darüber, ob die eigene Arbeit „wirklich die eigene“ ist, über Kompetenz. Entscheidend ist, dass diese Angst nicht rein negativ ist:

• Kim (2026) findet, dass KI-Angst produktiv sein kann: höhere KI-Angst war positiv mit Verifikations- und Überarbeitungsverhalten verbunden (β=.24, p<.01), und evaluative Kapazität sagte aktives Engagement vorher (β=.46, p<.001). Kims vier Regulationstypen (unkritische Abhängigkeit 18.7%, selektive Integration 34.6%, evaluative Transformation 31.8%, strategische Ablehnung 14.9%) zeigen, dass angstgetriebene Prüfung Studierende in bewusstere, selbstreguliertere Nutzende generativer KI verwandeln kann statt in passive Übernehmende. Das rahmt KI-Angst neu, von einer Barriere zu einem potenziell nützlichen Signal, das zu genauerer Prüfung anregt.

Diese Umrahmung hat eine Grenze im Sprechen: Unter 708 Englischlernenden verlief der Zusammenhang zwischen Sprechangst und Sprechbereitschaft bei −0.371 bei geringer Sprech-Selbstwirksamkeit, aber bei +0.137 bei hoher, wobei nur 55 Teilnehmende (7.8%) über der oberen Johnson–Neyman-Schwelle lagen (Wang & Li (2026)).

• Akzeptanzstudien zeigen, dass Angst prägt, ob Lernende KI-Werkzeuge übernehmen, und Forschung zur Lehrkräftebildung verbindet KI-Angst mit Motivation und Selbstregulation.
• Das Offenlegungsdilemma. In einer Umfrage unter 409 Studierenden waren Vertrautheit mit den Lehrenden und empfundene Offenlegung durch Peers — nicht moralische Distanzierung — die stärksten Prädiktoren der Offenlegung von GenAI-Nutzung, und Nicht-Offenlegung las sich als strategische Anpassung an Peer-Normen und geringes interpretatives Vertrauen denn als Nachlässigkeit (Qu & Wang (2026)).
• AIvaluate untersucht die Angst von Studierenden bei KI-vermittelten performanzbasierten Assessments und zeigt, dass Prüfungsangst fortbesteht und mitgedacht werden muss.
• Moralische Panik und Angst der Lehrenden: die Rahmung der moralischen Panik zeigt, dass die Sorge des Personals über GenAI früheren Paniken spiegelt (Taschenrechner, Suchmaschinen) — eine Stressreaktion auf der Lehrenden-Seite, die die Politik des Klassenzimmers prägt.
• Der „Zustand der Verletzlichkeit“ der Lehrkräfte und das Gefühl, „festzustecken“. Farazouli et al. (2026) erfassen die Lehrenden-Seite der KI-Angst unmittelbar: 24 schwedische Universitätslehrkräfte beschrieben das Auftreten generativer KI als alarmierend und überwältigend und berichteten einen Zustand der Verletzlichkeit — geringes Vertrauen, Unsicherheit und Unbehagen, getrieben von begrenztem Wissen über die Fähigkeiten generativer KI, begrenzter Erfahrung und der Furcht, „den Studierenden nicht voraus zu sein“. Lehrkräfte fühlten sich „feststeckend“ zwischen utopischen und dystopischen Diskursen, belastet von verstärkter Verantwortung für Fairness und Qualität, und besorgt, sich inkompetent zu fühlen, wenn sie studentische Arbeiten bewerteten, die potenziell (mit-) durch KI produziert waren. Das rahmt KI-Angst der Lehrenden als echte emotionale und professionelle Antwort auf die Rekonfiguration der Rolle — nicht als bloßen Widerstand — und argumentiert dafür, das Vertrauen und Wohlbefinden der Lehrenden zu stützen, nicht nur Werkzeugschulung.
• Die Version der Entwicklerinnen: Hochstapler-Gefühl und ethisches Unbehagen. Akademische Entwickelnde an zwei südafrikanischen Einrichtungen sollten institutionelles Vertrauen in Werkzeuge verkörpern, deren Folgen sie selbst noch ausloteten („Ich fühle mich wie eine Hochstaplerin …“), während sie Technologie vermittelten, deren Angemessenheit sie bezweifelten — affektive Arbeit, die das Papier als konstitutiv behandelt, nicht als nebensächlich (Sithole, 2026).
• Antizipatorische Schuld: Bedrängnis, die der Erfahrung vorausgeht. Vassallo (2026) befragte akademisches Personal einer maltesischen Universität (109 Antwortende) und fand, dass sich Schuld über KI an die Furcht vor Übertretung heftet und nicht an deren Erfahrung: Der AI Guilt Index (α = 0.88) bezog seine stärkste Zustimmung aus der Sorge, dass KI-Nutzung die eigene Glaubwürdigkeit untergräbt (34.9%), und dem Gefühl, zu betrügen (25.7%), während Reue nach der Nutzung zuletzt rangierte (9.2%). Das Paradox ist, dass die kleine Gruppe der Nicht-Nutzenden höhere Schuld berichtete (M = 3.25) als jede Nutzendengruppe (M = 2.32) — weil Vermeidende ihre Ängste nie erproben, kann Vermeidung die Bedrängnis erhalten, die sie verhindern sollte. Schuld war am höchsten unter Berufsanfängerinnen und -anfängern im akademischen Bereich (M = 2.71) und am geringsten unter langjährigen (M = 2.03), und sie verlief mit Verbergen statt mit Ehrlichkeit, korrelierend mit der Begrenzung von KI-Nutzung aus Unbehagen (r = .62) und mit der Vermeidung von Offenlegung gegenüber Kolleginnen und Kollegen (r = .50), aber nicht mit formeller Offenlegung (r = .08).
• Furcht vor verlorenem professionellem Wert — und ein Weg hindurch. Chick, Morello & Staffey (2026) dokumentieren eine existenzielle und nicht technische Sorge Lehrender. Zehn Personen aus Fakultät und Personal traten mit akademischer Integrität als führendem Anliegen (80%) und übermäßiger Abhängigkeit an zweiter Stelle (70%) in ein sechswöchiges Institut ein und beschrieben generative KI früh als „Betrugsmaschine“, „Bedrohung“ oder „entmenschlichende Kraft“; eine Mathematikprofessorin benannte die Bedrohung der Identität unverblümt — „Ich habe Jahre damit verbracht, Expertise in meinem Feld zu entwickeln. Jetzt kann eine Maschine Probleme schneller lösen und Lösungen besser erklären als ich. Was ist mein Wert noch?“ Strukturiertes, sicheres Experimentieren bewegte das Vokabular hin zu „neugierigem Assistenten“ und „kreativem Partner“ und ließ 90% positive Wahrnehmungen berichten, und die Autoren sind explizit, dass der beobachtete Widerstand „nicht aus Technophobie oder sturer Traditionalität rührt, sondern aus berechtigten Anliegen über Bildungsqualität, Gerechtigkeit und menschliche Handlungsfähigkeit“ — ein direktes Gegengewicht dazu, die Sorge Lehrender als bloße moralische Panik zu lesen.

Institutionelle Unterstützung wirkt auf Angst über Einschätzungen, nicht über Beruhigung. Eine Zwei-Wellen-Befragung von 547 chinesischen Studierenden (Jiang, Chen & Chen, 2026) verfolgte, wie sich empfundene Unterstützung durch die Schule auf KI-Lernangst auswirkt, und zwar über Control-Value-Einschätzungen — das Kompetenzempfinden der lernenden Person (Kontrolle) und ihr Empfinden der Nützlichkeit des Werkzeugs (Wert). Unterstützung sagte geringere Angst direkt vorher, der Großteil ihres Zusammenhangs verlief jedoch über die Einschätzungen und nicht um sie herum: über KI-Lern-Selbstwirksamkeit, über empfundene Nützlichkeit und über einen sequenziellen Weg, in dem Selbstwirksamkeit die Nützlichkeit speiste, die wiederum die Angst senkte. Ein Modell erster Ordnung zeigte, dass die Unterstützungsdimensionen die Arbeit nicht unabhängig verrichteten — nur informationale Unterstützung behielt einen signifikanten Pfad zur Selbstwirksamkeit —, und eine Kreuzvalidierung mit künstlichem neuronalen Netz reihte Selbstwirksamkeit und empfundene Nützlichkeit als die stabilsten Prädiktoren von Angst. Die Folgerung ist, dass institutionelle Ermutigung, die auf Angst zielt, nur ankommt, wenn sie verändert, was Studierende über die eigene Fähigkeit und die Nützlichkeit des Werkzeugs glauben; allgemeine Beruhigung verändert die Einschätzungen nicht, die die Angst erzeugen.

KI kann akademische Angst auch lindern, indem sie Lernziele voranbringt statt durch Beruhigung: Über eine Befragung von 721 Medizinstudierenden und ein Experiment mit 398 sagte höhere empfundene Assistenten-Fähigkeit größeren Fortschritt bei den Lernzielen vorher, was geringere akademische Angst und bessere psychische Gesundheit vorhersagte (Chen et al. (2026)).

Kompetenz ist jedoch kein vollständiger Puffer: Unter 551 chinesischen Studierenden im ersten Jahr schwächte selbstberichteter KI-Nutzungsdruck den Zusammenhang zwischen KI-Kompetenz und psychischer Anpassung, wobei die Steigung von KI-Kompetenz zu Anpassung von 0.42 unter geringem Druck auf 0.20 unter hohem Druck fiel (Zhang & Yin (2026)).

Der Weg von Kompetenz zu Angst läuft über Ethik, und er kann verstärken. Unter 584 Studierenden einer rechtswissenschaftlich dominierten chinesischen Universität ohne KI-Kompetenz-Curriculum senkte KI-Kompetenz KI-Angst nicht direkt (β = 0.056, p = .362). Sie erhöhte das ethische KI-Bewusstsein (β = 0.644, p < .001), was wiederum die Angst erhöhte (β = 0.439, p < .001) — reine indirekte Mediation über einen Pfad, den die Autoren als protektiv hypothetisiert hatten (Mu et al. (2026)). Nur 22.8% der Angstvarianz wurden erklärt. Ein KNN zu denselben Konstrukten reihte Transparenz an die erste Stelle unter den Prädiktoren für Lern- wie für Stellenverdrängungsangst. Prognosen des Personals als verteilte Form der KI-Angst. Die Befragung von 1.057 US-amerikanischen Fakultätsangehörigen an Colleges und Universitäten durch Watson & Rainie (2026) registriert die Sorge Lehrender als Erwartungen statt als Symptome: 95% erwarteten, dass generative KI die übermäßige Abhängigkeit der Studierenden von den Werkzeugen erhöht, 94% mehr Anliegen akademischer Integrität, 90% vermindertes kritisches Denken, 83% kürzere Aufmerksamkeitsspannen und 81% größere digitale Ungleichheiten, während 39% glaubten, die Werkzeuge würden die Rolle der Fakultät verringern, und 47% die langfristige Beschäftigungswirkung in ihren Disziplinen negativ fürchteten. Dieselben Antwortenden waren nicht durchgängig pessimistisch — 61% erwarteten weiterhin verbessertes und angepasstes Lernen —, aber 73% hatten persönlich einen Fall akademischer Integrität mit Studierenden bearbeitet, die generative KI nutzten, was der Punkt ist, an dem eine Prognose zu Arbeitslast wird. Der Bericht ist ausdrücklich eine nicht-wissenschaftliche Stichprobe, die nicht generalisierbar ist, dokumentiert also die geäußerten Ängste des Sektors statt gemessener Effekte.

Diese Richtung verbindet KI-Angst mit Motivation, KI-Kompetenz, Erleben der Studierenden und selbstreguliertem Lernen.

Berufsbezogene KI-Angst

Eine eigene und zunehmend untersuchte Dimension ist Berufsangst — die Furcht, dass KI Stellen verdrängt, Beschäftigungsfähigkeit erodiert oder die eigene berufliche Zukunft entwertet. Wo Prüfungsaufsichtsangst situativ und die Angst der Lernenden auf die Kompetenz in der Aufgabe bezogen ist, ist Berufsangst zukunftsgerichtet und auf der Ebene der Identität, und sie ist eng mit Berufsvorbereitung und Berufsfähigkeit verbunden. Die umfassende Analyse zu KI-Angst benennt die Furcht vor Verdrängung durch KI als Hauptbeitrag zur KI-Angst, neben unkontrolliertem KI-Wachstum, Datenschutz, Fehlinformation und Bias. Eine wachsende empirische Literatur quantifiziert nun, wie diese Furcht Studierende beeinflusst:

• Berufsadaptabilität ist ein protektiver Faktor. Wang (2026) zeigt, dass berufliche Adaptabilitäten KI-Angst unter Englischstudierenden signifikant und negativ vorhersagen, wobei zentrale Selbsteinschätzungen die Beziehung teilweise mediieren; die Gruppe mit geringer Adaptabilität hatte die höchste KI-Angst.

• Bedrohungs- und günstige Einschätzung koaktiviert in einem Profil. Song et al. (2026) fanden eine Gruppe, die gleichzeitig über dem Stichprobenmittel bei allen sechs Indikatoren liegt — KI-Nutzungsangst 1.521 und STARA-Bewusstsein 0.951 neben empfundener Qualität 1.753 —, sodass hohe Angst keine negative Einschätzung der Technologie signalisierte.

• KI-Angst beeinträchtigt Berufsentscheidungen. Duan et al. nutzen Strukturgleichungsmodellierung, um zu zeigen, dass KI-Angst Berufsentscheidungen direkt und negativ vorhersagt, und dies weitgehend, indem sie Berufsadaptabilität untergräbt (was 63.35% des Gesamteffekts ausmacht); Selbstwirksamkeit bot nur begrenzte Pufferung.

• Wachstumsdenken begrenzt den Weg von Bedrohung zu Beschäftigungsfähigkeit. Unter 526 chinesischen Studierenden sagte die Wahrnehmung von KI-Beschäftigungsbedrohung höhere Angst bei der Berufsentscheidung teilweise vorher, indem sie die empfundene Beschäftigungsfähigkeit senkte, und der Zusammenhang von Bedrohung zu Beschäftigungsfähigkeit hielt nur bei geringem Wachstumsdenken (b = −0.229) und nicht bei hohem (b = −0.013) (Chen (2026)).

• KI-Angst sagt Jobsuch-Angst im großen Maßstab vorher. Üstün & Danacıoğlu (1.057 Studierende) und Dağ et al. (821 Studierende der Gesundheitswissenschaften) finden, dass KI-Angst und negative KI-Einstellungen Jobsuch-/Stellensuch-Angst vorhersagen, wobei Frauen, Studierende der Sozialwissenschaften und Studierende mit geringerem Einkommen am stärksten betroffen sind.

Praktische Folgerung: Berufsvorbereitung aufzubauen — Adaptabilität, zentrale Selbsteinschätzungen und von Arbeitgebern geschätzte KI-Fähigkeiten — ist eine validierte Intervention zur Senkung berufsbezogener KI-Angst, mehr als allgemeine Selbstwirksamkeit allein. Einrichtungen sollten KI-Kompetenz und Berufsplanungsunterstützung universalisieren und die Gerechtigkeits-Strukturierung von Berufsangst adressieren.

KI zum Erkennen und Lindern von Stress und Angst

Die positive Seite: KI-Systeme erkennen und helfen zunehmend, Stress und Angst zu lindern.

• KI-Werkzeuge für das Wohlbefinden auf dem Campus umspannen Prävention (verbesserte Feedbackerhebung) und Intervention (Vorantreiben der Erkennung psychischer Gesundheit).
• Affektiver Text + tragbare Sensorik (eine einjährige Studie mit 458 Studierenden und Oura-Ringen) zeigt, dass ultrakurzer naturalistischer Text tragbare physiologische Sensorik für die longitudinale Beobachtung studentischer Gesundheit ergänzen kann — ein konkreter KI-gestützter Weg der Stresserkennung.
• Das verbindet sich mit affective computing und affektivem Tutoring, wo KI emotionalen Zustand liest und darauf reagiert.
• Welche Stressoren das Modell gewichtet — und warum Kontext zählt. Bashir und Afzal (2026) bieten einen Machine-Learning-Blick darauf, welche Stressoren studentische Bedrängnis in einem nicht-westlichen Kontext tatsächlich treiben. Die Analyse der Merkmalswichtigkeit über 1.100 Befragungsantworten setzt Blutdruck an die erste Stelle (15.6%) und die Beziehung zwischen Lehrenden und Studierenden an die zweite (10.0%) — vor Schlafqualität (9.3%), Depression (8.3%) und sozialer Unterstützung (7.6%) —, während Angstniveau mit 4.8% an neunter Stelle rangierte, was die Autoren als Beleg dafür lesen, dass studentischer Stress multidimensional ist statt von einem einzelnen psychologischen Indikator getrieben. Sie führen die Salienz der Lehrenden-Studierenden-Beziehung auf die vergleichsweise hierarchische Bildungsumgebung in Pakistan zurück und präsentieren sie als Hypothese für lokal erhobene Daten, womit sie unterstreichen, dass Stressmodelle und ihre Merkmalsgewichte kontextabhängig sind und nicht als über Studierendenpopulationen hinweg übertragbar angenommen werden können.
• Eingreifen auf der Seite der Lehrenden in Echtzeit. Parlants Praxisleitfaden fügt diesen KI-Werkzeugen ein menschliches Pendant hinzu: emotionale Mikro-Interventionen — kurze, absichtsvolle verbale oder gestische Akte, die eine aufkeimende Emotion der oder des Studierenden validieren, die Einschätzung dahinter umrahmen und den Kampf mit der professionellen Identität wieder verbinden (Validieren, Umrahmen, Verbinden). Gestützt auf die Theorie der kognitiven Einschätzung zielt der Ansatz auf die primäre Einschätzung („ist das eine Bedrohung?“) und die sekundäre Einschätzung („kann ich damit umgehen?“) in dem Moment, in dem Bedrängnis das Engagement beenden würde, und paart Engpässe wie Frustration, Isolation und Hochstapler-Syndrom mit Zielzuständen. Dessen Autorin sagt unverblümt, dass das Framework keine KI erfordert; generative KI dient nur als optionaler Weg, um Kandidaten-Formulierungen für die Kuratierung durch die Lehrenden zu entwerfen.

Warum sich das von Wohlbefinden unterscheidet

Wohlbefinden ist der breite positive Zustand (emotionale, psychische, soziale Gesundheit), den KI stützen oder untergraben kann. KI-Angst und Stress ist das spezifische, messbare Emotionskonstrukt in diesem Raum — es benennt den diskreten negativen Affekt und seine produktiven Nutzungen, und es hat seine eigene eigene Evidenzbasis (Stress durch Prüfungsaufsicht, produktive KI-Angst, KI-getriebene Stresserkennung). Statt mit Wohlbefinden zu konkurrieren, entwickelt diese Seite die Angst-/Stressdimension in der Tiefe und verlinkt stark auf Wohlbefinden, sozial-emotionales Lernen, affective computing und Fernaufsicht bei Prüfungen.

Praktische Orientierung

• Für Angst gestalten, nicht nur für Integrität. Prüfungsaufsichts- und KI-Beobachtungssysteme sollten falsche Beschuldigungen und Stress durch Überwachung minimieren, besonders für unerfahrene und vulnerable Studierende; Beobachtung mit zugänglichen Alternativen und klarer Kommunikation paaren.
• Produktive Angst nutzen. Statt KI-Angst nur zu senken, die Verifikation, Überarbeitung und Selbst-Regulation stützen, die ängstliche, aber engagierte Studierende bereits zeigen.
• KI nutzen, um Stress zu erkennen und zu lindern — über affective computing, tragbare Sensorik und Campus-Werkzeuge für Wohlbefinden — und dabei den Datenschutz schützen.
• Die Sorge der Lehrenden bei der KI-Übernahme und -Politik mitbedenken, nicht nur das Erleben der Studierenden.

Verbundene Konzepte

• Berufsentwicklung und Berufsfähigkeit — Berufsvorbereitung als protektiver Faktor gegen KI-Angst
• Wohlbefinden — das breite Dach, das dieses Konzept in der Tiefe entwickelt
• Fernaufsicht bei Prüfungen — die primäre Quelle von Stress durch Überwachung und falsche Beschuldigung
• Sozial-emotionales Lernen — die beteiligten emotionalen Kompetenzen
• Affektives Computing — KI, die emotionalen Zustand liest
• Affektives Tutoring — KI, die auf Affekt reagiert
• Akademische Integrität — die Dimension von Integrität und Betrugsvorwurf
• Datenschutz — das der Stresssorge unter Prüfungsaufsicht zugrunde liegende Überwachungsanliegen
• Erleben der Studierenden — Angst als Teil des Erlebens der Lernenden
• Lernmotivation — die Wirkung von Angst auf Übernahme und Engagement
• Selbstreguliertes Lernen — der Zusammenhang mit produktiver Angst
• KI-Kompetenz — Kapazität aufbauen, die unbegründete Angst senkt
• Gerechtigkeit — unverhältnismäßiger Stress auf vulnerablen Studierenden
• Ethik — die Fairness von Überwachung und falschen Beschuldigungen
• Lehre — Angst auf der Seite der Lehrenden
• Leistungsbeurteilung — Angst bei KI-vermitteltem Assessment
• Soziale Normen der KI-Nutzung — die affektiven Kosten der Sichtbarkeit

Verbundene Artikel

• Modeling the Relationships Between University Students' AI Competence, AI Ethical Awareness, and AI Anxiety: A Dual-Stage PLS-SEM and ANN Analysis - Competence raises ethical awareness, ethical awareness raises AI anxiety: indirect-only mediation among 584 students

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — KI-Angst als produktives Signal strategischer Regulation

• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — Student anxiety in AI-mediated performance-based assessment

• New AI-Driven Tools for Enhancing Campus Well-being: A Prevention and Intervention Approach — KI-gestützte Werkzeuge für das Wohlbefinden auf dem Campus

• A Formative Study of Brief Affective Text as a Complement to Wearable Sensing for Longitudinal Student Health Monitoring — Affective text + wearable sensing for student health

• A Comprehensive Review of the Changing Landscape of Academic Dishonesty in Automated Proctoring in the Era of Artificial Intelligence — Automated proctoring, test-taker anxiety, false accusations

• Ensuring Academic Integrity through Automated Online Exam Proctoring: A Decade-Long Systematic Review — Decade-long review of automated exam proctoring

• Navigating the moral panic: encouraging appropriate use of GenAI in the classroom rather than condemning innovation as disruption — Faculty anxiety and moral panic about GenAI

• Acceptance of AI-Assisted English Language Learning Tools in Higher Education: Psychological Correlates Across Disciplinary and Proficiency Groups — Anxiety shaping AI tool acceptance

• Teacher education for artificial intelligence literacy through a self-determination theory perspective — Teacher education, AI literacy, and anxiety

• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — AI use intertwined with anxiety, trust, confidence

• To disclose or not to disclose: Peer influence and psychological factors in students' use of generative artificial intelligence — The disclosure dilemma as a source of student stress

• AI Anxiety: A Comprehensive Analysis of Psychological Factors and Interventions — Comprehensive analysis of AI anxiety and interventions

• The impact of career adapt-abilities on AI anxiety among English majors: a dual perspective analysis based on core self-evaluations at the person- and variable-centered — Career adapt-abilities reduce AI anxiety

• The impact of AI anxiety on career decisions of college students — AI anxiety impairs career decisions via career adaptability

• The Role of Artificial Intelligence Anxiety and Attitudes Toward Artificial Intelligence in University Students' Job Finding Anxiety — AI anxiety and attitudes predict job-finding anxiety

• Artificial intelligence perceptions and career anxiety among health sciences students — AI anxiety predicts job-search anxiety in health sciences

• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — University teachers' experiences and perceptions of GAI: vulnerability, rethinking assessment, student learning at risk (Farazouli et al. 2026)

• An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning

• Multidimensional perceived school support and AI learning anxiety among university students: the mediating roles of control-value appraisals — Perceived school support lowers AI learning anxiety mainly through control-value appraisals (69.5% mediated); ANN cross-validation (Jiang, Chen & Chen 2026)

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — The AI Guilt Complex: anticipatory guilt exceeding post-use remorse among academic staff (Vassallo 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — AAC&U/Elon survey of 1,057 US faculty: forecasts of over-reliance, integrity concern and a diminished faculty role (Watson & Rainie 2026)

• From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — From fear to curiosity: a six-week faculty institute moving instructors through identity threat (Chick, Morello & Staffey 2026)

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — Academic developers' impostor feelings and ethical discomfort as affective labor in AI-mediated work

• Can You Feel It? A Practical Guide to Emotional Micro-Interventions for Higher Education Teachers — Instructor-side real-time emotional micro-interventions grounded in cognitive appraisal theory

• When AI threatens my future career: growth mindset and perceived employability in Chinese college students' career decision making anxiety — AI employment threat and career decision anxiety: perceived employability mediates and growth mindset moderates

• A study on AI-enabled course development, AI proficiency, and first-year students' academic and psychological adjustment — AI usage pressure weakens the link between AI proficiency and first-year adjustment

• Beyond Positive or Negative: Latent Profiles of University Students’ AI Attitude and Their Career-Development Correlates — A profile high on both AI anxiety and perceived AI quality, not one or the other

• AI-Assisted Speaking Practice and Human-Directed Communicative Readiness: Survey and Scenario Evidence on Anxiety, Self-Efficacy, and Evaluation Pressure — Speaking anxiety's link to willingness to communicate reverses at high speaking self-efficacy

• Smarter AI, Healthier Students? How Perceived AI Assistant Intelligence Shapes Medical Students' Mental Health Through Learning Goal Progress and Academic Anxiety — Perceived AI assistant intelligence lowers academic anxiety through study-goal progress (medical students)