Comment l'IA affecte-t-elle l'anxiété et le bien-être des étudiants, et que pouvons-nous faire ?

Traduction automatique de la page anglaise, non encore relue par une personne de langue maternelle.

La situation dans laquelle vous vous trouvez probablement. Un étudiant vous dit, pendant vos heures de permanence ou sur un formulaire d'accueil, que terminer le diplôme ne lui semble plus valoir la peine parce que l'IA sait déjà faire le métier pour lequel il se formait. Un autre se tait, rend moins de travaux, cesse de poser des questions. Vous voulez aider, vous ne savez pas si cela appelle une orientation vers un service ou une stratégie, et vous avez dix minutes pour décider.

L'essentiel. L'anxiété liée à l'IA est une réponse émotionnelle mesurable, la plupart de ses facteurs déclenchants se situent du côté de la carrière et de la compétence plutôt que de la technologie, et la réassurance ne la fait pas bouger. Ce qui la fait bouger, ce sont des expériences de maîtrise, des preuves que le travail lié à l'IA vaut l'effort et une véritable adaptabilité de carrière. Quelques étudiants ont besoin d'une orientation vers un service plutôt que d'une stratégie, et les données vous en disent moins sur cette frontière que vous ne le souhaiteriez.

Ce qu'est cette page. La page pratique : que faire. Le traitement conceptuel de l'émotion elle-même (le stress de la surveillance des examens, le côté productif de l'anxiété, l'anxiété des enseignants) se trouve à Anxiety and Stress ; le cadrage en termes d'état positif selon les dimensions émotionnelle, psychologique et sociale se trouve à Well-Being.

La version courte

• Nommez le facteur déclenchant avant de répondre. La peur liée à la carrière et le doute sur sa compétence appellent des réponses différentes ; ils portent l'essentiel de l'association avec l'anxiété.
• Ne commencez pas par rassurer. Un encouragement qui ne change pas ce qu'un étudiant croit de sa capacité ne fera pas bouger l'émotion.
• Enseignez l'esprit critique, pas l'évitement. Les étudiants anxieux qui apprennent à évaluer la production de l'IA deviennent des utilisateurs délibérés, non des évitants.
• Développez l'adaptabilité de carrière, pas seulement la confiance. La confiance en soi seule n'a pas amorti le préjudice de carrière dans l'étude qui l'a testée.
• Sachez vers qui orienter avant d'en avoir besoin, et surveillez le désespoir concernant le diplôme, pas seulement la frustration devant l'outil.
• Soyez précis sur les attentes institutionnelles, et ne déployez jamais un outil de bien-être dont la gestion des erreurs, le stockage des données et le chemin d'escalade ne peuvent être expliqués en une phrase.

Ce qu'il faut surveiller : un ajustement ordinaire ou quelque chose qui exige davantage

Kim et al. définissent l'anxiété liée à l'IA comme une appréhension ou une peur produite par l'accélération de l'IA, la distinguent de l'anxiété plus ancienne liée à l'automatisation parce que l'IA menace des rôles cognitifs et professionnels plutôt que des tâches manuelles, et nomment la peur d'être remplacé par l'IA comme son principal facteur contributif, avec la croissance non maîtrisée de l'IA, les inquiétudes de Privacy, la désinformation générée par l'IA et les biais de l'IA comme causes secondaires. Lisez cela à la lumière de ce que vous voyez : l'étudiant qui craint d'être remplacé s'inquiète du marché du travail dans lequel il entre, pas de l'outil que vous avez présenté la semaine dernière.

C'est pourquoi l'anxiété liée à la carrière et au marché du travail est la source la mieux documentée. Üstün et Danacıoğlu (2026) ont interrogé 1,057 étudiants de 35 universités turques : une anxiété liée à l'IA plus élevée et des attitudes plus négatives envers l'IA allaient de pair avec une anxiété plus forte de trouver un emploi après l'obtention du diplôme, les étudiantes ainsi que les étudiants de sciences sociales et de deuxième année rapportant une anxiété plus élevée. Dağ et al. (2026) ont trouvé une corrélation positive modérée entre l'anxiété liée à l'IA et l'anxiété liée à la recherche d'emploi chez 821 étudiants en sciences de la santé (r = 0.233, p < 0.001), l'anxiété liée à l'IA restant un prédicteur significatif après contrôle des caractéristiques sociodémographiques (β = 0.234, p < 0.001). Duan et al. (2026) ont étendu cela aux conséquences : dans un modèle d'équations structurelles portant sur 315 étudiants chinois, l'anxiété liée à l'IA prédisait de moins bonnes décisions de carrière directement et indirectement, en sapant l'adaptabilité de carrière, un chemin médiatisé représentant 63.35% de l'effet total ; leur test de modération a montré que le Self-Efficacy n'amortissait pas le préjudice.

Un ajustement ordinaire ressemble à « je ne sais pas encore bien m'en servir ». Agissez lorsqu'il ressemble à « cela ne sert à rien que je termine », lorsque l'étudiant se retire au lieu de se plaindre, ou lorsque l'inquiétude est portée seul parce qu'en parler revient à admettre une faiblesse : le schéma de divulgation marqué par la stigmatisation que Bashir et Afzal (2026) décrivent pour des étudiants pakistanais.

Que faire en classe

Les inquiétudes de compétence passent par des évaluations cognitives, pas par la réassurance. Une enquête en deux vagues auprès de 547 étudiants chinois de premier cycle a modélisé l'anxiété d'apprentissage liée à l'IA dans la théorie contrôle-valeur (Jiang, Chen et Chen, 2026) : l'anxiété est produite par deux évaluations, celle de savoir si l'étudiant se sent capable de gérer des tâches d'apprentissage liées à l'IA (le contrôle, mesuré comme le sentiment d'efficacité personnelle en apprentissage de l'IA) et celle de savoir s'il juge l'IA utile pour le travail académique (la valeur, via le construit d'utilité perçue). Le sentiment d'efficacité personnelle avait l'association négative la plus forte avec l'anxiété et prédisait aussi l'utilité perçue ; le soutien scolaire perçu était associé à une anxiété plus faible même avec les deux évaluations modélisées, mais les chemins indirects passant par elles portaient l'essentiel de cette association, laissant environ un tiers de lien direct. Modélisé séparément, seul le soutien informationnel conservait un chemin fiable vers le sentiment d'efficacité personnelle, ce qui explique pourquoi la formation à l'littératie en IA, des lignes directrices d'usage responsable et un soutien technique accessible comptent.

Le dispositif en découle : donnez aux étudiants des expériences de maîtrise et des preuves concrètes que l'IA vaut l'effort (pratique à faible enjeu, évaluation guidée des productions de l'IA, révision guidée par la rétroaction) et offrez un soutien informationnel plutôt que purement rassurant. Le soutien perçu précède les évaluations favorables.

Enseignez l'esprit critique plutôt que l'évitement. L'anxiété et l'engagement peuvent évoluer ensemble, ce qui change ce que vous faites. Dans une enquête auprès de 107 étudiants, Kim (2026) constate qu'une anxiété liée à l'IA plus élevée est positivement associée aux comportements de vérification et de révision (β = .24, p < .01) et que la capacité évaluative prédit un engagement actif (β = .46, p < .001), classant les étudiants en quatre types de régulation, de la dépendance non critique (18.7%) à l'intégration sélective (34.6%) et à la transformation évaluative (31.8%) jusqu'au rejet stratégique (14.9%). L'implication va à l'encontre de la réduction de l'anxiété comme objectif : enseigner l'esprit critique et le jugement évaluatif transforme les étudiants anxieux en utilisateurs plus délibérés de l'IA générative plutôt qu'en évitants, ce qui relie cette page à apprendre aux étudiants à vérifier la production de l'IA et à AI Literacy.

Développez l'adaptabilité de carrière plutôt que la confiance seule. Duan et al. (2026) concluent que l'adaptabilité de carrière est le principal mécanisme protecteur et recommandent de généraliser les cours de littératie en IA et de planification de carrière, en parallèle d'une intégration entre l'industrie et l'enseignement. Dağ et al. (2026) arrivent à la même conclusion depuis les sciences de la santé : des programmes renforcés, ainsi qu'une littératie en IA et un accompagnement de carrière, parce que l'anxiété liée à l'IA façonne l'avenir professionnel des étudiants plutôt que leurs attitudes envers un outil.

Associez l'enseignement de l'IA à la régulation émotionnelle et à un soutien métacognitif. Zhang, Shi et Lu (2026) soutiennent que c'est la réduction de l'anxiété liée à l'IA, et non l'élargissement de l'accès aux outils, qui soutient la motivation, et recommandent d'intégrer la régulation émotionnelle et un soutien métacognitif dans l'éducation à la littératie en IA, avec une différenciation sensible au genre, tout en notant que leur dispositif ne peut pas établir de causalité.

Décidez délibérément en matière d'outils de bien-être. Bashir et Afzal (2026) ont entraîné un classifieur de stress par forêt aléatoire sur 1,100 réponses d'enquête et 20 variables, atteignant 89.09% d'exactitude sur trois niveaux de gravité, associé à une couche de dialogue par étapes de soins (Stepped Care) en anglais, ourdou et ourdou romanisé. Leur analyse d'importance des variables plaçait la pression artérielle en premier (15.6%) et la relation enseignant-étudiant en deuxième (10.0%), le niveau d'anxiété arrivant neuvième (4.8%), une preuve, selon les auteurs, que la détresse des étudiants est multidimensionnelle plutôt que portée par un seul indicateur. Notez ce qu'ils concèdent : c'est un classifieur entraîné qui décide du palier de soutien, de sorte que ce qui se passe en cas de mauvaise classification préjudiciable, la manière dont les informations divulguées sont stockées, les protections de Privacy applicables et le fonctionnement de l'escalade vers un accompagnement humain restent tous ouverts ; la frontière entre supervision humaine et encouragement automatisé demeure une question de conception, et le système n'est pas présenté comme clinique ou thérapeutique.

Que dire, et que ne pas dire

Ne dites pas :

• « L'IA ne peut pas vraiment faire votre métier. » Vous pourriez vous tromper, et l'étudiant l'a déjà testé.
• « Tout le monde ressent cela. » Vrai et inutile ; cela rend générique une peur précise.
• « Il suffit d'apprendre à bien l'utiliser. » Cela transforme une inquiétude de carrière en verdict sur la compétence, précisément l'évaluation qui alimente l'anxiété.
• « Ça ira. » Une prédiction que vous ne pouvez pas étayer et un plan sur lequel l'étudiant ne peut pas agir.
• « Il faut être plus résilient. » La confiance en soi seule n'a pas amorti le préjudice de carrière ; voir les objections ci-dessous.

Dites :

• Nommez le facteur déclenchant à voix haute : « Ce qui m'inquiète, ce n'est pas que vous ne sachiez pas utiliser l'outil. C'est que vous ne savez pas ce que cela signifie pour l'emploi. Ce sont deux problèmes différents et je peux vous aider sur les deux. »
• Séparez l'outil de la personne : la compétence se construit, elle ne se possède pas.
• Énoncez clairement vos attentes en matière d'usage de l'IA. Le silence se lit comme une interdiction pour certains étudiants et comme un abandon pour d'autres.
• Surveillez votre différenciation : le genre modérait le lien entre régulation et motivation dans les données de Zhang, Shi et Lu, plus fort chez les étudiants masculins, si bien qu'un même discours ne portera pas de la même manière dans chaque groupe.

Quand orienter

Orientez lorsque l'inquiétude a cessé de porter sur un outil pour porter sur la valeur de l'étudiant, sa place dans le programme ou son avenir : désespoir de terminer, retrait du travail et des personnes, déclarations selon lesquelles il ne voit aucun avenir professionnel. Tout élément suggérant un risque pour la sécurité est une orientation immédiate et relève du protocole de votre établissement, et non d'une conversation que vous gérez seul.

L'anxiété de carrière appartient aux services de carrière, car c'est une question d'accompagnement et non un problème de moral, et Duan et al. (2026) ont constaté que le sentiment d'efficacité personnelle seul n'amortissait pas les dommages aux décisions de carrière. Les établissements sont le niveau que les données visent : Dağ et al. (2026) recommandent la littératie en IA et l'accompagnement de carrière en même temps que des programmes renforcés, et non l'un à la place de l'autre. Et vous avez un levier que le formulaire d'orientation n'a pas : Bashir et Afzal (2026) classent la relation enseignant-étudiant en deuxième position dans leur analyse d'importance des variables (10.0%), devant la qualité du sommeil (9.3%), la dépression (8.3%) et le soutien social (7.6%). Les auteurs traitent cela comme une hypothèse nécessitant des données collectées localement, mais c'est une raison de faire en sorte que les étudiants sachent que vous êtes une voie vers de l'aide.

Ne dirigez pas un étudiant en détresse vers un outil d'IA destiné aux étudiants parce qu'il est toujours disponible. De tels systèmes attirent les étudiants qui ne parlent pas de leur détresse à leurs parents, leurs enseignants ou leurs pairs (le schéma de divulgation que Bashir et Afzal (2026) décrivent), mais cette couche conversationnelle a été vérifiée avec des entrées simulées et des tests d'utilisabilité informels plutôt qu'évaluée avec des étudiants sur la pertinence culturelle, la sécurité émotionnelle ou la satisfaction, et elle ne dispose d'aucune donnée sur les résultats des étudiants.

Ce que les données montrent réellement, et où elles s'arrêtent

Presque tout ce qui concerne ici l'anxiété liée à l'IA elle-même est corrélationnel. Les études sur l'anxiété de carrière sont des enquêtes transversales (Üstün et Danacıoğlu, 2026 ; Dağ et al., 2026 ; Duan et al., 2026), et l'étude sur la motivation est transversale et auto-déclarée (Zhang, Shi et Lu, 2026).

Chacune avec ses limites :

• Motivation. Dans une enquête auprès de 1,484 étudiants chinois de premier cycle, Zhang, Shi et Lu (2026) ont trouvé l'anxiété liée à l'IA négativement corrélée à la régulation émotionnelle (r = −0.172) et à la Motivation académique (r = −0.175), tandis que la régulation émotionnelle était positivement corrélée à la motivation (r = 0.457), le tout à p < 0.001 ; une analyse bootstrap a confirmé un chemin indirect négatif de l'anxiété vers la motivation via la régulation émotionnelle (effet indirect = −0.076, IC à 95% de −0.108 à −0.047), le chemin direct restant significatif. La durée d'usage quotidien de l'IA n'était que faiblement corrélée à la motivation (r = 0.053), une mise en garde contre le fait de lire le temps passé sur l'outil comme une qualité d'engagement.
• Évaluations cognitives. L'étude sur le soutien scolaire séparait les prédicteurs et le résultat d'environ six semaines, mais ses auteurs indiquent que le dispositif reste transversal et ne peut établir de direction causale, de précédence temporelle ni de médiation causale ; l'échantillon était de convenance, biaisé vers les filières STIM, mesuré par auto-déclaration, et l'anxiété était généralement faible avec une variance limitée, ce qui peut avoir atténué les estimations (Jiang, Chen et Chen, 2026).
• Outils. Une thèse sur les outils de bien-être sur campus pilotés par l'IA (Tang, 2026) rapporte qu'un agent conversationnel d'enquête (TigerGPT) atteint 75% d'utilisabilité et 81% de satisfaction, et qu'un cadre de questions de suivi adaptatif (AURA) produit un gain de qualité moyen de +0.12 (p = 0.044, d = 0.66) en utilisant l'apprentissage par renforcement pour choisir s'il faut valider, préciser, refléter ou sonder, plus une composante d'évaluation de la santé mentale fondée sur les lignes directrices DSM-5 et PHQ-8 plutôt que sur une classification en boîte noire, et une architecture empilée multi-modèles dont les auteurs affirment qu'elle réduit le risque d'hallucination et surpasse les modèles uniques sur le Benchmark DAIC-WOZ. Ce sont des résultats de développement de système : ils mesurent si l'outil fonctionne comme prévu, et non si le Well-Being des étudiants s'est amélioré. L'exactitude de 89.09% provient d'une seule partition de validation ; les données d'entraînement ne sont pas représentatives des étudiants pakistanais, le système a l'anglais en son cœur avec des expressions en ourdou suscitées par invite, et la couche conversationnelle n'a aucune donnée de résultat.

En lisant ce corpus honnêtement : les sources et les mécanismes de l'anxiété liée à l'IA disposent d'appuis mesurables, et les pourcentages et corrélations ci-dessus sont des associations, non des effets d'intervention démontrés. Aucune étude ici n'a réparti les étudiants au hasard dans une condition de soutien pour mesurer ensuite l'anxiété, si bien que les affirmations de réduction de l'anxiété pour une pratique précise, y compris celles recommandées ici, restent non testées. Ce que les données autorisent, c'est la direction du travail, non une taille d'effet promise.

Le contexte politique autour de l'IA et de l'apprentissage socio-émotionnel est plus mince que les ambitions de déploiement. Tran, Liu et Nguyen (2026) ont passé en revue 65 articles évalués par les pairs à l'intersection de l'IA et de l'apprentissage socio-émotionnel : près de trois quarts ne mentionnaient aucune implication politique, seul environ un sur quatre offrait une recommandation politique, et peu donnaient des indications spécifiques à un acteur sur Privacy, la formation des enseignants ou l'allocation des ressources. Leur cadre des « WH » demande qui devrait agir, quelle action est recommandée, pourquoi, quand, où et avec quelle force elle est formulée, des questions que la plupart laissaient sans réponse. L'engagement politique était corrélé au lieu de publication, ce que les auteurs lisent comme une structure d'incitation favorisant la nouveauté technique au détriment de la AI Governance et produisant un « piège technosolutionniste » : le potentiel technique mis en avant, les conditions d'un usage responsable non précisées. Pour l'équité, des outils plausibles d'IA pour l'apprentissage socio-émotionnel peuvent donc être déployés sans les garde-fous (vie privée, préparation des enseignants, équité des ressources) que l'adoption exige.

Les objections que vous entendrez

« Ils doivent apprendre la résilience, pas être ménagés. » En partie vrai, et pas dans la version confiante. Zhang, Shi et Lu ont trouvé la régulation émotionnelle positivement corrélée à la motivation (r = 0.457) tandis que l'anxiété était négativement corrélée aux deux, un argument pour enseigner des compétences de régulation. Mais dans le modèle de Duan et al. (2026), le Self-Efficacy n'amortissait pas le préjudice aux décisions de carrière. La résilience entendue comme « croyez davantage en vous » est ce qui a échoué ; la résilience entendue comme répétition, expériences de maîtrise et adaptabilité de carrière est ce vers quoi les études pointent.

« Cela passera à mesure que les étudiants s'habituent aux outils. » Le temps passé sur l'outil n'est pas le mécanisme : la durée d'usage quotidien de l'IA n'était que faiblement corrélée à la motivation (r = 0.053) dans l'enquête auprès de 1,484 étudiants, et Dağ et al. (2026) ont trouvé que l'anxiété liée à l'IA prédisait encore l'anxiété de recherche d'emploi après contrôle des caractéristiques sociodémographiques (β = 0.234, p < 0.001).

« Je suis enseignant de discipline, pas conseiller. » On ne vous demande pas de traiter qui que ce soit. Trois des quatre gestes proposés ici sont pédagogiques (pratique à faible enjeu, évaluation guidée de la production de l'IA, révision guidée par la rétroaction) et le quatrième consiste à connaître la voie d'orientation. Le seul résultat qui parle de votre position est la relation enseignant-étudiant, en deuxième place dans l'analyse d'importance des variables de Bashir et Afzal (10.0%), au-dessus de la qualité du sommeil (9.3%) et du soutien social (7.6%) : une hypothèse, disent-ils, mais un pari raisonnable pour un rôle que vous occupez déjà.

À faire cette semaine

• Prenez la température d'une séance de cours. Demandez par écrit aux étudiants ce que l'IA signifie pour l'emploi qu'ils visent : vous obtenez le facteur déclenchant dans leurs propres mots, et les étudiants qui méritent un suivi individuel.
• Remplacez une réassurance par un geste d'évaluation cognitive. Échangez cinq minutes de « ça ira » contre une tâche où les étudiants évaluent et corrigent une production d'IA, la voie dont l'association avec une anxiété plus faible est mesurable.
• Orientez l'inquiétude de carrière vers ceux qui en sont responsables. Identifiez dès maintenant votre contact des services de carrière et le chemin d'orientation, pour que la conversation se termine par un nom plutôt que par un haussement d'épaules.
• Écrivez vos attentes en matière d'usage de l'IA (ce qui est permis, ce qui doit être divulgué, quel soutien existe) et énoncez-les à voix haute. Le soutien perçu précède les évaluations favorables.
• Avant d'adopter un outil de bien-être ou sensible aux affects, obtenez des réponses écrites sur la validation de l'exactitude, la manière dont le palier de soutien est décidé, ce qui se passe en cas de mauvaise classification préjudiciable, le stockage des informations divulguées et le fonctionnement de l'escalade vers un accompagnement humain. Pas de réponses, pas de déploiement.

Pour le tableau d'ensemble, voir Quel est l'impact de l'IA sur les étudiants ? pour l'impact général de l'IA sur les étudiants et Comment repenser l'évaluation pour qu'une note me dise encore quelque chose de défendable sur ce que l'étudiant sait ou sait faire ? pour le volet évaluation de la réponse institutionnelle.