Kako umjetna inteligencija utječe na anksioznost i dobrobit učenika i što možemo učiniti?

Automatski strojni prijevod ove engleske stranice, koji još nije pregledao izvorni govornik.

Učenik ostane poslije nastave i kaže vam da mu završetak studija više ne izgleda vrijedan truda, jer umjetna inteligencija već može obavljati posao za koji se školovao. Drugi je ovaj semestar utihnuo: manje predanih radova, nijedno pitanje, nikakva prisutnost na seminaru. Imate deset minuta do sljedeće nastave i nijedan način da procijenite treba li vam strategija ili upućivanje.

Odgovor koji date kolegi: većina onoga što pokreće anksioznost zbog umjetne inteligencije leži u karijeri i kompetenciji, a ne u tehnologiji, i umirivanje ne pomiče ni jedno. Iskustva svladavanja, dokaz da se rad s umjetnom inteligencijom isplati i prilagodljivost karijeri ono je na što ove studije upućuju. Malom broju studenata treba upućivanje, a ne strategija, i dokazi su slabiji o tome gdje ta granica pada nego što biste željeli.

Kratka verzija

1. Utvrdite s kojim strahom imate posla. Strah za karijeru i sumnja u vlastitu kompetenciju traže različite odgovore, a zajedno nose većinu povezanosti s anksioznošću.

2. Prestanite započinjati umirivanjem. Ohrabrenje koje ne mijenja studentsku prosudbu vlastite sposobnosti neće pomaknuti emociju.

3. Dajte im zadatak u kojem mogu uspjeti i zadatak koji moraju kritički ocijeniti. Vježba s niskim ulozima uz vođenu procjenu izlaza umjetne inteligencije počiva na boljim dokazima od razgovora o budućnosti rada.

4. Stavite pitanje posla u kolegij. Prilagodljivost karijeri mehanizam je koji najjača studija ovdje prepoznaje, a vjera u sebe nije ga zamijenila.

5. Znajte svoj put upućivanja prije nego razgovor počne, i tretirajte beznadnost zbog studija kao signal, a ne kao nezadovoljstvo alatom.

6. Ako netko predloži alat za dobrobit, pitajte što se događa kad pogriješi, i odgodite uvođenje dok ne dobijete odgovor.

Imenujte strah prije nego odgovorite

Kim i sur. definiraju anksioznost zbog umjetne inteligencije kao strepnju ili strah koje proizvodi ubrzani razvoj umjetne inteligencije. Razdvajaju je od starije anksioznosti zbog automatizacije jer umjetna inteligencija ugrožava kognitivne i profesionalne uloge, a ne ručne zadatke, i imenuju strah od zamjene umjetnom inteligencijom kao njezin glavni doprinos, s nekontroliranim rastom umjetne inteligencije, brigama o privatnosti, dezinformacijama koje generira umjetna inteligencija i pristranošću umjetne inteligencije kao sporednim uzrocima. Čitajte to prema studentu pred sobom: onaj koji se boji zamjene brine o tržištu rada u koje ulazi, a ne o alatu koji ste pokazali prošli tjedan.

Briga za karijeru najbolje je potkrijepljena verzija toga. Üstün i Danacıoğlu (2026) anketirali su 1.057 studenata na 35 turskih sveučilišta i našli da su veća anksioznost zbog umjetne inteligencije i negativniji stavovi prema njoj išli s većom anksioznošću zbog pronalaženja posla nakon diplome. Studentice, studenti društvenih znanosti i studenti druge godine prijavljivali su je više. Dağ i sur. (2026) našli su umjerenu pozitivnu korelaciju između anksioznosti zbog umjetne inteligencije i anksioznosti zbog traženja posla među 821 studentom zdravstvenih znanosti (r = 0,233, p < 0,001), pri čemu je anksioznost zbog umjetne inteligencije ostala značajan prediktor i nakon kontrole sociodemografskih obilježja (β = 0,234, p < 0,001). Duan i sur. (2026) proveli su pitanje do posljedica: u modelu strukturnih jednadžbi na 315 kineskih studenata anksioznost zbog umjetne inteligencije predviđala je slabije odluke o karijeri izravno i neizravno, potkopavajući prilagodljivost karijeri, a taj posredovani put objasnio je 63,35% ukupnog učinka.

Uobičajena prilagodba zvuči kao učenik koji kaže da još ne zna dobro upotrebljavati ovo. Uspravite se kad zvuči kao da nema smisla završiti, kad se student povlači umjesto da se žali, ili kad se briga nosi sama jer je izgovoriti znači priznati slabost. Taj posljednji obrazac opisuju Bashir i Afzal (2026) među pakistanskim studentima, gdje otkrivanje nosi cijenu stigme.

Zamijenite umirivanje zadatkom u kojem mogu uspjeti

Anketa u dva vala na 547 kineskih studenata smjestila je anksioznost zbog učenja s umjetnom inteligencijom u teoriju kontrole i vrijednosti (Jiang, Chen i Chen, 2026). Anksioznost po tom tumačenju dolazi iz dvije procjene. Jedna je procjena osjeća li se student sposobnim nositi se sa zadatcima učenja povezanima s umjetnom inteligencijom, mjereno kao samoefikasnost za učenje s umjetnom inteligencijom. Druga je procjena smatra li je korisnom za akademski rad, mjereno konstruktom percipirane korisnosti. Samoefikasnost je imala jaču negativnu povezanost s anksioznošću i također je predviđala percipiranu korisnost. Percipirana školska potpora bila je povezana s nižom anksioznošću i kad su obje procjene bile u modelu, ali je većina te povezanosti išla preko njih, ostavljajući otprilike trećinu kao izravnu vezu. Modelirana odvojeno, samo je informacijska potpora zadržala pouzdan put do samoefikasnosti, i tu svoje mjesto zaslužuju obuka u pismenosti u području umjetne inteligencije, smjernice za odgovornu upotrebu i dostupna tehnička podrška.

Poučavanje koje iz toga slijedi nije raskošno. Gradite iskustva svladavanja: vježbu s niskim ulozima, vođenu procjenu izlaza umjetne inteligencije, reviziju vođenu povratnom informacijom. Dajte studentima konkretan dokaz da se rad s umjetnom inteligencijom isplati, jer je vrijednost druga procjena i mijenja se s iskustvom, a ne s argumentom. Neka vaša potpora bude informacijska, ona koja odgovara na pitanje kako nešto funkcionira, a ne isključivo utješna.

Nitko u ovoj literaturi nije ispitao taj paket prema kontrolnoj skupini. Preporuka slijedi iz modela procjena, a autori izričito kažu da njihov dizajn ne može utvrditi kauzalni smjer, vremenski prioritet ni kauzalnu medijaciju. Uzorak je bio prigodan, nagnut prema STEAM smjerovima, mjeren samoizvješćima, a anksioznost je općenito bila niska s ograničenom varijancom, što je moglo spljoštiti procjene. Uzmite smjer kao opravdan, a veličinu učinka kao nepoznatu.

Poučavajte kritičnost i očekujte da će angažman s njom rasti

Anksioznost i angažman mogu se kretati zajedno, što mijenja ono čemu težite. U anketi na 107 studenata Kim (2026) našao je da je veća anksioznost zbog umjetne inteligencije pozitivno povezana s ponašanjem provjere i revizije (β = 0,24, p < 0,01), a evaluacijska sposobnost predviđala je aktivni angažman (β = 0,46, p < 0,001). Studenti su razvrstani u četiri regulacijska tipa: nekritično oslanjanje (18,7%), selektivna integracija (34,6%), evaluacijska transformacija (31,8%), strateško odbijanje (14,9%).

Ako anksioznost može pratiti pažljivije ponašanje, smanjenje osjećaja pogrešan je cilj. Poučavanje kritičnosti i evaluacijske prosudbe pretvara anksioznog studenta u promišljenog korisnika generativne umjetne inteligencije, a ne u onoga koji izbjegava. Ta je navika tema stranice Poučavanje studenata provjeri izlaza umjetne inteligencije, a pismenost u području umjetne inteligencije širi je okvir u koji pripada.

Stavite pitanje karijere u prostoriju

Duan i sur. (2026) zaključuju da je prilagodljivost karijeri ključni zaštitni mehanizam i preporučuju da se pismenost u području umjetne inteligencije i kolegiji o planiranju karijere ponude svima, uz povezivanje industrije i obrazovanja. Dağ i sur. (2026) dolaze na isto mjesto iz zdravstvenih znanosti: osnaženi programi uz pismenost u području umjetne inteligencije i savjetovanje o karijeri, jer anksioznost zbog umjetne inteligencije oblikuje profesionalnu budućnost studenata, a ne njihova mišljenja o alatu. Nijedan nalaz ne dolazi iz intervencije, pa imate dobro argumentiran cilj, a ne ispitan program.

Druga poluga s dokazima jest regulacija emocija. U anketi na 1.484 kineskih studenata Zhang, Shi i Lu (2026) našli su da je anksioznost zbog umjetne inteligencije negativno korelirala s regulacijom emocija (r = -0,172) i akademskom motivacijom (r = -0,175), dok je regulacija emocija pozitivno korelirala s motivacijom (r = 0,457), sve p < 0,001. Bootstrap analiza potvrdila je negativan neizravni put od anksioznosti do motivacije preko regulacije emocija (neizravni učinak = -0,076, 95% CI od -0,108 do -0,047), a izravni je put ostao značajan. Trajanje svakodnevne upotrebe umjetne inteligencije koreliralo je samo slabo s motivacijom (r = 0,053), što govori protiv čitanja vremena uz alat kao kvalitete angažmana. Njihova je preporuka ugraditi potporu regulaciji emocija i metakognitivnu potporu u obrazovanje o pismenosti u području umjetne inteligencije, uz pozornost na rod, jer je u njihovim podatcima veza regulacije i motivacije bila jača među studentima.

Konkretno, to može biti kratko pisano promišljanje prije i poslije ocijenjenog zadatka uz pomoć umjetne inteligencije, ili kratak strukturirani razgovor o tome što bi student učinio ako se njegova predviđena uloga promijeni. Oboje je jeftino. Nijedno nije ispitano kao intervencija protiv anksioznosti, a dizajn Zhanga, Shija i Lua presječan je i temeljen na samoizvješćima, pa ne mogu pokazati uzročnost.

Recite što je dopušteno i gdje je pomoć

Šutnja o umjetnoj inteligenciji nekima se čita kao zabrana, a drugima kao napuštanje, i svako od tih čitanja hrani problem procjene opisan gore. Zapišite očekivanja: što je dopušteno, što se mora prijaviti, koja potpora postoji kad se student muči s alatom. Izgovorite ih naglas i u nastavi. Percipirana potpora prethodi povoljnim procjenama, i to je najjeftinija verzija potpore koju kontrolirate.

Upućujte kad briga prestane biti o alatu i počne biti o vrijednosti studenta, njegovu mjestu u programu ili budućnosti: beznadnost zbog završetka, povlačenje iz rada i od ljudi, izjave da ne vide profesionalnu budućnost. Sve što upućuje na rizik za sigurnost zahtijeva neodgodivo upućivanje prema protokolu vaše ustanove, a ne razgovor koji vodite sami.

Anksioznost zbog karijere pripada službi za karijere, jer je savjetodavno pitanje, a ne pitanje radnog morala, a Duan i sur. (2026) našli su da sama samoefikasnost nije ublažila štetu za odluke o karijeri. Ustanove su razina na koju dokazi upućuju, pri čemu Dağ i sur. (2026) preporučuju pismenost u području umjetne inteligencije i savjetovanje o karijeri zajedno s osnaženim programima. Ako je ono što vidite student kojem invaliditet ili potreba za pristupom blokira upotrebu obveznih alata, to pripada uredu koji se bavi prilagodbama u vašoj ustanovi, i to je odvojen razgovor od ovoga.

Imate i polugu koju obrazac za upućivanje nema. Bashir i Afzal (2026) rangiraju odnos nastavnika i studenta na drugo mjesto u svojoj analizi važnosti značajki (10,0%), ispred kvalitete sna (9,3%), depresije (8,3%) i društvene potpore (7,6%). Autori to iznose kao hipotezu kojoj trebaju lokalno prikupljeni podatci. Ipak je to razlog da studenti znaju da ste vi put do pomoći.

Procijenite pripada li alat za dobrobit ovdje

Chatbot namijenjen studentima najviše privlači one koji patnju neće iznijeti roditelju, nastavniku ni vršnjaku, a to je upravo obrazac otkrivanja koji opisuju Bashir i Afzal (2026). Njihov je sustav trenirao klasifikator stresa slučajnom šumom na 1.100 anketnih odgovora kroz 20 značajki i dosegnuo 89,09% točnosti na tri razine težine, uz stupnjevani dijalogni sloj Stepped Care na engleskom, urdu i rimskom urdu. Njihova analiza važnosti značajki smjestila je krvni tlak na prvo mjesto (15,6%), a odnos nastavnika i studenta na drugo (10,0%), s razinom anksioznosti na devetom mjestu (4,8%), što čitaju kao dokaz da je studentska patnja višedimenzionalna.

Ono što priznaju važnije je od brojke točnosti. Trenirani klasifikator odlučuje o razini potpore, a što se događa pri štetnoj pogrešnoj klasifikaciji, kako se pohranjuju otkrivanja, koje zaštite privatnosti vrijede i kako funkcionira eskalacija prema ljudskom savjetovanju, sve je ostavljeno otvorenim. Granica između ljudskog nadzora i automatiziranog ohrabrenja ostaje dizajnersko pitanje. Sustav se ne predstavlja kao klinički ni terapijski, a razgovorni je sloj provjeren simuliranim unosima i neformalnim testiranjem upotrebljivosti, a ne sa studentima, po kulturnoj primjerenosti, emocionalnoj sigurnosti ili zadovoljstvu. Podataka o ishodima za studente uopće nema.

Isti se obrazac pojavljuje u široj literaturi o alatima. Disertacija o alatima za dobrobit na kampusu vođenima umjetnom inteligencijom (Tang, 2026) izvješćuje da anketni chatbot (TigerGPT) doseže 75% upotrebljivosti i 81% zadovoljstva, a adaptivni okvir za nastavak (AURA) daje prosječan dobitak kvalitete od +0,12 (p = 0,044, d = 0,66) tako što učenjem s potkrepljenjem bira hoće li potvrditi, specificirati, reflektirati ili ispitati. Opisuje i komponentu procjene mentalnog zdravlja utemeljenu na smjernicama DSM-5 i PHQ-8, a ne na klasifikaciji crne kutije, te složenu višemodelsku arhitekturu za koju se tvrdi da smanjuje rizik halucinacije i nadmašuje pojedinačne modele na mjerilu DAIC-WOZ. To su rezultati razvoja sustava. Mjere radi li alat ono za što je osmišljen, a ne je li se dobrobit studenta poboljšala. Brojka od 89,09% dolazi iz jednog izdvojenog dijela podataka, na podatcima za obuku koji nisu reprezentativni za pakistanske studente, u sustavu građenom na engleskom s urduskim izrazima unesenim upitima.

Postavite uvjete koje kolegij ne može

Potezi u učionici opisani gore trebaju institucionalno pokriće, a politička literatura o umjetnoj inteligenciji i socioemocionalnom učenju slabija je od ambicija uvođenja. Tran, Liu i Nguyen (2026) pregledali su 65 recenziranih radova na sjecištu umjetne inteligencije i socioemocionalnog učenja: gotovo tri četvrtine uopće nije spomenulo političke implikacije, samo je oko jedan od četiri ponudio ikakvu preporuku za politiku, a malo ih je dalo smjernice specifične za dionike o privatnosti, obuci nastavnika ili raspodjeli resursa. Njihov okvir WH pita tko treba djelovati, koja se radnja preporučuje, zašto, kada, gdje i koliko je snažno uokvirena, a većina je radova ta pitanja ostavila bez odgovora. Politički angažman korelirao je s mjestom objave, što recenzenti čitaju kao strukturu poticaja koja preferira tehničku novinu pred upravljanjem, i rezultat opisuju kao tehnosolucijsku zamku: tehnički je potencijal istaknut, a uvjeti odgovorne upotrebe ostaju neodređeni. Za ravnopravnost to znači da se uvjerljivi alati umjetne inteligencije za socioemocionalno učenje mogu usvojiti bez zaštita privatnosti, pripreme nastavnika i ravnopravnosti resursa koje usvajanje zahtijeva.

Ako sjedite na razini na kojoj se te odluke donose, praktično je pitanje isto ono koje postavlja učionica. Tko je odgovoran kad alat pogriješi, što se događa s onim što student otkrije i koga je obučeno čitati izlaz.

Što nastavnici i uprave ovdje pogrešno shvaćaju

Anksioznost zbog umjetne inteligencije zapravo je nelagoda s novom tehnologijom i nestaje kako raste poznavanje. Pokretači u ovim studijama jesu procjene karijere i kompetencije: strah od zamjene dolazi prvi, a anksioznost zbog umjetne inteligencije i dalje je predviđala anksioznost zbog traženja posla nakon kontrole sociodemografskih obilježja. Trajanje svakodnevne upotrebe koreliralo je s motivacijom na r = 0,053, pa vam vrijeme s alatom malo govori o motivaciji.

Umirivanje je potpora. Ohrabrenje cilja na osjećaj, a model procjena kaže da je osjećaj posljedica prosudbi sposobnosti i vrijednosti. Informacijska je potpora bila jedina vrsta potpore koja je u modelu Jianga, Chena i Chena zadržala pouzdan put do samoefikasnosti.

Cilj je sniziti anksioznost. Kim (2026) našao je da je anksioznost pozitivno povezana s provjerom i revizijom, a evaluacijska sposobnost predviđa angažman. Mirniji student koji prihvati prvi izlaz nije dobio pomoć.

Samopouzdanje štiti studente od štete za karijeru. U modelu Duana i sur. samoefikasnost to nije ublažila. Posredovani je put nosila prilagodljivost karijeri.

Ovo je problem studentskih službi. Većina je poteza na ovoj stranici nastavna: vježba s niskim ulozima, vođena procjena izlaza umjetne inteligencije, revizija vođena povratnom informacijom i izjava očekivanja koju studenti mogu pročitati. Poznavanje puta upućivanja jedna je stavka među njima.

Chatbot za dobrobit skalabilan je odgovor na tanke savjetodavne kapacitete. Dostupnost je stvarna i privlačnost razumljiva. Točnost na jednom izdvojenom dijelu podataka nije dokaz da je studentu u patnji bolje, a pitanja pogrešne klasifikacije, pohrane i eskalacije u ovdje citiranim radovima nemaju objavljenih odgovora.

Prigovori koje ćete čuti

„Trebaju naučiti otpornost, a ne prilagodbu.“ Dijelom točno, a samouvjerena verzija pogrešno imenuje mehanizam. Zhang, Shi i Lu našli su da je regulacija emocija pozitivno korelirala s motivacijom (r = 0,457), dok je anksioznost negativno korelirala s obama, što je argument za poučavanje regulacije. Ali otpornost kao jače vjerovanje u sebe ono je što je palo u testu moderacije Duana i sur. Otpornost kao uvježbavanje, iskustva svladavanja i prilagodljivost karijeri ono je prema čemu studije upućuju, i ništa od toga nije ispitano kao program.

„Ovo će proći kad se studenti naviknu na alate.“ Vrijeme uz alat nije mehanizam. Trajanje svakodnevne upotrebe umjetne inteligencije slabo je koreliralo s motivacijom (r = 0,053) u anketi na 1.484 studenta, a Dağ i sur. (2026) našli su da anksioznost zbog umjetne inteligencije i dalje predviđa anksioznost zbog traženja posla nakon kontrole sociodemografskih obilježja (β = 0,234, p < 0,001).

„Ja sam predmetni nastavnik, ne savjetnik.“ Nitko od vas ne traži da ikoga liječite. Vježba s niskim ulozima, zadatak kritičke procjene i petlja revizije obični su nastavni potezi. Jedini nalaz koji govori o vašem položaju jest to da odnos nastavnika i studenta stoji drugi u analizi važnosti značajki Bashira i Afzala (10,0%), iznad kvalitete sna (9,3%) i društvene potpore (7,6%). Autori to nazivaju hipotezom, i to je razumna oklada za ulogu koju već imate.

„Nemamo savjetodavnih kapaciteta, pa je alat bolji od ničega.“ Možda, i ova stranica to ne može riješiti. Ono na čemu možete inzistirati prije uvođenja jesu pisani odgovori o validaciji točnosti, o tome kako se odlučuje o razini potpore, što se događa pri štetnoj pogrešnoj klasifikaciji, kako se pohranjuju otkrivanja i kako funkcionira eskalacija prema čovjeku. Nema odgovora, nema uvođenja. Student koji se otkrije alatu koji to pogrešno razvrsta možda se više neće otkriti.

„Ako u nastavi otvorim temu izgleda za karijeru, izlazim iz svojeg predmeta.“ Alternativa je da studenti svoj odgovor sastavljaju s tržišta rada i jedni od drugih. Duan i sur. preporučuju rad na planiranju karijere kao dio akademskog programa, a Dağ i sur. preporučuju ga uz pismenost u području umjetne inteligencije. Možete ugostiti razgovor bez tvrdnje da ste u tome stručnjak i pojedinačne slučajeve uputiti službi za karijere.

Što učiniti ovaj tjedan

1. Izmjerite temperaturu jednog sata u pisanom obliku. Pitajte studente što umjetna inteligencija znači za posao kojem teže. Dobivate pokretača njihovim riječima i popis studenata koji zaslužuju osobni razgovor.

2. Zamijenite jedno umirivanje jednim potezom procjene. Pet minuta „bit će dobro“ zamijenite zadatkom u kojem studenti procjenjuju i ispravljaju izlaz umjetne inteligencije.

3. Zapišite svoja očekivanja o upotrebi umjetne inteligencije, uključujući što je dopušteno, što se mora prijaviti i koja potpora postoji, i pročitajte ih naglas jednom.

4. Nađite kontakt svoje službe za karijere i put upućivanja svoje ustanove sada, prije nego vam zatrebaju, da razgovor završi imenom.

5. Prije usvajanja bilo kojeg alata za dobrobit ili prepoznavanje afekta pribavite pet pisanih odgovora navedenih gore. Ako ih dobavljač ne može dati, to je vaš odgovor.

Kamo dalje

Anksioznost i stres pojmovna je obrada same emocije, uključujući stres zbog nadzora, produktivnu stranu anksioznosti i anksioznost edukatora. Dobrobit pokriva uokvirivanje pozitivnog stanja kroz emocionalnu, psihološku i društvenu dimenziju. Za širu sliku, Kako umjetna inteligencija utječe na studente obrađuje opći učinak umjetne inteligencije na studente, a Preoblikovanje procjene u doba umjetne inteligencije pokriva procjembenu stranu institucionalnog odgovora. Razvoj i pripremljenost za karijeru mjesto je na kojem se argument o karijeri nastavlja.