Hvordan påvirker AI studentenes angst og trivsel, og hva kan vi gjøre?

Automatisk maskinoversettelse av denne engelske siden, ennå ikke korrekturlest av en morsmålstalare.

En student blir igjen etter timen og forteller deg at det ikke lenger virker verdt å fullføre graden, fordi AI allerede kan gjøre jobben de utdanner seg til. En annen har blitt stille dette semesteret: færre innleveringer, ingen spørsmål, ingen tilstedeværelse i seminaret. Du har ti minutter før neste time og ingen måte å avgjøre om dette trenger en strategi eller en henvisning.

Svaret du kan gi en kollega: mesteparten av det som driver AI-angst, ligger i karriere og kompetanse snarere enn i teknologien, og beroligelse flytter ingen av delene. Mestringserfaringer, evidens for at AI-relatert arbeid er verdt innsatsen, og karrierefleksibilitet er det disse studiene peker på. Et lite antall studenter trenger en henvisning snarere enn en strategi, og evidensen er tynnere på hvor den grensen går enn du skulle ønske.

Kortversjonen

1. Finn ut hvilken frykt du har med å gjøre. Karrierefrykt og tvil om egen kompetanse trenger ulike svar, og til sammen står de for mesteparten av sammenhengen med angst.

2. Slutt å åpne med beroligelse. Oppmuntring som ikke endrer studentens vurdering av sin egen kapasitet, flytter ikke følelsen.

3. Gi dem en oppgave de kan lykkes med, og en de må kritisere. Øvelse med lav innsats pluss veiledet vurdering av AI-output hviler på bedre evidens enn en tale om arbeidslivets framtid.

4. Sett jobbspørsmålet inn i emnet. Karrierefleksibilitet er mekanismen den sterkeste studien her identifiserer, og å tro på seg selv erstattet den ikke.

5. Kjenn henvisningsveien din før samtalen starter, og behandle håpløshet om graden som signalet snarere enn frustrasjon med et verktøy.

6. Hvis noen foreslår et trivselsverktøy, spør hva som skjer når det tar feil, og hold igjen utrullingen til du har et svar.

Navngi frykten før du besvarer den

Kim et al. definerer AI-angst som engstelse eller frykt skapt av at AI akselererer. De skiller den fra eldre automasjonsangst fordi AI truer kognitive og profesjonelle roller snarere enn manuelle oppgaver, og de navngir frykten for å bli erstattet av AI som dens viktigste bidragsyter, med ukontrollert AI-vekst, personvernbekymringer, AI-generert feilinformasjon og AI-skjevhet som sekundære årsaker. Les det mot studenten foran deg: den som er bekymret for å bli erstattet, er bekymret for arbeidsmarkedet de er på vei inn i, ikke for verktøyet du demonstrerte forrige uke.

Karrierebekymring er den best dokumenterte versjonen av dette. Üstün og Danacıoğlu (2026) undersøkte 1 057 studenter ved 35 tyrkiske universiteter og fant at høyere AI-angst og mer negative holdninger til AI gikk sammen med høyere angst for å få jobb etter studiene. Kvinnelige studenter, studenter i samfunnsfag og andreårsstudenter rapporterte mer av det. Dağ et al. (2026) fant en moderat positiv korrelasjon mellom AI-angst og jobbssøkeangst blant 821 helsefagstudenter (r = 0,233, p < 0,001), med AI-angst fortsatt som en signifikant prediktor etter kontroll for sosiodemografi (β = 0,234, p < 0,001). Duan et al. (2026) førte spørsmålet videre til konsekvenser: i en strukturell ligningsmodell med 315 kinesiske universitetsstudenter forutsa AI-angst dårligere karrierevalg direkte og indirekte ved å undergrave karrierefleksibilitet, og den medierte banen sto for 63,35 % av totaleffekten.

Vanlig tilpasning høres ut som en student som sier at de ennå ikke vet hvordan de skal bruke dette godt. Rett deg opp når det høres ut som om det ikke er noe poeng i å fullføre, når studenten trekker seg unna i stedet for å klage, eller når bekymringen bæres alene fordi å ta den opp føles som å innrømme svakhet. Det siste mønsteret er det Bashir og Afzal (2026) beskriver blant pakistanske universitetsstudenter, der det å åpne seg har en stigmatiseringskostnad.

Erstatt beroligelse med en oppgave de kan lykkes med

En spørreundersøkelse i to bølger med 547 kinesiske bachelorstudenter plasserte AI-læringsangst inne i kontroll-verdi-teorien (Jiang, Chen og Chen, 2026). Angsten kommer i denne forståelsen fra to vurderinger. Den ene er om en student føler seg i stand til å håndtere AI-relaterte læringsoppgaver, målt som mestringstro i AI-læring. Den andre er om de vurderer AI som nyttig for akademisk arbeid, målt gjennom konstruktet opplevd nytteverdi. Mestringstro hadde den sterkere negative sammenhengen med angst og forutsa også opplevd nytteverdi. Opplevd støtte fra skolen var knyttet til lavere angst selv med begge vurderingene i modellen, men mesteparten av den sammenhengen gikk gjennom dem, slik at omtrent en tredjedel ble igjen som direkte lenke. Modellert hver for seg beholdt bare informasjonsstøtte en pålitelig vei til mestringstro, og det er der opplæring i AI-kompetanse, retningslinjer for ansvarlig bruk og tilgjengelig teknisk støtte gjør nytten sin.

Undervisningen som følger, er lite glamorøs. Bygg mestringserfaringer: øvelse med lav innsats, veiledet vurdering av AI-output, tilbakemeldingsdrevet revisjon. Gi studentene konkret evidens for at AI-relatert arbeid er verdt innsatsen, siden verdi er den andre vurderingen og den beveger seg med erfaring snarere enn med argumenter. Gjør støtten din informativ, den typen som svarer på et spørsmål om hvordan noe virker, snarere enn bare trøstende.

Ingen i denne litteraturen testet den pakken mot en kontrollgruppe. Anbefalingen følger av vurderingsmodellen, og forfatterne er tydelige på at designet deres ikke kan fastslå kausal retning, tidsmessig forrang eller kausal mediering. Utvalget var et bekvemmelighetsutvalg, skjevt mot STEAM-fag, målt med selvrapportering, og angsten var generelt lav med begrenset varians, noe som kan ha flatet ut estimatene. Behandle retningen som berettiget og effektstørrelsen som ukjent.

Lær dem å granske, og forvent at engasjementet øker

Angst og engasjement kan bevege seg sammen, og det endrer hva du prøver å oppnå. I en undersøkelse med 107 studenter fant Kim (2026) at høyere AI-angst var positivt knyttet til verifiserings- og revisjonsatferd (β = 0,24, p < 0,01), og at vurderingsevne forutsa aktivt engasjement (β = 0,46, p < 0,001). Studentene fordelte seg i fire reguleringstyper: ukritisk avhengighet (18,7 %), selektiv integrasjon (34,6 %), evaluativ transformasjon (31,8 %) og strategisk avvisning (14,9 %).

Hvis angst kan følge med den mer forsiktige atferden, er det å redusere følelsen feil mål. Å undervise i gransking og vurderingsskjønn gjør en engstelig student om til en bevisst bruker av generativ AI snarere enn en unnvikende. Den vanen er temaet i å lære studenter å verifisere AI-output, og AI-kompetanse er den bredere rammen den sitter i.

Sett karrierespørsmålet i rommet

Duan et al. (2026) konkluderer med at karrierefleksibilitet er den sentrale beskyttende mekanismen, og de anbefaler å gjøre AI-kompetanse og karriereplanleggingskurs allmenne, sammen med integrasjon av næringsliv og utdanning. Dağ et al. (2026) kommer til samme sted fra helsefagene: styrkede programmer pluss AI-kompetanse og karriereveiledning, fordi AI-angst former studentenes profesjonelle framtid snarere enn meningene deres om et verktøy. Ingen av funnene kommer fra en intervensjon, så det du har, er et godt begrunnet mål, ikke et testet program.

Den andre spaken med evidens er emosjonsregulering. I en undersøkelse med 1 484 kinesiske bachelorstudenter fant Zhang, Shi og Lu (2026) at AI-angst var negativt korrelert med emosjonsregulering (r = -0,172) og med akademisk motivasjon (r = -0,175), mens emosjonsregulering var positivt korrelert med motivasjon (r = 0,457), alle p < 0,001. Bootstrap-analyse bekreftet en negativ indirekte bane fra angst til motivasjon gjennom emosjonsregulering (indirekte effekt = -0,076, 95 % KI -0,108 til -0,047), med den direkte banen fortsatt signifikant. Daglig varighet av AI-bruk var bare svakt korrelert med motivasjon (r = 0,053), noe som taler mot å lese tid på verktøyet som kvalitet i engasjementet. Anbefalingen deres er å bygge emosjonsregulering og metakognitiv støtte inn i AI-kompetanseopplæringen, med oppmerksomhet på kjønn, siden sammenhengen mellom regulering og motivasjon var sterkere blant mannlige studenter i deres data.

Konkret kan dette være en kort skriftlig refleksjon før og etter en vurdert AI-assistert oppgave, eller en kort strukturert samtale om hva en student ville gjøre hvis rollen de sikter mot endrer seg. Begge er billige. Ingen av dem er testet som en angstintervensjon, og designet til Zhang, Shi og Lu er tverrsnittsbasert og selvrapportert, så de kan ikke vise årsakssammenheng.

Si hva som er tillatt, og hvor hjelpen er

Taushet om AI leses som forbud av noen studenter og som svik av andre, og begge lesningene forsterker vurderingsproblemet over. Skriv ned forventningene: hva som er tillatt, hva som må oppgis, hvilken støtte som finnes når en student strever med verktøyet. Si det høyt i timen også. Opplevd støtte kommer før gunstige vurderinger, og dette er den billigste versjonen av støtte du kontrollerer.

Henvis når bekymringen har sluttet å handle om et verktøy og begynt å handle om studentens egenverd, plassen deres i programmet eller framtiden deres: håpløshet om å fullføre, tilbaketrekning fra arbeid og fra mennesker, utsagn om at de ikke ser noen profesjonell framtid. Alt som antyder fare for sikkerheten, er en umiddelbar henvisning etter institusjonens protokoll, og ikke en samtale du håndterer alene.

Karriereangst hører hjemme hos karrieretjenesten, fordi det er en veiledningssak snarere enn et moralproblem, og Duan et al. (2026) fant at mestringstro alene ikke bufret mot skaden på karrierevalg. Institusjoner er nivået evidensen peker på, med Dağ et al. (2026) som anbefaler AI-kompetanse og karriereveiledning sammen med styrkede programmer. Hvis det du ser, er en student som hindres i å bruke påkrevde verktøy av en funksjonsnedsettelse eller et tilgangsbehov, hører det hjemme hos det kontoret som håndterer tilrettelegging ved institusjonen din, og det er en egen samtale fra denne.

Du har også en spak som henvisningsskjemaet ikke har. Bashir og Afzal (2026) rangerer lærer-student-relasjonen på andreplass i analysen av variabelviktighet (10,0 %), foran søvnkvalitet (9,3 %), depresjon (8,3 %) og sosial støtte (7,6 %). Forfatterne presenterer det som en hypotese som trenger lokalt innsamlede data. Det er likevel en grunn til å sørge for at studentene vet at du er en vei til hjelp.

Avgjør om et trivselsverktøy hører hjemme her

En chatbot rettet mot studenter appellerer mest til de studentene som ikke vil ta opp belastning med en forelder, en lærer eller en medstudent, og det er akkurat det åpenhetsmønsteret Bashir og Afzal (2026) beskriver. Systemet deres trente en Random Forest-klassifiserer for stress på 1 100 spørresvar over 20 variabler og nådde 89,09 % nøyaktighet over tre alvorlighetsnivåer, kombinert med et trinnvis Stepped Care-dialoglag på engelsk, urdu og romanisert urdu. Analysen av variabelviktighet plasserte blodtrykk først (15,6 %) og lærer-student-relasjonen på andreplass (10,0 %), med angstnivå på niendeplass (4,8 %), noe de leser som evidens for at studentbelastning er flerdimensjonal.

Det de innrømmer, betyr mer enn nøyaktighetstallet. En trent klassifiserer avgjør støttenivået, og hva som skjer ved en skadelig feilklassifisering, hvordan det studenten åpner seg om, lagres, hvilke personvernbeskyttelser som gjelder, og hvordan eskalering til menneskelig veiledning fungerer, er alt sammen overlatt åpent. Grensen mellom menneskelig tilsyn og automatisert oppmuntring er fortsatt et designspørsmål. Systemet presenteres ikke som klinisk eller terapeutisk, og dialoglaget ble sjekket med simulerte input og uformell brukertesting snarere enn med studenter, på kulturell egnethet, emosjonell trygghet eller tilfredshet. Det finnes ingen data om studentutfall i det hele tatt.

Det samme mønsteret går igjen i den bredere verktøylitteraturen. En avhandling om AI-drevne trivselsverktøy på campus (Tang, 2026) rapporterer en spørrechatbot (TigerGPT) som nådde 75 % brukbarhet og 81 % tilfredshet, og et adaptivt oppfølgingsrammeverk (AURA) som ga en gjennomsnittlig kvalitetsgevinst på +0,12 (p = 0,044, d = 0,66) ved å bruke forsterkningslæring til å velge om det skal validere, spesifisere, speile eller sondere. Den beskriver også en komponent for psykisk helsevurdering som er forankret i DSM-5 og PHQ-8-retningslinjer snarere enn svart boks-klassifisering, og en stablet multimodellarkitektur som hevdes å kutte hallusinasjonsrisiko og overgå enkeltmodeller på Benchmarken DAIC-WOZ. Dette er systemutviklingsresultater. De måler om verktøyet gjør det det ble designet for, ikke om en students trivsel ble bedre. Tallet 89,09 % kommer fra ett enkelt avsatt utvalg, på treningsdata som ikke er representative for pakistanske studenter, i et system bygget på engelsk med innlagte urdu-uttrykk.

Sett forutsetningene emnet ikke kan

Klasseromsgrepene over trenger institusjonell dekning, og policylitteraturen rundt AI og sosial og emosjonell læring er tynnere enn ambisjonene om utrulling. Tran, Liu og Nguyen (2026) gjennomgikk 65 fagfellevurderte artikler i skjæringspunktet mellom AI og SEL: nesten tre fjerdedeler nevnte ikke policyimplikasjoner i det hele tatt, bare omtrent én av fire ga noen policyanbefaling, og få ga aktørspesifikk veiledning om personvern, lærerutdanning eller ressursfordeling. Deres WH-rammeverk spør hvem som bør handle, hvilken handling som anbefales, hvorfor, når, hvor og hvor sterkt det er formulert, og de fleste artiklene lot disse spørsmålene stå ubesvart. Policydeltakelse korrelerte med publiseringskanal, noe gjennomgåerne leser som en insentivstruktur som favoriserer teknisk nyhet framfor styring, og de beskriver resultatet som en teknosolutionistisk felle: det tekniske potensialet settes i forgrunnen og forutsetningene for ansvarlig bruk blir stående uspesifisert. For likestilling betyr det at plausible AI-for-SEL-verktøy kan tas i bruk uten personvernsikringene, lærerforberedelsen og ressurslikheten som innføringen krever.

Hvis du sitter på nivået der disse beslutningene tas, er det praktiske spørsmålet det samme som klasserommet stiller. Hvem har ansvaret når verktøyet tar feil, hva skjer med det en student åpner seg om, og hvem er trent til å lese outputen.

Hva undervisere og administratorer tar feil om her

AI-angst er egentlig ubehag med ny teknologi, og det forsvinner når kjennskapen vokser. Driverne i disse studiene er vurderinger av karriere og kompetanse: frykten for å bli erstattet kommer først, og AI-angst forutsa fortsatt jobbssøkeangst etter kontroll for sosiodemografi. Daglig bruksvarighet korrelerte med motivasjon med r = 0,053, så tid med verktøyet sier deg lite om motivasjon.

Beroligelse er støtte. Oppmuntring sikter mot følelsen, og vurderingsmodellen sier at følelsen ligger nedstrøms fra kapasitets- og verdidommer. Informasjonsstøtte var den eneste støttetypen som beholdt en pålitelig vei til mestringstro i modellen til Jiang, Chen og Chen.

Målet er å få angsten ned. Kim (2026) fant at angst var positivt knyttet til verifisering og revisjon, og at vurderingsevne forutsa engasjement. En roligere student som aksepterer den første outputen, er ikke blitt hjulpet.

Selvtillit beskytter studentene mot karriereskaden. I modellen til Duan et al. bufret mestringstro den ikke. Karrierefleksibilitet bar den medierte banen.

Dette er et problem for studenttjenestene. Mesteparten av grepene på denne siden er undervisningsmessige: øvelse med lav innsats, veiledet vurdering av AI-output, tilbakemeldingsdrevet revisjon, og en erklæring om forventninger som studentene kan lese. Å kjenne henvisningsveien er ett element blant dem.

En trivselschatbot er det skalerbare svaret på tynn veiledningskapasitet. Tilgjengeligheten er reell og appellen er forståelig. Nøyaktighet på ett avsatt utvalg er ikke evidens for at en student i belastning har det bedre, og spørsmålene om feilklassifisering, lagring og eskalering har ingen publiserte svar i arbeidet som siteres her.

Innvendingene du vil høre

«De må lære seg robusthet, ikke tilrettelegging.» Delvis riktig, og den skråsikre versjonen har mekanismen feil. Zhang, Shi og Lu fant at emosjonsregulering korrelerte positivt med motivasjon (r = 0,457) mens angst korrelerte negativt med begge, og det er et argument for å undervise i regulering. Men robusthet som å tro hardere på seg selv, er det som feilet i moderasjonstesten til Duan et al. Robusthet som innøving, mestringserfaringer og karrierefleksibilitet er det studiene peker mot, og ingenting av det er testet som et program.

«Dette går over når studentene blir vant til verktøyene.» Tid på verktøyet er ikke mekanismen. Daglig bruksvarighet korrelerte svakt med motivasjon (r = 0,053) i undersøkelsen med 1 484 studenter, og Dağ et al. (2026) fant at AI-angst fortsatt forutsa jobbssøkeangst etter kontroll for sosiodemografi (β = 0,234, p < 0,001).

«Jeg er faglærer, ikke veileder.» Ingen ber deg behandle noen. Øvelse med lav innsats, en kritikkoppgave og en revisjonssløyfe er vanlige undervisningsgrep. Det ene funnet som taler til posisjonen din, er at lærer-student-relasjonen ligger på andreplass i Bashir og Afzals analyse av variabelviktighet (10,0 %), over søvnkvalitet (9,3 %) og sosial støtte (7,6 %). Forfatterne kaller det en hypotese, og det er et rimelig veddemål for en rolle du allerede har.

«Vi har ingen veiledningskapasitet, så et verktøy er bedre enn ingenting.» Muligens, og denne siden kan ikke avgjøre det. Det du kan insistere på før utrulling, er skriftlige svar på validering av nøyaktighet, hvordan støttenivået avgjøres, hva som skjer ved en skadelig feilklassifisering, hvordan det som åpnes lagres, og hvordan eskalering til et menneske fungerer. Ingen svar, ingen utrulling. En student som åpner seg for et verktøy som arkiverer det feil, åpner seg kanskje ikke igjen.

«Hvis jeg tar opp karrieremuligheter i timen, går jeg ut over faget mitt.» Alternativet er at studentene setter sammen svaret sitt fra arbeidsmarkedet og fra hverandre. Duan et al. anbefaler karriereplanlegging som del av studieprogrammet, og Dağ et al. anbefaler det sammen med AI-kompetanse. Du kan huse samtalen uten å hevde ekspertise på den, og sende enkeltsakene til karrieretjenesten.

Hva du kan gjøre denne uken

1. Ta temperaturen i én time, skriftlig. Spør studentene hva AI betyr for jobben de sikter mot. Du får driveren i deres egne ord, og du får en liste over studenter som er verdt en privat oppfølging.

2. Bytt ut én beroligelse med ett vurderingsgrep. Bytt fem minutter med «det går bra» mot en oppgave der studentene vurderer og retter en AI-output.

3. Skriv ned forventningene dine til AI-bruk, inkludert hva som er tillatt, hva som må oppgis og hvilken støtte som finnes, og les dem høyt én gang.

4. Finn kontakten din i karrieretjenesten og institusjonens henvisningsvei nå, før du trenger noen av dem, slik at samtalen ender med et navn.

5. Før du tar i bruk noe trivsels- eller affektbevisst verktøy, skaff de fem skriftlige svarene over. Hvis en leverandør ikke kan gi dem, er det svaret ditt.

Hvor du kan gå videre

Anxiety and Stress er den konseptuelle behandlingen av følelsen selv, inkludert eksamensstress, den produktive siden av angst og underviserangst. Well-Being dekker innrammingen av positiv tilstand på tvers av emosjonelle, psykologiske og sosiale dimensjoner. For det omkringliggende bildet håndterer Hvordan påvirker AI studentene? den generelle påvirkningen AI har på studenter, og Hvordan redesigner jeg vurderingen slik at karakteren fortsatt sier noe forsvarlig om hva studenten kan? dekker vurderingssiden av en institusjonell respons. Career Development and Readiness er der karriereargumentet fortsetter.