AI Inaathirije Wasiwasi na Ustawi wa Wanafunzi, na Tunaweza Kufanya Nini?

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Hali unayoweza kukuta. Mwanafunzi anakwambia, katika saa za ofisi au kwenye fomu ya upokeaji, kuwa kumaliza digrii hakuthibitiki tena kwa sababu AI tayari inaweza kufanya kazi ambayo walikuwa wakijifunza kwa ajili yake. Mwingine hunyamaza, anatoa kazi kidogo, anaacha kuuliza maswali. Unataka kusaidia, huna uhakika kama hili linahitaji rufaa au mkakati, na una dakika kumi kuamua.

Hitimisho la msingi. Wasiwasi wa AI ni majibu ya kihisia yanayoweza kupimwa, viendeshaji wake vingi viko katika kazi na uwezo badala ya katika teknolojia, na kutoa tumaini halisogezi. Kile kinacholisogeza ni uzoefu wa umahiri, ushahidi kuwa kazi inayohusiana na AI inastahili juhudi, na uwezo halisi wa kubadilika kwa kazi. Wanafunzi wachache wanahitaji rufaa badala ya mkakati — na ushahidi unakuambia kidogo kuhusu mpaka huo zaidi ya upendavyo.

Nini ukurasa huu. Ukurasa wa mtendaji: nini cha kufanya. Matibabu ya dhana ya hisia yenyewe — msisongo wa usimamizi wa mtihani, upande mzuri wa wasiwasi, wasiwasi wa waelimishaji — upo katika Wasiwasi na Mkazo; mwelekeo wa hali chanya katika vipimo vya kihisia, kisaikolojia na kijamii upo katika Ustawi.

Toleo fupi

• Tambua kiendeshaji kabla ya kujibu. Hofu ya kazi na shaka ya uwezo zinahitaji majibu tofauti; zinabeba sehemu kubwa ya uhusiano na wasiwasi.
• Usianzishe kwa kutoa tumaini. Kutia moyo ambacho hakubadilishi kile mwanafunzi anachoamini kuhusu uwezo wake hatalisogeza hisia.
• Fundisha uchunguzi, si kuepukana. Wanafunzi wenye wasiwasi wanaojifunza kutathmini matokeo ya AI wanakuwa watumiaji wenye makusudi, si wanaoepeuka.
• Jenga uwezo wa kubadilika kwa kazi, si ujasiri peke yake. Kujiamini peke yake hakukupunguza madhara ya kazi katika utafiti uliojaribu hilo.
• Jua njia yako ya rufaa kabla ya kuhitaji, na uangalie kukata tamaa kuhusu digrii, si kukasirishwa tu na zana.
• Kuwa mahususi kuhusu matarajio ya taasisi, na usitumie kamwe zana ya ustawi ambayo hatua zake za kushughulikia makosa, hifadhi ya data na njia ya kupeleka mbele huziwezi kueleza kwa sentensi moja.

Nini cha kuangalia: marekebisho ya kawaida, au kitu kinachohitaji zaidi

Kim et al. wanafafanua wasiwasi wa AI kama hofu au wasiwasi unaotokana na kasi ya AI, unautofautisha na wasiwasi wa zamani wa otomatiki kwa sababu AI inatishia majukumu ya kiakili na ya kitaalamu badala ya kazi za mikono, na wanaitaja hofu ya kubadilishwa na AI kama mchango wake mkuu — pamoja na ukuaji usiodhibitiwa wa AI, Faragha, habari potofu zilizozalishwa na AI na upendeleo wa AI kama visababisha vya pili. Soma hilo dhidi ya unachokiona: mwanafunzi anayehofia kubadilishwa anahofia soko la ajira anaingialo, si zana uliyoonyesha wiki iliyopita.

Hiyo ndiyo sababu wasiwasi wa kazi na soko la ajira unakuwa chanzo chenye ushahidi bora. Üstün na Danacıoğlu (2026) walidhoofisha wanafunzi 1,057 katika vyuo vikuu 35 vya Kituruki: wasiwasi mkubwa wa AI na mitazamo hasi zaidi kuelekea AI vilisogezana na wasiwasi mkubwa wa kutafuta kazi baada ya kuhitimu, huku wanafunzi wanawake, wa sayansi ya kijamii na wa mwaka wa pili wakiripoti wasiwasi zaidi. Dağ et al. (2026) waligundua uhusiano chanya wa wastani kati ya wasiwasi wa AI na wasiwasi wa kutafuta kazi miongoni mwa wanafunzi 821 wa sayansi za afya (r = 0.233, p < 0.001), huku wasiwasi wa AI ukiwa bado mtabiri muhimu baada ya kudhibiti sifa za kijamii na kiuchumi (β = 0.234, p < 0.001). Duan et al. (2026) walipanua hili hadi madhara: katika mfano wa usawa wa kimuundo wa wanafunzi 315 wa chuo kikuu wa Kichina, wasiwasi wa AI ulitabiri maamuzi dhaifu zaidi ya kazi moja kwa moja na kwa njia isiyo ya moja kwa moja kwa kudhoofisha uwezo wa kubadilika kwa kazi, njia ya upatanishi iliyohesabiwa asilimia 63.35 ya athari ya jumla; jaribio lao la kudhibiti haligundua Uwezo Binafsi kupunguza madhara.

Marekebisho ya kawaida yanasikika kama "Sijui kuitumia vyema bado." Itendeke juu yake inaposikika kama "hakuna maana kumaliza hili," mwanafunzi anapojitenga badala ya kulalamika, au wakati wasiwasi unabebwa peke yake kwa sababu kuueleza kunahisi kama kukiri udhaifu — mtindo wa kufichua unaosukumwa na aibu ambao Bashir na Afzal (2026) wanatafsiri kwa wanafunzi wa vyuo vikuu vya Kipakistani.

Nini cha kufanya darasani

Wasiwasi wa uwezo hufanya kazi kupitia tathmini, si kutoa tumaini. Utafiti wa wimbi mbili wa wanafunzi 547 wa chuo kikuu wa Kichina uliweka mfano wa wasiwasi wa kujifunza AI ndani ya nadharia ya thamani-udhibiti (Jiang, Chen na Chen, 2026): wasiwasi unazalishwa na tathmini mbili — kama mwanafunzi anahisi kuwa na uwezo wa kushughulikia kazi za kujifunza zinazohusiana na AI (udhibiti, uliopimwa kama uwezo binafsi wa kujifunza AI) na kama wanahukumu AI kuwa yenye manufaa kwa kazi ya kitaaluma (thamani, kupitia ujenzi wa manufaa inayoonekana). Uwezo binafsi ulikuwa na uhusiano hasi mkubwa zaidi na wasiwasi na pia ulitabiri manufaa inayoonekana; msaada wa shule unaoonekana ulihusishwa na wasiwasi mdogo hata tathmini zote mbili zikiwa zimewekwa mfano, lakini njia zisizo za moja kwa moja kupitia zao zilibeba sehemu kubwa ya uhusiano huo, zikiliacha takribani theluthi moja kama kiungo cha moja kwa moja. Zikipimwa kando, ni msaada wa kitaaluma tu uliohifadhi njia ya kuaminika kuelekea uwezo binafsi — na hiyo ndiyo sababu mafunzo ya ujuzi wa AI, miongozo ya matumizi yenye uwajibikisho na msaada wa kiufundi unaopatikana yana maana.

Ubuni unafuata: wapa wanafunzi uzoefu wa umahiri na ushahidi halisi kuwa AI inastahili juhudi — mazoezi ya hatua ndogo, tathmini ya maonyesho ya matokeo ya AI, marekebisho yanayosukumwa na maoni — na utoe msaada wa kitaaluma badala ya wa kutuliza tu. Msaada unaoonekana hutangulia tathmini zinazopendelea.

Fundisha uchunguzi badala ya kuepukana. Wasiwasi na ushirikiano vinaweza kusogezana pamoja, na hilo hubadilisha unachofanya. Katika utafiti wa wanafunzi 107, Kim (2026) anagundua wasiwasi mkubwa wa AI ukiwa na uhusiano chanya na tabia ya kuthibitisha na kurekebisha (β = .24, p < .01) na uwezo wa kutathmini ukitabiri ushirikiano hai (β = .46, p < .001), akiwapanga wanafunzi katika aina nne za udhibiti kuanzia utegemezi bila ukaguzi (18.7%) kupitia muunganisho wa kuteua (34.6%) na mageuzi ya kutathmini (31.8%) hadi kukataa kwa mkakati (14.9%). Maana yake inakwenda kinyume na kupunguza wasiwasi kama lengo: kufundisha uchunguzi na hukumu ya kutathmini kugeuza wanafunzi wenye wasiwasi kuwa watumiaji wenye makusudi zaidi wa AI ya kizalishaji badala ya wanaoepeuka zaidi, jambo linalounganisha ukurasa huu na kufundisha wanafunzi kuthibitisha matokeo ya AI na Ujuzi wa AI.

Jenga uwezo wa kubadilika kwa kazi badala ya ujasiri peke yake. Duan et al. (2026) wanahitimisha kuwa uwezo wa kubadilika kwa kazi ni mbinu muhimu ya ulinzi na wanapendekeza kufanya kozi za ujuzi wa AI na upangaji wa kazi kuwa za kawaida pamoja na muunganisho wa viwanda–elimu. Dağ et al. (2026) wanafikia hitimisho lile lile kutoka sayansi za afya: mipango iliyoboreshwa pamoja na ujuzi wa AI na ushauri wa kazi, kwa sababu wasiwasi wa AI unaunda mustakabali wa kitaalamu wa wanafunzi badala ya mitazamo yao kuelekea zana.

Unganisha mafunzo ya AI na udhibiti wa hisia na msaada wa metaji. Zhang, Shi na Lu (2026) wanadai kuwa kupunguza wasiwasi wa AI badala ya kupanua upatikanaji wa zana ndicho kinachoendeleza motisha, na wanapendekeza kuunganisha msaada wa udhibiti wa hisia na metaji katika elimu ya ujuzi wa AI pamoja na utofautishaji unaozingatia jinsia — wakionya kuwa ubuni wao hauwezi kuonyesha uhusiano wa sababu.

Amua kuhusu zana za ustawi kwa makusudi. Bashir na Afzal (2026) walifunza kigawanyaji cha msisongo wa Random Forest kwa majibu 1,100 ya dodoso katika vipengele 20, wakifika usahihi wa 89.09% katika viwango vitatu vya ukali, vilivyounganishwa na safu ya mazungumzo ya Stepped Care yenye ngazi nyingi kwa Kiingereza, Kiurdu na Kiurdu cha Rumi. Uchanganuzi wao wa umuhimu wa kipengele uliweka shinikizo la damu la kwanza (15.6%) na uhusiano wa mwalimu–mwanafunzi wa pili (10.0%), huku kiwango cha wasiwasi kikiwa cha tisa (4.8%) — ushahidi, kama waandishi wanavyodai, kuwa dhiki ya mwanafunzi ina vipimo vingi badala ya kusukumwa na kiashiria kimoja. Kumbuka wanachokiri: kigawanyaji kilichofunzwa huamua ngazi ya msaada, hivyo kinachotokea kwenye ugawanyaji mbaya unaodhuru, jinsi maelezo yanavyohifadhiwa na ulinzi upi wa Faragha unaotumika, na jinsi kupelekwa kwa ushauri wa binadamu kunavyofanya kazi — vyote vimeachiwa wazi; mpaka kati ya usimamizi wa binadamu na kutia moyo kiotomatiki unabaki swali la ubuni, na mfumo haujatolewa kama wa kliniki au wa matibabu.

Nini cha kusema, na nini cha kutokisema

Usiseme:

• "AI haiwezi kufanya kazi yako." Unaweza kuwa na makosa, na mwanafunzi tayari amejaribu.
• "Kila mtu anahisi hivi." Kweli na hakuna faida; inafanya hofu mahususi iwe ya jumla.
• "Unahitaji tu kujifunza kuitumia vyema." Hili hugawanya wasiwasi wa kazi kuwa hukumu ya uwezo — hasa tathmini inayoendesha wasiwasi.
• "Itakuwa sawa." Utabiri usioweza kuthibitishwa na mpango ambao hauwezi kutekelezwa.
• "Unahitaji kuwa mstahimilivu zaidi." Kujiamini peke yake hakupunguza madhara ya kazi; ona hoja zilizopo hapa chini.

Sema:

• Tambua kiendeshaji kwa sauti: "Anachonihofia si kuwa huwezi kutumia zana. Ni kuwa hujui inamaanisha nini kwa kazi. Ni matatizo tofauti na naweza kusaidia kwa yote mawili."
• Tenganisha zana na mtu: uwezo hujengwa, si kuwa nayo.
• Eleza matarajio yako kwa matumizi ya AI kwa uwazi. Ukimya husomwa kama marufuku kwa wanafunzi wengine na kama kuachwa kwa wengine.
• Angalia utofautishaji wako: jinsia ilidhibiti uhusiano wa udhibiti–motisha katika data ya Zhang, Shi na Lu, ikiwa imara zaidi miongoni mwa wanafunzi wanaume, hivyo hati moja haitafika kwa njia ile ile kwa kila kikundi.

Lini kufanya rufaa

Fanya rufaa wakati wasiwasi umeacha kuwa kuhusu zana na umeanza kuwa kuhusu thamani ya mwanafunzi, mahali pao katika programu, au mustakabali wao: kukata tamaa kuhusu kumaliza, kujitenga na kazi na watu, kauli za kuwa hawaoni mustakabali wowote wa kitaalamu. Kitu chochote kinachopendekeza hatari kwa usalama ni rufaa ya papo hapo na suala la itifaki ya taasisi yako, si mazungumzo unayosimamia peke yako.

Wasiwasi wa kazi unahusika katika huduma za kazi, kwa sababu ni suala la ushauri badala ya tatizo la morali, na Duan et al. (2026) waligundua kuwa uwezo binafsi peke yake hakupunguza uharibifu kwa maamuzi ya kazi. Taasisi ni ngazi ambayo ushahidi unaelekeza: Dağ et al. (2026) wanapendekeza ujuzi wa AI na ushauri wa kazi pamoja na mipango iliyoboreshwa, si moja badala ya nyingine. Na una kizuizi ambacho fomu ya rufaa haina: Bashir na Afzal (2026) wanaweka uhusiano wa mwalimu–mwanafunzi wa pili katika uchanganuzi wao wa umuhimu wa kipengele (10.0%), mbele ya ubora wa usingizi (9.3%), huzuni (8.3%) na msaada wa kijamii (7.6%). Waandishi wanautendea huo kama dhana inayohitaji data iliyokusanywa mahali pa hapo, lakini ni sababu ya kuhakikisha wanafunzi wanajua kuwa wewe ni njia ya kupata msaada.

Usimpeleke mwanafunzi mwenye dhiki kwenye zana ya AI inayowaelekea wanafunzi kwa sababu inapatikana kila wakati. Mifumo kama hiyo inawavuta wanafunzi ambao hawasemi dhiki kwa wazazi, walimu au marika — mtindo wa kufichua ambao Bashir na Afzal (2026) wanatafsiri — lakini safu hiyo ya mazungumzo ilikaguliwa kwa data zilizoigwa na upimaji wa uhakika wa kawaida badala ya kutathminiwa na wanafunzi kuhusu ufaafu wa kitamaduni, usalama wa kihisia au kuridhika, na haina data yoyote ya matokeo ya mwanafunzi.

Nini ushahidi unaonyesha kweli, na unakwenda mpaka wapi

Karibu kila kitu hapa kuhusu wasiwasi wa AI yenyewe ni cha uhusiano. Masudio ya wasiwasi wa kazi ni dodoso za mraba-halisi (Üstün na Danacıoğlu, 2026; Dağ et al., 2026; Duan et al., 2026), na utafiti wa motisha ni wa mraba-halisi na wa kujitangaza (Zhang, Shi na Lu, 2026).

Kila moja ikiwa na vikomo vyake:

• Motisha. Katika utafiti wa wanafunzi 1,484 wa chuo kikuu wa Kichina, Zhang, Shi na Lu (2026) waligundua wasiwasi wa AI ukiwa na uhusiano hasi na udhibiti wa hisia (r = −0.172) na Motisha ya kitaaluma (r = −0.175), huku udhibiti wa hisia ukiwa na uhusiano chanya na motisha (r = 0.457), vyote p < 0.001; uchanganuzi wa bootstrap ulithibitisha njia isiyo ya moja kwa moja hasi kutoka wasiwasi hadi motisha kupitia udhibiti wa hisia (athari isiyo ya moja kwa moja = −0.076, 95% CI −0.108 hadi −0.047), huku njia ya moja kwa moja ikiwa bado muhimu. Muda wa matumizi ya kila siku wa AI ulihusishwa kwa udhaifu tu na motisha (r = 0.053) — onyo dhidi ya kusoma muda kwenye zana kama ubora wa ushirikiano.
• Tathmini. Utafiti wa msaada wa shule ulitenganisha watabiri na matokeo kwa takribani wiki sita, lakini waandishi wanasema ubuni bado ni wa mraba-halisi na hauwezi kuanzisha mwelekeo wa sababu, utangulizi wa muda au upatanishi wa sababu; sampuli ilichukuliwa kwa urahisi, ilipendelea taaluma za STEAM, ilipimwa kwa kujitangaza, na wasiwasi kwa ujumla ulikuwa mdogo na tofauti ndogo, jambo ambalo linaweza kupunguza makadirio (Jiang, Chen na Chen, 2026).
• Zana. Insha ya kitaaluma kuhusu zana za ustawi wa chuo kikuu zinazoendeshwa na AI (Tang, 2026) inaripoti chatbot ya dodoso (TigerGPT) inayofika uhakika wa matumizi wa 75% na kuridhika kwa 81%, na mfumo wa kufuatilia maswali unaobadilika (AURA) unaozalisha faida ya wastani ya ubora ya +0.12 (p = 0.044, d = 0.66) kwa kutumia kujifunza kwa kuimarisha kuchagua kama kuthibitisha, kubainisha, kutafakari au kuchunguza, pamoja na sehemu ya tathmini ya afya ya akili iliyowekwa kwenye miongozo ya DSM-5 na PHQ-8 badala ya ugawanyaji wa kisanduku-jeusi na usanifu wa mifano mingi iliyounganishwa unaodaiwa kupunguza hatari ya kutunga vitu visivyokuwepo na kushinda mifano moja kwenye Kigezo cha Kupima ya DAIC-WOZ. Hizi ni matokeo ya maendeleo ya mfumo: zinapima kama zana inafanya kazi kama ilivyobuniwa, si kama ustawi wa wanafunzi Ustawi uliboreshwa. Usahihi wa 89.09% unatokana na mgawanyiko mmoja uliotengwa; data ya mafunzo haiwezi kuwakilisha wanafunzi wa Kipakistani, mfumo ni Kiingereza katika kiini chenye misemo ya Kiurdu iliyochochewa, na safu ya mazungumzo haina data ya matokeo.

Kusoma mkusanyiko kwa uwazi: vyanzo na mbinu za wasiwasi wa AI vina msaada unaoweza kupimwa, na asilimia na uhusiano vilivyo juu ni mahusiano, si athari za uingiliaji zilizothibitishwa. Hakuna utafiti hapa uliowapa wanafunzi hali ya msaada kwa nasibu na kupima wasiwasi baadaye, hivyo madai ya kupunguza wasiwasi kwa mazoezi yoyote mahususi, ikiwa ni pamoja na yale yaliyopendekezwa hapa, yanabaki bila kujaribiwa. Kile ushahidi unachoruhusu ni mwelekeo wa kazi, si ukubwa wa athari ulioahidiwa.

Mazingira ya sera kuzunguka AI na kujifunza kijamii-kihisia ni madogo zaidi kuliko nia za utekelezaji. Tran, Liu na Nguyen (2026) walipitia karatasi 65 zilizokaguliwa na wenzao katika mwinuko wa AI–SEL: karibu robo tatu hazikutaja athari za sera kabisa, takribani moja kati ya nne zilitoa pendekezo lolote la sera, na chache zilitoa mwongozo mahususi kwa wanaotenda kuhusu Faragha, mafunzo ya walimu au mgawanyo wa rasilimali. Mfumo wao wa "WH" huuliza nani anapaswa kutenda, ni tendo upi unaopendekezwa, kwa nini, lini, wapi na kwa nguvu kiasi gani unaelezewa — maswali mengi yaliyobaki bila majibu. Ushirikiano wa sera ulihusishwa na mahali pa kuchapisha, ambacho wakaguzi wanasoma kama muundo wa motisha unaopendelea uboreshaji wa kiufundi badala ya Utawala wa AI na kuzaa "mtego wa teknolojia-kama-suluhisho": uwezo wa kiufundi ukiwekwa mbele, hali za matumizi yenye uwajibikisho zisizobainishwa. Kwa usawa, zana zinazowezekana za AI-kwa-SEL zinaweza hivyo kutekelezwa bila ulinzi — faragha, maandalizi ya walimu, usawa wa rasilimali — ambao kupitisha unahitaji.

Hoja utakazosikia

"Wanahitaji kujifunza ustahimilivu, si kubali." Kwa sehemu ni sawa, na si katika toleo la kujiamini. Zhang, Shi na Lu waligundua udhibiti wa hisia ukiwa na uhusiano chanya na motisha (r = 0.457) huku wasiwasi ukiwa na uhusiano hasi na vyote viwili — hoja ya kufundisha ujuzi wa udhibiti. Lakini katika mfano wa Duan et al. (2026), Uwezo Binafsi haikupunguza madhara kwa maamuzi ya kazi. Ustahimilivu kama "jiamini kwa nguvu zaidi" ndicho kilichoshindwa; ustahimilivu kama mazoezi, uzoefu wa umahiri na uwezo wa kubadilika kwa kazi ndicho masudio yanavyoelekeza.

"Hii itapita wanapozoea zana." Muda kwenye zana si mbinu: muda wa matumizi ya kila siku wa AI ulihusishwa kwa udhaifu tu na motisha (r = 0.053) katika utafiti wa wanafunzi 1,484, na Dağ et al. (2026) waligundua wasiwasi wa AI ukiendelea kutabiri wasiwasi wa kutafuta kazi baada ya kudhibiti sifa za kijamii na kiuchumi (β = 0.234, p < 0.001).

"Mimi ni mwalimu somo, si mshauri." Hautakiwi kumtibu mtu yeyote. Hatua tatu kati ya nne hapa ni za kufundisha — mazoezi ya hatua ndogo, tathmini ya maonyesho ya matokeo ya AI, marekebisho yanayosukumwa na maoni — na ya nne ni kujua njia ya rufaa. Gunduo moja linalozungumzia nafasi yako ni uhusiano wa mwalimu–mwanafunzi ukiwa wa pili katika uchanganuzi wa umuhimu wa kipengele wa Bashir na Afzal (10.0%), juu ya ubora wa usingizi (9.3%) na msaada wa kijamii (7.6%) — dhana, kama wanasema, lakini dau linalofaa kwa jukumu unalolitumia tayari.

Fanya hivi wiki hii

• Pima joto la kipindi kimoja cha darasa. Waulize wanafunzi, kwa maandishi, AI inamaanisha nini kwa kazi wanayolenga: unapata kiendeshaji kwa maneno yao wenyewe, na wanafunzi wanaostahili ufuatiliaji binafsi.
• Badilisha tumaini moja na hatua moja ya tathmini. Badilisha dakika tano za "itakuwa sawa" na kazi ambapo wanafunzi wanatathmini na kurekebisha matokeo ya AI — njia yenye uhusiano unaoweza kupimwa na wasiwasi mdogo.
• Peleka wasiwasi wa kazi kwa watu wanaoumiliki. Tambua mwasiliani wako wa huduma za kazi na njia ya rufaa sasa, ili mazungumzo yaishie na jina badala ya kutikisika bega.
• Andika matarajio yako ya matumizi ya AI — nini kinaruhusiwa, nini kinapaswa kufichuliwa, msaada upi upo — na yaseme kwa sauti. Msaada unaoonekana hutangulia tathmini zinazopendelea.
• Kabla ya kupitisha zana yoyote ya ustawi au inayogundua hisia, pata majibu yaliyoandikwa kuhusu uthibitishaji wa usahihi, jinsi ngazi ya msaada inavyamua, nini kinatokea kwenye ugawanyaji mbaya unaodhuru, jinsi maelezo yanavyohifadhiwa, na jinsi kupelekwa kwa ushauri wa binadamu kunavyofanya kazi. Bila majibu, bila utekelezaji.

Kwa picha inayozunguka, ona AI Inaathiri Wanafunzi Vipi? kuhusu athari ya jumla ya AI kwa wanafunzi na Nitabuni Upya Tathmini Vipi Ili Alama Bado Iniambie Kitu Kinachoweza Kutetelewa Kuhusu Anachojua au Anaweza Kufanya Mwanafunzi? kuhusu upande wa tathmini wa majibu ya taasisi.