AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

焦虑与压力

创建 2026-08-25 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

焦虑与压力 — AI 的整合可能在学生和教育者身上引发的负面情绪状态（担心被诬告、被监视带来的压力、对自身能力或诚信的忧虑），同时也包括 AI 用于识别、监测和缓解压力与焦虑的积极用途。这一概念属于更宽泛的幸福感（Well-Being）（幸福感）范畴，并与社会情感学习和情感计算相互重叠，但它特指 AI 教育研究如今直接考察的那个具体情绪构念——以及它既有害又富有生产性的两面性。

值得思考的问题

  • AI 焦虑并不是单一的东西——它涵盖监考压力、学习者情绪焦虑、职业恐惧，以及用 AI 来缓解压力。其中哪些你亲身感受过或亲眼见过，它们是否影响了你的学习或教学？
  • 一个常见的假设是焦虑总是不好的。但研究发现 AI 焦虑可能具有生产性——焦虑的学习者会更仔细地核查与修改。你能回忆起自己某次因焦虑而工作得更细致的经历吗？
  • 持续的监视以及对被误判的恐惧会推高考试焦虑并损害表现——而这种压力对不熟悉工具的学生和本就脆弱的学生最为沉重。这是一个公平性问题，还是仅仅是一个舒适度问题？
  • 职业焦虑——担心 AI 会取代自己或让自己的专业前景贬值——是面向未来的、身份层面的。这种恐惧在多大程度上影响着你、或你认识的学生与 AI 互动的方式？
  • 研究表明职业适应性与更低的 AI 焦虑相关，而自我效能感只能提供有限的缓冲。如果泛泛的信心并不足够，什么样的支持才能真正降低与职业相关的 AI 焦虑？
  • 教师群体对 GenAI 的焦虑可能与此前对计算器和搜索引擎的道德恐慌如出一辙。对一项新技术的担忧，何时是正当的关切，何时又只是一种反复出现的抗拒变革的模式？

引言

AI 焦虑不是单一的东西。它至少涵盖四个不同的方向，各自都有独立的证据基础：（1）AI 监考与诚信监控带来的压力，（2）作为学习者情绪的 AI 焦虑——它既可能是障碍，也可能是有生产性的信号，（3）与职业相关的 AI 焦虑——担心 AI 会取代自己的工作或让自己的专业前景贬值，以及（4）AI 作为识别和缓解压力与焦虑的工具。把这些方向全部辨认出来——包括那个挑战纯粹负面框架的"生产性焦虑"结论——正是这一概念区别于宽泛的幸福感（Well-Being）总类之处。

远程监考、错误指控与监控压力

AI 引发的压力中证据最充分、研究最透彻的来源是远程监考。持续的监视、对被误判的恐惧、以及被盯着看的压力会推高考试焦虑并损害表现。关键证据：

  • 自动监考综述记录了应试者的焦虑（尤其对不熟练使用在线工具的人）以及监考者与应试者之间的熟练度差距导致的舞弊错误指控——被 AI 误判作弊的急性压力。
  • 远程监考概念页详细说明了持续监视与对被误判的恐惧如何推高考试焦虑、以及焦虑的学生为何表现更差——这是一个公平与公正问题，而不只是舒适度问题。
  • 采用远程监考的机构必须把 AI 监控与可及的替代方案、清晰的沟通、对考试焦虑的支持配套使用，并把它与能减少监控的真实性评价方案加以权衡。

这一簇问题把 AI 焦虑连接到隐私、学术诚信和公平性：压力最沉重地落在不熟悉工具的学生和本就脆弱的学生身上。

压力来自持续的评价，而不仅来自监控。 一篇 2026 年的概念性文稿重访了 Mulvenon 的多利益相关者考试焦虑框架（Mulvenon 2026），主张压力源本身已经改变了形态：随着评价从偶发性的高风险测试转移到自适应与学习分析介导环境中持续的、数据丰富的互动，急性考试焦虑可能下降，而一种弥散的、持续的表现警觉——论文称之为"隐形焦虑"——会取而代之上升。它把"算法问责"（由即时性、可见性与数据永久性承载）指认为重新分配压力而非消除压力的机制，并提出了一个 AI 中介的多利益相关者焦虑模型，但该模型没有测量其中任何构念，因此这一再分配主张是从文献论证而来，而非实证证明。

作为学习者情绪的 AI 焦虑（障碍与信号）

除了监考之外，AI 的使用本身也制造焦虑——担心被取代、担心自己的作品是否"真的是自己的"、担心能力。关键在于，这种焦虑并非纯粹负面：

  • Kim（2026）发现AI 焦虑可以具有生产性：更高的 AI 焦虑与核查和修改行为正相关（β=.24, p<.01），而评价能力能预测积极的投入（β=.46, p<.001）。Kim 划分的四种调节类型（不加批判的依赖 18.7%、选择性整合 34.6%、评价性转化 31.8%、策略性拒绝 14.9%）表明，由焦虑驱动的审视可以把学生转化为更审慎、更自我调节的生成式 AI使用者，而不是被动的采用者。这把 AI 焦虑从障碍重新框定为一种潜在有用的信号，它鼓励更仔细的审视。

这一重新框定在口语层面有一个边界：在 708 名英语学习者中，口语焦虑与开口意愿的关系在口语自我效能感低时为 −0.371，在高时为 +0.137，只有 55 名被试（7.8%）高于上方的 Johnson–Neyman 阈值（Wang & Li（2026））。

  • 接纳研究表明焦虑塑造学习者是否采用 AI 工具，而教师教育研究把 AI 焦虑与动机和自我调节联系起来。

  • 披露困境。 在一项 409 名本科生的调查中，对教师的舒适感与被感知到的同伴披露——而不是道德脱离——是披露 GenAI 使用的最强预测因子，而不披露被读作对同伴规范和低解读信任的策略性适应，而非疏忽（Qu & Wang（2026））。

  • AIvaluate研究学生在 AI 中介的表现性评价期间的焦虑，显示评价焦虑持续存在，必须为此设计。

  • 道德恐慌与教育者焦虑：道德恐慌框架表明教师对 GenAI 的焦虑与此前的恐慌（计算器、搜索引擎）如出一辙——一种塑造课堂政策的教师侧压力反应。

  • 教师的"脆弱状态"与"卡住"感。Farazouli 等人（2026）直接捕捉到了 AI 焦虑的教育者一面：24 位瑞典大学教师把 GAI 的出现描述为令人震惊和难以承受，并报告了一种脆弱状态——由对 GAI 能力了解有限、接触有限、以及害怕"落在学生后面"所驱动的低信心、不安全感与不适。教师们感到"卡"在乌托邦与反乌托邦两种叙事之间，背负着被放大的对公平与质量的责任，并担心在评估可能由 AI（协同）产出的学生作业时显得无能。这把教师的 AI 焦虑框定为对角色重构的真实情绪与专业反应——而不只是抗拒——并主张支持教师的信心与幸福感，而不只是工具培训。

  • 开发者版本：冒名顶替感与伦理不适。 两所南非高校的教学开发者被期待体现机构对工具的十足信心，而这些工具的含义他们自己都还在摸索之中（"I feel like an impostor..."），同时还要在推广自己怀疑是否恰当的技术——论文把这种情感劳动视为构成性的，而非偶然的（Sithole, 2026）。

  • 预期性内疚：先于经历而来的痛苦。Vassallo（2026）调查了马耳他一所高校的教职员工（109 名受访者），发现对 AI 的内疚附着在对越界的恐惧之上，而非附着于其实际经历：AI 内疚指数（α = 0.88）最强的赞同来自担心 AI 使用会损害自己的可信度（34.9%）以及感觉自己像在作弊（25.7%），而使用之后的悔恨排在最末（9.2%）。悖论在于，少数未使用者的内疚（M = 3.25）高于任何一组使用者（M = 2.32）——因为回避者从未检验自己的恐惧，回避可以保存它本想阻止的痛苦。早期职业学者的内疚最高（M = 2.71），资深者最低（M = 2.03），且它与隐瞒而非诚实相关，与因不安而限制 AI 使用相关（r = .62）、与回避向同事披露相关（r = .50），但与正式的披露不相关（r = .08）。

  • 对专业价值丧失的恐惧，以及穿越它的一条路。Chick, Morello & Staffey（2026）记录了一种存在论层面而非技术层面的教育者焦虑。十位教师与职员进入一个为期六周的研修项目，把学术诚信列为首要关切（80%）、过度依赖次之（70%），并在早期把生成式 AI 描述为"作弊机器"、"威胁"或"去人性化的力量"；一位数学教授把身份威胁说得直截了当——"I spent years developing expertise in my field. Now a machine can solve problems faster and explain solutions better than I can. What's my value anymore?"结构化、安全的实验把用词推向"好奇的助手"和"有创造力的伙伴"，并留下 90% 的人报告正面看法；作者明确指出，他们所观察到的抗拒"并非源于技术恐惧症或顽固的传统主义，而是源于对教育质量、公平和人类能动性的正当关切"——这是对把教育者焦虑读作单纯道德恐慌的直接反驳。

机构支持是通过评价而非安慰来作用于焦虑的。 一项针对 547 名中国本科生的两波调查（Jiang, Chen & Chen, 2026）追溯了所感知的学校支持如何通过控制—价值评价——学习者对自身能力的感知（控制）和对工具有用性的感知（价值）——与 AI 学习焦虑关联。支持直接预测了更低的焦虑，但其关联的大部分流经评价而非绕开评价：经由 AI 学习自我效能感、经由感知有用性，以及一条自我效能感先滋养有用性、再进而降低焦虑的序列路径。一阶模型显示，支持的各个维度并非独立地起作用——只有信息支持保留了一条通往自我效能感的显著路径——而人工神经网络交叉验证把自我效能感与感知有用性列为焦虑最稳定的预测因子。其含义是：针对焦虑的机构鼓励只有改变了学生关于自身能力和工具有用性的信念，才会落地；泛泛的安慰不会改变生成焦虑的那些评价。

AI 也可以通过推进学习目标——而非通过安慰——来缓解学业焦虑：在一项 721 名医学学生的调查和一项 398 人参与的实验中，更高的感知助手能力预测了更大的学习目标进展，后者又预测了更低的学业焦虑和更好的心理健康（Chen 等人（2026））。

不过，能力并非完全的缓冲：在 551 名中国大一学生中，自报的 AI 使用压力削弱了 AI 熟练度与心理适应之间的联系，AI 熟练度到适应的斜率从低压力下的 0.42 降到高压力下的 0.20（Zhang & Yin（2026））。

从能力到焦虑的路径经由伦理，而且它会放大。 在一所没有 AI 素养课程、以法学为主的 584 名中国本科生中，AI 能力并未直接降低 AI 焦虑（β = 0.056, p = .362）。它提高了 AI 伦理意识（β = 0.644, p < .001），后者又反过来提高了焦虑（β = 0.439, p < .001）——只经由一条作者原本假设为保护性的路径的纯间接中介（Mu 等人（2026））。仅有 22.8% 的焦虑方差被解释。对同样构念的 ANN 把透明度列为学习焦虑和被取代焦虑两者的首位预测因子。 教师的预测作为 AI 焦虑的一种分布式形态。Watson & Rainie（2026）对 1,057 位美国高校教师的调查，把教育者焦虑登记为预期而非症状：95% 预期生成式 AI 会增加学生对工具的过度依赖，94% 预期学术诚信问题增多，90% 预期批判性思维削弱，83% 预期注意力持续时间缩短，81% 预期数字不平等扩大，而 39% 相信这些工具会削弱教师的角色，47% 担心其学科长期就业影响为负。同一些受访者并非一律悲观——61% 仍预期学习得到改善和定制——但 73% 亲身处理过一起涉及学生生成式 AI 使用的学术诚信案件，这正是预测转化为工作量的地方。该报告明确声明为非科学样本、不具推广性，因此它记录的是行业所表达的恐惧，而非被测量的效应。

这一方向把 AI 焦虑连接到动机、AI 素养、学生体验和自我调节学习。

与职业相关的 AI 焦虑

一个独立且日益受到研究的维度是职业焦虑——担心 AI 取代工作、削弱就业能力，或让自己的专业前景贬值。监考焦虑是情境性的，学习者情绪焦虑关乎任务中的能力，而职业焦虑是面向未来的、身份层面的，且与职业发展与就绪度紧密相连。AI Anxiety 综合分析把被 AI 取代的恐惧列为 AI 焦虑的首要贡献因素，其后是失控的 AI 增长、隐私、错误信息与偏见。一个不断增长的实证文献正在量化这种恐惧如何影响学生：

  • 职业适应性是一个保护性因素。Wang（2026）表明，职业适应能力显著且负向地预测英语专业学生的 AI 焦虑，其中核心自我评价起部分中介作用；低适应性组的 AI 焦虑最高。

  • 威胁与有利评价在同一剖面中共现。Song 等人（2026）发现一个组在全部六项指标上同时高于样本均值——AI 使用焦虑 1.521、STARA 觉察 0.951，同时感知质量 1.753——因此高焦虑并未意味着对技术的负面评价。

  • AI 焦虑损害职业决策。Duan 等人用结构方程模型表明，AI 焦虑直接且负向地预测职业决策，且很大程度上是通过削弱职业适应性实现的（占总效应的 63.35%）；自我效能只能提供有限的缓冲。

  • 成长型思维限制了威胁到就业能力的路径。 在 526 名中国本科生中，AI 就业威胁感知部分通过降低感知就业能力来预测更高的职业决策焦虑，而威胁到就业能力的联系只在低成长型思维时成立（b = −0.229），在高成长型思维时不成立（b = −0.013）（Chen（2026））。

  • AI 焦虑在大规模上预测求职焦虑。Üstün & Danacıoğlu（1,057 名学生）与Dağ 等人（821 名健康科学学生）发现，AI 焦虑与负面的 AI 态度预测求职焦虑，其中女性、社会科学专业学生和低收入学生受影响最大。

**实践含义：**建设职业准备度——适应性、核心自我评价，以及雇主看重的 AI 技能——是降低职业相关 AI 焦虑的一条经验证的干预手段，比单纯的泛化自我效能更有效。机构应当把AI 素养和职业规划支持普遍化，并应对职业焦虑的公平分布格局。

AI 用于识别和缓解压力与焦虑

积极的一面：AI 系统正日益识别并帮助缓解压力与焦虑。

  • AI 校园幸福工具横跨预防（改进反馈收集）与干预（推进心理健康识别）。
  • 情感文本 + 可穿戴感知（一项为期一年、458 名学生佩戴 Oura 戒指的研究）表明，超简短的自然情境文本可以补充可穿戴生理感知，用于纵向的学生健康监测——一条具体的 AI 赋能压力识别路径。
  • 这与情感计算和情感辅导相关，在那里 AI 读取并回应情绪状态。
  • 模型看重哪些压力源——以及语境为何重要。Bashir 与 Afzal（2026）提供了一个机器学习窗口，观察在非西方语境中究竟是哪些压力源真正驱动学生的痛苦。对 1,100 份调查回答的特征重要性分析把血压排在首位（15.6%）、师生关系第二（10.0%）——高于睡眠质量（9.3%）、抑郁（8.3%）和社会支持（7.6%）——而焦虑水平排在第九位（4.8%），作者把这读作学生压力是多维的、而非由单一心理指标驱动的证据。他们把师生关系的突出性归因于巴基斯坦相对等级化的教育环境，并把它作为本地采集数据的一个假设呈现，强调压力模型及其特征权重依赖语境，不能被假定可以跨学生群体迁移。
  • 教师侧的实时干预。Parlant 的实践指南为这些 AI 工具补上了一个人类对应物：情绪微干预——简短、刻意的口头或手势行动，它们肯定学生正在涌现的情绪、重构情绪背后的评价、并把挣扎重新连接到专业身份（肯定、重构、连接）。该方法以认知评价理论为基础，在学生即将因痛苦而退出参与的时刻，针对初级评价（"这是威胁吗？"）和次级评价（"我应对得了吗？"），把沮丧、孤立和冒名顶替感等瓶颈与目标状态配对。其作者坦率地指出，该框架并不需要 AI；生成式 AI只是教师筛选候选措辞时一种可选的起草方式。

为何这有别于幸福感

幸福感（Well-Being）是 AI 可以支持或损害的那种宽泛的正面状态（情绪、心理、社会健康）。AI 焦虑与压力是这一空间内具体的、可测量的情绪构念——它指认离散的负面情绪及其生产性用途，并拥有自己专属的证据基础（监考压力、生产性 AI 焦虑、AI 驱动的压力识别）。本页并不与幸福感争锋，而是把焦虑/压力维度展开深化，并与幸福感（Well-Being）、社会情感学习、情感计算和远程监考大量交叉链接。

实践指引

  • 为焦虑而设计，而不只为诚信设计。 监考与 AI 监控系统应把错误指控和监控压力降到最低，尤其对新手和脆弱的学生；监控应与可及的替代方案和清晰的沟通配套。
  • 利用生产性焦虑。 除了降低 AI 焦虑，还应支持那些焦虑但投入的学生已经展现出的核查、修改与自我教育中的人工智能监管行为。
  • 用 AI 识别和缓解压力——经由情感计算、可穿戴设备和校园幸福工具——同时守住隐私。
  • 在 AI 的采用与政策中考虑教育者焦虑，而不只考虑学生体验。

关联概念

关联文章

相关常见问题

元数据

层次Adult Learning
目标读者Learners
学习与教学社会情感学习, 幸福感（Well-Being）
技术与方法情感计算
评估与测量远程监考
教育中的人工智能基础学术诚信
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。