人工智能如何影响学生的焦虑与幸福感，我们又能做什么？

本页是英文页面的机器翻译，尚未经母语者审校。

你很可能正处在的情境。 一名学生在答疑时间或在入学登记表上告诉你，读完这个学位似乎已不值得，因为人工智能已经能做他们正在为之受训的那份工作。另一个学生变得沉默，交上来的东西更少，也不再提问。你想帮忙，却拿不准这需要转介还是需要一套策略，而你只有十分钟来做决定。

要点。 人工智能焦虑是一种可测量的情绪反应，它的多数驱动因素在于职业与能力，而不在于技术本身，而空洞的安慰改变不了它。能改变它的是掌握性体验、让人相信与人工智能相关的工作值得投入的证据，以及真正的职业适应性。少数学生需要的是转介而不是策略，而关于这条界线，证据告诉你的比你所希望的少。

本页是什么。 这是给实践者的页面：该做什么。对这种情绪本身的概念性讨论，包括监考压力、焦虑的建设性一面、教育者焦虑，见Anxiety and Stress；跨情绪、心理与社会维度的积极状态框架，见Well-Being。

简版要点

• 在回应之前先弄清驱动因素。 职业恐惧与能力怀疑需要不同的答案；它们承载了与焦虑相关的大部分关联。
• 不要一上来就安慰。 不改变学生对自己能力看法的鼓励，不会改变这种情绪。
• 教他们审视，而不是回避。 学会评价人工智能输出的焦虑学生，会变成有意识的用户，而不是回避它的用户。
• 建立职业适应性，而不只是信心。 在检验它的那项研究中，单靠自我信念并没有缓冲职业上的伤害。
• 在你需要之前就弄清转介路径， 并留意对学位的绝望感，而不只是对工具的挫败感。
• 把机构预期讲具体， 并且绝不部署一款你无法用一句话解释其错误处理、数据存储与升级路径的幸福感工具。

要留意什么：普通的适应，还是需要更多支持的情况

Kim 等人把人工智能焦虑定义为由人工智能加速发展所产生的忧虑或恐惧，把它与更早的自动化焦虑区分开来，因为人工智能威胁的是认知与专业角色而不是体力任务，并把对被人工智能取代的恐惧列为其首要来源，而人工智能不受约束的增长、Privacy担忧、人工智能生成的错误信息与人工智能偏见则是次要成因。把它对照你所看到的：担心被取代的学生，担心的是自己即将进入的劳动力市场，而不是你上周演示的那个工具。

这也是为什么职业与就业市场焦虑是证据最充分的来源。Üstün 与 Danacıoğlu（2026）调查了 35 所土耳其大学的 1,057 名学生：更高的人工智能焦虑与更负面的 AI 态度伴随更高的毕业后求职焦虑，其中女性、社会科学专业与二年级学生报告的焦虑更高。Dağ 等人（2026）在 821 名健康科学学生中发现，人工智能焦虑与求职焦虑之间存在中等程度的正相关（r = 0.233，p < 0.001），在控制社会人口学变量之后，人工智能焦虑仍是显著的预测因子（β = 0.234，p < 0.001）。Duan 等人（2026）把这一点推进到后果层面：在一项针对 315 名中国大学生的结构方程模型中，人工智能焦虑直接预测了更差的职业决策，也通过削弱职业适应性产生间接影响，这条中介路径占总效应的 63.35%；他们的调节检验发现Self-Efficacy并没有缓冲这种伤害。

普通的适应听起来像*“我还没学会怎么用好它。”* 当它听起来像*“我读完这个学位根本没有意义”*时，当学生不是抱怨而是退出时，或者当这份担忧只能独自承担、因为说出来像是承认软弱时，就该采取行动：这正是Bashir 与 Afzal（2026）为巴基斯坦大学生描述的、由污名驱动的披露模式。

课堂上该做什么

能力方面的担忧通过评价起作用，而不是通过安慰。 一项针对 547 名中国本科生的两轮调查在控制-价值理论框架内对人工智能学习焦虑建模（Jiang、Chen 与 Chen，2026）：焦虑由两种评价产生，一是学生是否觉得自己有能力应对与人工智能相关的学习任务（控制，以人工智能学习自我效能感测量），二是他们是否认为人工智能对学业有用（价值，通过感知有用性这一构念）。自我效能感与焦虑的负向关联更强，并且也预测了感知有用性；即便把这两种评价都纳入模型，感知到的学校支持仍与更低的焦虑相关，但经由这两种评价的间接路径承载了其中大部分关联，只剩大约三分之一是直接联系。分开建模时，只有信息性支持保留了通往自我效能感的可靠路径，这也是人工智能素养培训、负责任使用指南与可获取的技术支持之所以重要的原因。

设计由此而来：给学生掌握性体验，以及人工智能值得投入的具体证据，例如低风险的练习、有引导的人工智能输出评价、由反馈驱动的修改；并提供信息性的支持，而不是纯粹的安慰。感知到的支持先于有利的评价。

教他们审视，而不是回避。 焦虑与投入可以同向变动，这会改变你的做法。在一项对 107 名学生的调查中，Kim（2026）发现更高的人工智能焦虑与核实和修改行为正相关（β = .24，p < .01），评价能力则预测主动投入（β = .46，p < .001），并把学生分成四种调节类型：不加批判的依赖（18.7%）、选择性整合（34.6%）、评价性转化（31.8%）与策略性拒绝（14.9%）。这一含义与把降低焦虑当作目标是相反的：教授审视与评价性判断，会把焦虑的学生变成更有意识的生成式人工智能使用者，而不是更回避它的使用者，这也把本页与教学生核实人工智能输出以及AI Literacy连接起来。

建立职业适应性，而不只是信心。 Duan 等人（2026）的结论是，职业适应性是关键的保护机制，并建议在产教融合之外普及人工智能素养与职业规划课程。Dağ 等人（2026）从健康科学得出同样的结论：强化项目，再加上人工智能素养与职业咨询，因为人工智能焦虑塑造的是学生的职业未来，而不是他们对某个工具的态度。

把人工智能教学与情绪调节和元认知支持配对。 Zhang、Shi 与 Lu（2026）主张，维持动机靠的是降低人工智能焦虑而不是扩大工具的可及性，并建议把情绪调节与元认知支持纳入人工智能素养教育，并做有性别意识的差异化处理，同时指出他们的设计无法证明因果关系。

要审慎决定是否使用幸福感工具。 Bashir 与 Afzal（2026）用 20 个特征、1,100 份调查回答训练了一个随机森林压力分类器，在三个严重程度上达到 89.09% 的准确率，并配有英语、乌尔都语与罗马化乌尔都语的分级阶梯式照护对话层。他们的特征重要性分析把血压排在第一位（15.6%），师生关系排在第二位（10.0%），焦虑水平排在第九（4.8%）：作者认为，这证明学生的痛苦是多维的，而不是由单一指标驱动的。注意他们承认了什么：由训练好的分类器决定支持层级，因此发生有害的误分类时该怎么办、披露内容如何存储、适用哪些Privacy保护，以及如何升级到人工咨询，全都留而未决；人工监督与自动鼓励之间的界线仍是一个设计问题，而该系统也并未被描述为临床或治疗性质的。

该说什么，不该说什么

不要说：

• “人工智能其实做不了你的工作。” 你可能说错了，而且学生已经检验过这一点。
• “每个人都有这种感觉。” 这话没错却无用；它把一个具体的恐惧变成了泛泛的说法。
• “你只要学会正确使用它就行。” 这会把一份职业担忧变成对你能力的判定，而恰恰是这种评价在驱动焦虑。
• “一切都会好的。” 这是一个你无法支撑的预测，也是一个他们无法据以行动的计划。
• “你需要更有韧性。” 单靠自我信念并没有缓冲职业上的伤害；参见下面的反对意见。

要说：

• 把驱动因素说出来：“让我担心的不是你用不了这个工具，而是你不知道它对那份工作意味着什么。这是两回事，我两样都能帮。”
• 把工具与人分开：能力是被建立起来的，不是天生拥有的。
• 明确说出你对人工智能使用的预期。沉默在一些学生那里读作禁止，在另一些学生那里读作放任。
• 留意你的差异化：在 Zhang、Shi 与 Lu 的数据中，性别调节了调节策略与动机之间的关联，在男生中更强，所以同一套话术在不同群体里不会以同样的方式落地。

何时转介

当这份担忧不再关乎一个工具，而开始关乎学生的自我价值、他们在项目中的位置或他们的未来时，就该转介：对完成学业的绝望、从学业和人际中退出、表示看不到任何职业前途。任何暗示安全风险的情况都需要立即转介，属于你所在机构规程处理的事项，而不是你独自应对的一次谈话。

职业焦虑属于职业服务，因为它是一个咨询问题，而不是士气问题，而Duan 等人（2026）发现单靠自我效能感并不能缓冲对职业决策的损害。证据指向的层级是机构：Dağ 等人（2026）建议把人工智能素养与职业咨询同强化项目结合起来，而不是用其中一个代替另一个。而你手上有一样转介表没有的杠杆：Bashir 与 Afzal（2026）在他们的特征重要性分析中把师生关系排在第二位（10.0%），高于睡眠质量（9.3%）、抑郁（8.3%）与社会支持（7.6%）。作者把它当作一个需要收集本地数据来检验的假设，但这足以成为理由，让学生知道你是通往帮助的一条路径。

不要因为一款面向学生的人工智能工具随时可用，就把一个情绪困扰的学生转介给它。这类系统对那些不愿向父母、老师或同伴提起困扰的学生有吸引力，这正是Bashir 与 Afzal（2026）描述的披露模式；但那个对话层是用模拟输入与非正式可用性测试来检查的，并未就文化适切性、情绪安全或满意度与学生一起评估过，而且它完全没有学生结果数据。

证据实际显示了什么，又在哪里止步

这里关于人工智能焦虑本身的内容几乎都是相关性的。那几项职业焦虑研究都是横断面调查（Üstün 与 Danacıoğlu，2026；Dağ 等人，2026；Duan 等人，2026），而动机那项研究也是横断面且自我报告的（Zhang、Shi 与 Lu，2026）。

每一项都附上其局限：

• 动机。 在一项对 1,484 名中国本科生的调查中，Zhang、Shi 与 Lu（2026）发现人工智能焦虑与情绪调节（r = −0.172）和学业Motivation（r = −0.175）负相关，而情绪调节与动机正相关（r = 0.457），全部 p < 0.001；自助法分析确认了一条经情绪调节的、从焦虑到动机的负向间接路径（间接效应 = −0.076，95% CI −0.108 至 −0.047），而直接路径仍然显著。每日人工智能使用时长与动机只有弱相关（r = 0.053），这提醒人们不要把花在工具上的时间读成投入的质量。
• 评价。 那项学校支持研究把预测变量与结果变量相隔约六周，但其作者指出该设计仍属横断面，无法确立因果方向、时间先后或因果中介；样本为便利抽样，偏向 STEAM 专业，采用自我报告测量，而且焦虑总体偏低、变异有限，这可能压低了估计值（Jiang、Chen 与 Chen，2026）。
• 工具。 一篇关于人工智能驱动的校园幸福感工具的学位论文（Tang，2026）报告说，一个调查式聊天机器人（TigerGPT）达到 75% 的可用性与 81% 的满意度，一个自适应追问框架（AURA）通过使用强化学习来选择是确认、细化、反映还是追问，带来了 +0.12 的平均质量提升（p = 0.044，d = 0.66）；此外还有一个以 DSM-5 和 PHQ-8 指南为依据、而非黑箱分类的心理健康评估组件，以及一套据称能降低幻觉风险并在 DAIC-WOZ Benchmark上优于单一模型的多模型堆叠架构。这些都是系统开发结果：它们测量的是工具是否按设计工作，而不是学生的Well-Being是否改善。89.09% 的准确率来自单次留出划分；训练数据不能代表巴基斯坦学生；系统的核心是英语，乌尔都语表达靠提示生成；而那个对话层没有结果数据。

诚实地阅读这份语料：人工智能焦虑的来源与机制有可测量的支持，而上面的百分比与相关系数都是关联，不是已被证明的干预效果。这里没有任何研究把学生随机分配到某种支持条件并随后测量焦虑，因此针对任何具体做法的降低焦虑主张，包括本页推荐的这些，仍未经过检验。证据所许可的是工作方向，而不是一个有承诺的效应量。

围绕人工智能与社会情感学习的政策环境，比部署的雄心要单薄。Tran、Liu 与 Nguyen（2026）综述了 AI 与 SEL 交叉领域的 65 篇同行评议论文：近四分之三完全没有提及政策意涵，只有大约四分之一给出了任何政策建议，而给出针对具体行动者指引的、涉及Privacy、教师培训或资源配置的更是少数。他们的“WH”框架追问：谁应当行动、推荐什么行动、为什么、何时、何地，以及表述的力度有多强，而这些大多是论文没有回答的问题。政策参与度与发表场所相关，综述者把这读作一种激励机制：它青睐技术新颖性而轻视AI Governance，并制造出一种“技术解决方案主义陷阱”，即把技术潜力置于前景，却不说明负责任使用的条件。因此就公平而言，看似可行的人工智能社会情感学习工具可能在缺乏保障措施的情况下被部署，而这些保障，包括隐私、教师准备与资源公平，本是采纳所必需的。

你会听到的反对意见

“他们需要学的是韧性，而不是被照顾。” 部分正确，但不是在那种自信的版本里。Zhang、Shi 与 Lu 发现情绪调节与动机正相关（r = 0.457），而焦虑与两者都负相关，这是教授调节技能的理由。但在Duan 等人（2026）的模型中，Self-Efficacy并没有缓冲对职业决策的伤害。作为“更用力地相信自己”的韧性，正是失败的那种；而作为演练、掌握性体验与职业适应性的韧性，才是这些研究指向的东西。

“等学生用惯了这些工具，这就会过去。” 花在工具上的时间不是机制：在 1,484 名学生的调查中，每日人工智能使用时长与动机只有弱相关（r = 0.053），而Dağ 等人（2026）发现在控制社会人口学变量之后，人工智能焦虑仍能预测求职焦虑（β = 0.234，p < 0.001）。

“我是学科教师，不是咨询师。” 没有人要求你治疗谁。这里的四个做法里有三个是教学性的：低风险练习、有引导的人工智能输出评价、由反馈驱动的修改；第四个是知道转介路径。唯一与你位置直接相关的那项发现，是师生关系在 Bashir 与 Afzal 的特征重要性分析中排在第二位（10.0%），高于睡眠质量（9.3%）与社会支持（7.6%）：他们说这是个假设，但对于你已经占据的角色来说，这是一个合理的下注。

本周该做的

• 给一节课把把脉。 用书面方式问学生，人工智能对他们所瞄准的那份工作意味着什么：你能拿到用他们自己的话说的驱动因素，也能找出值得私下跟进的学生。
• 用一次评价动作替换一次安慰。 把五分钟的“你会没事的”换成一项让学生评价并纠正人工智能输出的任务，这是与更低焦虑有可测量关联的那条路径。
• 把职业担忧转给真正负责的人。 现在就找出你的职业服务联系人与转介路径，让谈话以一个名字结束，而不是以一句耸肩结束。
• 把你的 AI 使用预期写下来：什么被允许、什么必须披露、有什么支持存在，然后把它说出来。感知到的支持先于有利的评价。
• 在采纳任何幸福感或情感感知工具之前， 拿到关于准确率验证、支持层级如何决定、发生有害误分类时怎么办、披露内容如何存储、以及如何升级到人工咨询的书面答复。没有答复，就不部署。

关于更外围的图景，人工智能对学生的一般影响参见人工智能正在如何影响学生？，机构应对的评价一侧参见我该如何重新设计评价，使成绩仍然能够可靠地说明学生知道什么、能做什么？。