问答
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。
一个学生下课后留了下来，告诉你这张学位读下去好像不值得了，因为 AI 已经能做他正在为之受训的那份工作。另一个学生这学期安静了下去：交的东西少了，不问问题，研讨课上也感觉不到他在场。你下一节课还有十分钟，而你没把握这究竟需要一个策略，还是需要一次转介。
给同事的说法是：推动 AI 焦虑的东西大部分在职业和能力，而不在技术本身，而安慰这两样都动不了。掌握体验、证明与 AI 相关的工作值得付出，以及生涯适应力，才是这些研究指向的东西。少数学生需要的是转介而不是策略，而这条线该划在哪里，证据比你希望的要薄。
简版要点
1. 先弄清你面对的是哪一种恐惧。对职业的恐惧和对能力的怀疑需要不同的回答，而焦虑的关联大部分就落在这两者上。
2. 不要一上来就安慰。如果鼓励没有改变学生对自己能力的判断，它就动不了那份情绪。
3. 给他们一个能成功的任务，再给一个必须批判的任务。低风险练习加上对 AI 输出的有引导评估，其证据基础好过一场关于未来工作的谈话。
4. 把工作的问题放进课程里。生涯适应力是这里最强的那项研究识别出的机制，而“相信自己”并不能替代它。
5. 在谈话开始之前就清楚你的转介路径，并把“对学位感到无望”当作信号，而不是“对某个工具的烦躁”。
6. 如果有人提议上马一个幸福感工具，先问它出错时会怎样，在得到答案之前不要部署。
先给恐惧命名，再回答它
Kim 等 把 AI 焦虑定义为由 AI 加速发展所引起的忧虑或恐惧。他们把它与更早的自动化焦虑区分开，因为 AI 威胁的是认知性和专业性的角色，而不是体力任务；他们把“被 AI 取代的恐惧”列为首要成因，把 AI 的无序增长、隐私 顾虑、AI 生成的错误信息以及 AI 偏见列为次要成因。拿这个去对照你面前的学生：那个担心被取代的人，担心的是他即将进入的劳动力市场，而不是你上周演示的那个工具。
职业担忧是这方面证据最好的一版。Üstün 和 Danacıoğlu（2026） 调查了 35 所土耳其大学的 1,057 名学生，发现更高的 AI 焦虑和对 AI 更消极的态度伴随着更高的毕业后求职焦虑。女生、社会科学专业和二年级学生报告得更多。Dağ 等（2026） 在 821 名健康科学专业学生中发现 AI 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，AI 焦虑仍是显著的预测因子（β = 0.234，p < 0.001）。Duan 等（2026） 把这个问题一直追到后果：在针对 315 名中国大学生的结构方程模型中，AI 焦虑既直接预测更差的职业决策，也通过削弱生涯适应力间接预测，而这条中介路径占总效应的 63.35%。
普通的适应听起来像是学生说自己还不知道怎么用好它。当它听起来像是“读完也没意义”时，当学生不是抱怨而是退缩时，或者当这份担忧被独自扛着、因为说出来像是承认软弱时，你就该坐直了。最后这一种模式，正是 Bashir 和 Afzal（2026） 在巴基斯坦大学生中描述的情形：袒露是要付出污名代价的。
用一件他们能做成的事替换安慰
一项针对 547 名中国本科生的两波调查，把AI 学习焦虑放进了控制—价值理论之中（Jiang、Chen 和 Chen，2026）。按这一解释，焦虑来自两种评估。一种是学生是否觉得自己应付得了与 AI 相关的学习任务，以 AI 学习自我效能来测量。另一种是他们是否认为 AI 对学业有用，通过感知有用性这一构念测量。自我效能与焦虑的负向关联更强，同时也预测感知有用性。即使两种评估都放进模型，感知到的学校支持仍与更低的焦虑相关，但这层关联大部分经由它们起作用，只留下大约三分之一作为直接的连系。分开建模时，只有信息性支持保留了通往自我效能的一条可靠路径——而这正是AI 素养培训、负责任使用指南和够得着的技术支持的价值所在。
随之而来的教学法并不光鲜。建设掌握体验：低风险练习、对 AI 输出的有引导评估、由反馈驱动的修改。给学生具体的证据，说明与 AI 相关的工作值得付出，因为价值是第二种评估，而它随经验变化，不随论证变化。让你的支持是信息性的——回答“这东西怎么运作”这类问题的那种——而不是纯粹的安慰。
这套组合，文献里没有人拿它做过对照检验。这条建议是从评估模型推出来的，作者也明确说他们的设计无法确立因果方向、时间先后或因果中介。样本是便利抽样，偏向 STEAM 专业，用自我报告测量，而且焦虑总体偏低、变异有限，这可能压平了估计值。把方向当作有依据的，把效应量当作未知的。
教审察，并预期投入会随之上升
焦虑和投入可以同向变化，这会改变你想做的事。在一项 107 名学生的调查中，Kim（2026） 发现更高的 AI 焦虑与核验和修改行为正相关（β = .24，p < .01），而评估能力预测主动投入（β = .46，p < .001）。学生被分成四种调节类型：不加批判的依赖（18.7%）、选择性整合（34.6%）、评估性转化（31.8%）、策略性拒用（14.9%）。
如果焦虑可以与更谨慎的行为并存，那么把这份感受降下来就是错误的目标。教审察和评估性判断，会把一个焦虑的学生变成一个审慎的生成式 AI使用者，而不是一个回避的使用者。这个习惯正是教学生核查 AI 输出那一页的主题，而 AI 素养 是它所在的那个更大的框架。
把职业问题放到台面上
Duan 等（2026） 的结论是，生涯适应力是关键的保护机制，他们建议在产业与教育融合之外，把 AI 素养课程和生涯规划课程普遍化。Dağ 等（2026） 从健康科学一侧走到同一个地方：强化专业课程，加上 AI 素养和职业咨询，因为 AI 焦虑塑造的是学生的职业未来，而不是他们对某个工具的看法。两项发现都不来自干预研究，所以你手上是一个论证充分的目标，而不是一个被检验过的方案。
另一个有证据的杠杆是情绪调节。在一项 1,484 名中国本科生的调查中，Zhang、Shi 和 Lu（2026） 发现 AI 焦虑与情绪调节（r = -0.172）和学业动机（r = -0.175）呈负相关，而情绪调节与动机呈正相关（r = 0.457），所有 p < 0.001。Bootstrap 分析确认了一条从焦虑经情绪调节到动机的负向间接路径（间接效应 = -0.076，95% CI -0.108 到 -0.047），而直接路径仍然显著。每日 AI 使用时长与动机只有微弱相关（r = 0.053），这反对把“花在工具上的时间”读作投入的质量。他们的建议是把情绪调节和元认知支持建进 AI 素养教育，并注意性别差异，因为在他们数据里“调节—动机”这条链在男生中更强。
具体做法可以是：在一项有评分的 AI 辅助任务前后各写一小段反思，或者就“如果他想做的那个角色变了，他会怎么办”做一次简短的结构化谈话。两者都很便宜。两者都没有作为焦虑干预被检验过，而 Zhang、Shi 和 Lu 的设计是横断面的、自我报告的，所以无法显示因果。
说清什么被允许，以及帮助在哪里
对 AI 的沉默，在一些学生那里被读成禁止，在另一些学生那里被读成放任，而这两种读法都会加剧上面的评估问题。把期待写下来：什么被允许、什么必须申报、当学生在工具上遇到困难时有什么支持。也要在课上把它们说出来。感知到的支持先于有利的评估，而这是你所能控制的最便宜的一种支持。
当担忧已经不再是关于某个工具，而是关于学生的自我价值、他在项目中的位置或他的未来时，就该转介：对读完感到无望、从学业和人际中退缩、说自己看不到职业前景。任何提示安全风险的情况，都按你所在机构的规程立即转介，而不是由你独自处理的一场谈话。
职业焦虑属于就业服务，因为它是咨询事务，不是士气问题；而 Duan 等（2026） 发现，单靠自我效能并不能缓冲对职业决策的损害。机构是证据所指的层面，Dağ 等（2026） 建议把 AI 素养和职业咨询与强化专业课程一并推进。如果你看到的是学生因残障或可及性需求而无法使用必修工具，那属于贵校负责便利安排的那个办公室，是与本页不同的一场谈话。
你还握着一个转介表上没有的杠杆。Bashir 和 Afzal（2026） 在他们的特征重要性分析中把师生关系排在第 2 位（10.0%），排在睡眠质量（9.3%）、抑郁（8.3%）和社会支持（7.6%）之前。作者把它作为一个需要本地数据检验的假设提出。这仍然是一个理由，让你确保学生知道你是通往帮助的一条路。
决定幸福感工具是否该出现在这里
一个面向学生的聊天机器人，最能吸引的恰恰是那些不会向父母、老师或同伴提起痛苦的学生，而这正是 Bashir 和 Afzal（2026） 描述的袒露模式。他们的系统在 1,100 份问卷、20 个特征上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，并配有一层分级的阶梯式照护（Stepped Care）对话层，支持英语、乌尔都语和罗马化乌尔都语。他们的特征重要性分析把血压排在第 1 位（15.6%）、师生关系第 2 位（10.0%），焦虑水平第 9 位（4.8%），他们把这读作学生痛苦是多维的证据。
他们承认的那些事，比准确率数字更重要。由一个训练好的分类器决定支持层级，而有害的误分类发生时怎么办、袒露的信息如何存储、适用哪些隐私保护、如何升级到人工咨询，全都悬而未决。人类监督与自动化鼓励之间的边界仍是一个设计问题。这个系统并未被呈现为临床或治疗性的，对话层是用模拟输入和非正式可用性测试检验的，而不是用学生，检验的也不是文化适当性、情绪安全或满意度。完全没有学生结果数据。
同样的模式也出现在更广的工具文献里。一篇关于 AI 驱动的校园幸福感工具的学位论文（Tang，2026）报告说，一个调查聊天机器人（TigerGPT）达到 75% 的可用性和 81% 的满意度；一个自适应跟进框架（AURA）用强化学习来决定该确认、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）。论文还描述了一个以 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，以及一个声称能降低幻觉风险、在 DAIC-WOZ 基准上胜过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做到了它被设计来做的事，而不是学生的幸福感是否改善。那个 89.09% 来自单次留出切分，训练数据对巴基斯坦学生并不具代表性，系统以英语构建、乌尔都语表达靠提示生成。
设定课程设不了的那些条件
上面那些课堂动作需要机构层面的掩护，而围绕 AI 与社会情感学习的政策文献，比部署的雄心要薄。Tran、Liu 和 Nguyen（2026） 综述了 AI 与 SEL 交叉领域的 65 篇同行评审论文：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，很少有针对具体行动者的隐私、教师培训或资源分配指导。他们的 WH 框架追问：谁该行动、建议什么行动、为什么、何时、何地、论述强度如何——而多数论文让这些问题悬空。政策参与度与发表渠道相关，综述者把这读作一种偏向技术新颖性、而非治理的激励结构，并把这个结果称为技术解决主义陷阱：技术潜力被推到前台，而负责任使用的条件留空。对公平而言，这意味着看似可行的“AI 用于 SEL”工具，可以在缺少采用本应具备的隐私保障、教师准备和资源公平的情况下被采纳。
如果你处在做这些决策的层级，那个实际问题与课堂问的是同一个：工具出错时谁负责、学生袒露的内容会怎样、谁受过读这些输出的训练。
教师和管理者容易搞错的地方
AI 焦虑其实是对新技术的不适，会随着熟悉而消退。这些研究里的驱动因素是职业和能力的评估：对被取代的恐惧排在首位，而且在控制社会人口学变量之后，AI 焦虑仍然预测求职焦虑。每日使用时长与动机的相关只有 r = 0.053，所以和工具待在一起的时间说明不了动机。
安慰就是支持。鼓励瞄准的是感受，而评估模型说感受位于能力和价值判断的下游。在 Jiang、Chen 和 Chen 的模型里，信息性支持是唯一保留了通往自我效能可靠路径的支持类型。
目标是把焦虑降下来。Kim（2026）发现焦虑与核验和修改正相关，而评估能力预测投入。一个更平静、却接受第一版输出的学生，并没有得到帮助。
自信能保护学生免受职业上的损害。在 Duan 等的模型里，自我效能并没有起到缓冲作用。承担中介路径的是生涯适应力。
这是学生事务部门的问题。本页的大多数动作都是教学性的：低风险练习、对 AI 输出的有引导评估、由反馈驱动的修改，以及一份学生读得到的期待说明。知道转介路径只是其中一项。
幸福感聊天机器人是咨询能力不足时的可规模化答案。可用性是真的，吸引力也可以理解。单次留出切分上的准确率，不是“一个痛苦的学生因此过得更好”的证据，而误分类、存储和升级这些问题，在这里引用的工作中都没有公开答案。
你会听到的反对意见
“他们需要学会韧性，而不是被照顾。” 有一部分对，但自信的那个版本把机制搞错了。Zhang、Shi 和 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，这是支持教调节的论据。但“韧性＝更用力地相信自己”正是 Duan 等的中介检验里失败的那个东西。作为排演、掌握体验和生涯适应力的韧性，才是这些研究指向的；而这些都还没有作为一个方案被检验过。
“等学生用惯了工具，这自然就过去了。” 花在工具上的时间不是机制。在 1,484 名学生的调查中，每日 AI 使用时长与动机只有微弱相关（r = 0.053）；而 Dağ 等（2026） 发现，在控制社会人口学变量后 AI 焦虑仍预测求职焦虑（β = 0.234，p < 0.001）。
“我是学科教师，不是咨询师。” 没有人要你去治疗谁。低风险练习、一次批判任务、一个修改循环，都是寻常的教学动作。唯一与你的位置有关的发现，是师生关系在 Bashir 和 Afzal 的特征重要性分析中排第 2 位（10.0%），高于睡眠质量（9.3%）和社会支持（7.6%）。作者称其为假设，而对于一个你已经占据的角色，这是个合理的赌注。
“我们没有咨询能力，有工具总比没有强。” 也许，而本页无法裁决这一点。你能坚持的是：在部署之前拿到关于准确率验证、支持层级如何决定、有害误分类时怎么办、袒露如何存储、如何升级到人工的书面答案。没有答案，就不部署。一个向工具袒露、却被它归错类的学生，可能不会再袒露第二次。
“如果我在课上谈职业前景，就越出我的学科了。” 另一种选择是，学生自己从劳动力市场和彼此之间拼出答案。Duan 等建议把生涯规划工作作为学业项目的一部分，Dağ 等建议把它与 AI 素养并列推进。你可以主持这场对话，而不必声称自己是这方面的专家，把个别案例转给就业服务。
本周可以做的事
1. 用书面方式测一次一个班的温度。问学生 AI 对他们想从事的那份工作意味着什么。你会得到他们自己语言里的驱动因素，也会得到一份值得私下跟进的学生名单。
2. 用一次评估性动作替换一次安慰。把五分钟的“你不会有事的”换成一项让学生评估并改正 AI 输出的任务。
3. 把你的 AI 使用期待写下来，包括什么被允许、什么必须申报、存在什么支持，并朗读一遍。
4. 现在就去找到你的就业服务联系人和机构的转介路径，在你需要它们之前，这样那场谈话能以一个人的名字结束。
5. 在采用任何幸福感或情感感知工具之前，拿到上面那五个书面答案。如果供应商给不出来，那就是你的答案。
接下来可以去哪里
焦虑与压力 是对这份情绪本身的概念性处理，包括监考压力、焦虑的建设性一面以及教育工作者的焦虑。幸福感（Well-Being） 覆盖情感、心理和社会三个维度上的积极状态框架。要看周边的图景，人工智能正在如何影响学生？ 处理 AI 对学生的一般影响，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？ 覆盖机构应对中的测评一侧。职业发展与就绪度 是职业这条论证继续下去的地方。