International Open Access Journal Platform

1 问题提出

人工智能正以前所未有的速度冲击劳动力市场，从自动化流程到生成式内容创作，AI对知识型岗位的渗透日益加深。这一技术变革不仅改变了职业需求，也深刻影响着高校毕业生的心理状态（汪文忠，2018）。尤其是在学历竞争激烈、就业压力持续加大的背景下，大学生群体普遍表现出对未来职业前景的担忧与焦虑（麦可思研究院，2023）。而民办高校学生，因其在社会认可度、教育资源获取、实习机会拓展等方面的结构性劣势，在AI冲击下呈现出更高的心理脆弱性（王磊 等，2024）。

已有研究多聚焦于AI对就业市场的宏观影响或大学生的整体心理反应，但对民办高校这一特定群体在AI语境下的焦虑影响因素缺乏系统的实证分析（谢小洋 等，2024）。部分研究虽提及“技术替代”“技能错配”等外部压力，却忽视了个体认知偏差、心理资本水平与社会支持系统等内在机制的交互作用（曹玮，张振良，2023）。因此厘清AI浪潮影响下民办高校大学生就业焦虑的核心因素及其作用路径，不仅有助于深化对技术变革与青年心理关系的理解，也为高校制定科学、精准的心理健康与就业指导政策提供理论支持与实践依据。

2 研究设计

2.1 研究对象与抽样方法

本研究以西部某民办高校大学生为研究对象，采用分层随机抽样方法，依据学院、年级、专业类别进行分层，确保样本的代表性。通过问卷星平台发放电子问卷，共回收问卷1200份，剔除填写不完整、逻辑矛盾或作答时间过短（<90秒）的无效问卷114份，最终获得有效问卷1086份，有效回收率为90.5%。

样本基本构成如下：男生46.2%（N=502），女生53.8%（N=584）；大一28.3%（N=307），大二25.1%（N=273），大三24.6%（N=267），大四22.0%（N=239）；文科类专业占41.7%，理工科类占38.5%，艺术类占19.8%；家庭所在地为农村及乡镇的学生占52.4%，城市学生占47.6%。

2.2 测量工具与变量操作化

（1）就业焦虑

采用李虹和王善慧（2003）编制的大学生就业焦虑量表，该量表共20个题项，涵盖“认知困扰”（如“我担心找不到理想工作”）、“情绪波动”（如“想到就业我就紧张”）与“行为退缩”（如“我回避求职信息”）三个维度，采用5点计分（1=从不，5=总是）。总分越高，表示就业焦虑水平越高。本研究中总量表Cronbach’ s α系数为0.87，各维度α系数介于0.81～0.85之间，信度良好。

（2）AI技术认知

本研究在文献梳理与预访谈基础上，自行编制AI技术认知问卷，该问卷包含两个核心维度：AI替代风险感知（6题项）：测量学生对AI取代其未来岗位的担忧程度，如“我认为我所学专业的工作未来会被AI取代”，采用5点计分。AI技能掌握信心（4题项）：测量学生对掌握AI相关工具与技能的信心，如“我相信自己能学会使用AI辅助工具”。问卷经专家评估与预测试（N=120）修订，最终确定10个题项。探索性因子分析（EFA）提取出两个因子，累计方差解释率为68.3%。本研究中总α系数为0.84，替代风险感知维度α=0.86，技能信心维度α=0.79，信度良好。

（3）自我效能感

采用拉尔夫·施瓦泽和马蒂亚斯·耶路撒冷（Schwarzer & Jerusalem，1995）开发、经王才康等人进行中文修订的一般自我效能感量表（王才康 等，2001），共10个题项，如“遇到困难时，我总能找到解决办法”，采用4点计分（1=完全不正确，4=完全正确）。总分范围10～40分，分数越高表示自我效能感越强。该量表在中文大学生群体中广泛应用，信效度良好。本研究中Cronbach’ s α系数为0.85。

（4）支持系统

本研究将“学校就业指导”与“家庭支持”合并为“支持系统”变量，以更全面地反映学生获得的制度性与情感性支持。其中学校支持包括基于高校就业指导服务的核心功能，自编4个题项，如“就业指导老师能解答我对AI就业的疑问”，采用5点计分。家庭支持包括采用肖水源（1994）编制的社会支持评定量表中的家庭支持子量表，共4个题项，如“家人能给我提供情感鼓励”，5点计分。将两部分得分进行标准化后加总分，形成“支持系统”综合得分。合并后量表α系数为0.82，表明内部一致性良好。

2.3 数据收集与质量控制

问卷通过学校心理健康教育中心与各二级学院协同发放，确保学生知情同意并自愿参与。为提高数据质量，设置逻辑校验题（如反向计分题）、答题时间监控与IP地址去重。所有数据经双人录入核对，缺失值采用均值替代法处理。

2.4 数据分析方法

采用SPSS 26.0进行数据分析，计算各变量的均值、标准差等描述样本基本特征与焦虑水平；采用Pearson相关系数检验各变量之间的相关性；以就业焦虑为因变量，将AI技术认知（替代风险感知、技能信心）、自我效能感、支持系统及控制变量（年级、性别）纳入逐步回归模型，检验其预测作用，通过方差膨胀因子（VIF）检验多重共线性，通过残差分析检验正态性与同方差性。

3 研究结果

3.1 描述性统计结果

样本总体就业焦虑得分为3.42±0.71，处于中等偏上水平。其中，61.3%的学生得分高于3.5，属于中度及以上焦虑群体。按年级划分，焦虑水平呈“U型”分布：大一（M=3.41）、大二（M=3.18）、大三（M=3.22）、大四（M=3.78），且大四学生焦虑水平显著高于其他年级（p<0.01）。文科类学生焦虑水平（M=3.85）显著高于理工科（M=3.21）与艺术类（M=3.34）学生，差异具有统计学意义（F=28.37，p<0.001）。

表 1 民办高校大学生就业焦虑水平的基本特征（N=1086）

Table 1 Profile of employment anxiety among private university students (N=1086)

3.2 相关分析

各变量间Pearson相关系数结果如表1所示，AI替代风险感知（r=0.58，p<0.01）与AI技能掌握信心
（r=-0.52，p<0.01）与就业焦虑的相关性最强。自我效能感（r=-0.49）、支持系统（r=-0.44）也与就业焦虑呈显著负相关。所有预测变量间的相关系数均低于0.60，初步判断多重共线性风险较低。

3.3 多元回归分析

以就业焦虑为因变量，采用逐步回归法纳入变量。最终模型包含五个显著预测变量，整体解释力达R٢=0.763，调整R٢=0.760，F=148.25，p<0.001，模型显著。VIF值均小于3.0，残差符合正态分布，模型假设成立。

表 2 就业焦虑影响因素的多元回归分析结果

Table 2 Results of multiple regression analysis on influencing factors of employment anxiety

结果显示，AI替代风险感知是正向最强预测变量（β=0.40），说明学生越认为AI会取代其岗位，焦虑水平越高；AI技能掌握信心是负向最强预测变量
（β=-0.33），表明对掌握AI工具的信心能有效缓解焦虑；自我效能感与支持系统均具有显著独立解释力，说明个体心理资本与外部支持共同构成抗焦虑资源。

4 影响因素的作用机制解析

基于实证结果，本文构建“认知—心理—支持”三维影响机制模型，系统阐释AI背景下民办高校大学生就业焦虑的生成路径。

4.1 认知维度：风险放大与信心缺失的双重夹击

学生对AI的认知呈现出明显的“风险高估、机会低估”特征。媒体与社交平台频繁传播“AI裁员”“岗位消失”等负面信息，而对“AI催生新职业”“人机协同新模式”的宣传相对不足，导致学生形成“AI=失业”的刻板印象。问卷中，“我认为我所学专业的工作未来会被AI取代”一题的平均得分为3.92（满分5），而“AI的发展为我提供了新的职业机会”仅得2.15，这一差异清晰反映出学生对AI的强烈威胁感知。

学生普遍缺乏对AI工具的实际操作经验，对“能否掌握提示词工程”等问题表现出高度不确定。这种技能信心缺失与“替代风险感知”形成“外部威胁—内部无力”的双重夹击，使个体陷入“我即将被淘汰，且无力改变”的认知困境，从而触发强烈的焦虑反应。个体访谈中，一名新闻专业学生坦言：“老师让我们写新闻稿，但我知道AI五秒钟就能生成一篇，我写的根本没人看。我想学AI写作工具，但不知道从哪开始，也没人教。”这种“知危而无策”的状态，正是认知维度焦虑的核心表现。

4.2 心理维度：自我效能感的调节与放大作用

自我效能感在就业焦虑机制中扮演“心理放大器”或“缓冲器”的双重角色。高自我效能感的学生倾向于将AI视为“可学习的工具”或“提升效率的助手”，即使面临AI带来的挑战，也坚信“通过努力可以掌握相关技能”。他们更可能主动搜索AI课程、参与技能培训，形成“挑战—应对—成长”的积极循环，从而有效缓解焦虑。

而低自我效能感的学生则易陷入“能力否定”模式。他们将AI技能视为“高不可攀”的专业壁垒，认为“那是计算机专业的事，我学不会”。这种信念进一步抑制学习动机，导致“不尝试—不掌握—更焦虑”的恶性循环。回归分析中，自我效能感的β值达-0.25，说明其在控制其他变量后仍具有显著独立解释力，凸显其作为深层心理资源的重要性。

值得注意的是，自我效能感并非固定不变，而是可通过“成功体验”逐步建立。一名参与AI文案工作坊的学生在访谈中表示：“第一次用AI生成文案时很忐忑，但老师指导后发现效果不错，现在我敢在简历上写‘熟悉AI辅助写作’了。”这表明微小的成功体验是提升自我效能感、打破焦虑循环的关键突破口。

4.3 支持系统：制度性与情感性支持的协同效应

支持系统作为外部资源，通过信息供给、情感安抚与行为引导三条路径影响就业焦虑水平（王振花 等，2024）。学校支持主要体现为制度性支持。当学校能及时更新课程内容、提供AI职业趋势解读、开设技能培训工作坊时，学生会感到“有人指引”“有路可走”，从而降低不确定性带来的焦虑。反之，若就业指导仍停留在“简历美化”“面试技巧”等传统内容，忽视AI带来的结构性变化，学生则会产生“学校落伍”“无人负责”的疏离感，加剧无助情绪。

家庭支持则以情感性支持为主。来自家庭的理解、鼓励与情绪接纳，能有效缓冲外部压力（廖洪雁 等，2024）。但现实中，许多家长对AI缺乏基本认知，无法提供有效建议，甚至因望子成龙施加额外压力，形成“高期待—低理解”的矛盾状态。一名受访学生表示：“爸妈只知道让我考编，但AI连政府都在用，他们根本不了解我的焦虑。”因此，家庭支持的有效性不仅取决于情感投入，更依赖于认知同步——即家长是否具备与子女共同面对技术变革的认知基础。

当学校与家庭形成协同支持网络时，学生既能获得实用信息，又能获得情感慰藉，其心理韧性显著增强。反之若两者均缺位，则个体将独自面对AI冲击，焦虑风险急剧上升。当学校与家庭形成协同支持网络时，学生既能获得实用信息，又能获得情感慰藉，其心理韧性显著增强。反之若两者均缺位，则个体将独自面对AI冲击，焦虑风险急剧上升。

5 对策建议

要有效缓解AI浪潮下民办高校大学生的就业焦虑，不能仅依赖心理疏导或增加招聘会场次，而应从认知重构、心理赋能与支持系统建设三个维度协同发力，构建系统性、可持续的干预机制。

首先，高校应主动承担“认知引导者”角色，帮助学生建立对人工智能的理性认知。当前，许多学生受媒体影响，将AI简单等同于“岗位替代”或“人类淘汰”，形成非理性的恐慌心理。这种认知偏差是焦虑的重要源头。因此，高校亟需系统开展“AI素养教育”，将其纳入通识课程体系。可开设“人工智能与职业未来”“智能时代的职场变革”等选修课，内容不仅涵盖AI基本原理，更应聚焦“人机协同”模式的现实案例。例如，讲解AI在新闻领域如何辅助记者完成数据采集与初稿生成，使人类转向深度调查与内容策划；在会计行业，AI处理标准化账务，而人类则转向财务分析、风险控制等高阶职能。通过真实场景分析，学生能清晰识别“哪些能力易被替代”与“哪些能力更具不可替代性”，从而将焦虑转化为学习动力。

同时应强化实践体验。高校可联合本地科技企业、产业园区举办“AI职业体验周”，组织学生参观AI研发中心、数字化转型企业，亲身体验AI设计工具、智能客服系统、数据分析平台的操作流程。打破技术神秘感，建立“AI是辅助工具而非敌人”的积极认知。还可邀请成功转型的校友或行业从业者开展“AI时代职业叙事”分享会，用真实经历讲述如何从“被冲击者”转变为“技术驾驭者”，增强学生的希望感与行动意愿。

其次，应着力提升学生的自我效能感，这是缓解焦虑的核心心理资本。自我效能感并非天生特质，而是可通过“成功体验”逐步建构。高校应设计“阶梯式”技能培养路径，将复杂的AI能力分解为可操作的微模块。例如，针对非技术专业学生，开设“AI办公助手应用”“提示词工程入门”“基础数据可视化”等短训班，每完成一个模块即颁发电子徽章或校内认证证书。这种“小步快跑、即时反馈”的模式，能让学生在短时间内获得成就感，积累“我能学会”的信心。

心理健康教育中心应加强与就业指导部门合作，开发“AI挑战应对”主题团体辅导项目，运用如认知行为疗法（CBT）帮助学生识别并纠正“我肯定学不会”“现在开始太晚了”等非理性信念，建立积极自我对话。对于焦虑严重的个体，可提供“一对一”生涯咨询，结合其专业背景制定个性化AI技能学习计划，实现心理调适与能力提升的同步推进。

最后，应推动构建家校协同的支持网络。学校可通过家长会、线上讲座等形式向家长普及AI发展趋势，引导其理解：在智能时代，评价标准已从“知识记忆”转向“学习能力”“创新思维”与“人机协作素养”，避免对学生施加不切实际的期望。可设立“家校共学平台”，推荐优质AI科普资源，促进代际认知同步。校内应推动就业指导中心与心理中心深度融合，建立信息共享机制。例如，对因AI焦虑而回避求职的学生，可由心理教师先进行认知调整，再由就业教师提供技能提升与岗位匹配建议，形成闭环支持。

民办高校虽资源有限，但机制灵活，更应抓住AI变革机遇，率先构建“心理—教育—就业”融合支持体系，助力学生实现从“被动担忧”到“主动适应”的转变。

6 结论

本研究通过实证调查与机制分析，揭示了AI技术变革背景下民办高校大学生就业焦虑的深层成因。研究发现，就业焦虑并非单纯源于外部就业压力，而是个体认知偏差、心理资本薄弱与支持系统缺位三者交织作用的结果。其中学生对AI替代风险的过度担忧与对自身技能掌握的信心不足，构成了焦虑的认知基础；自我效能感的高低则决定了个体在面对不确定性时的心理韧性水平；而学校教育引导与家庭情感支持的协同缺失，进一步削弱了学生的应对资源。

这一发现表明，在AI加速渗透的今天，传统的“简历辅导+心理疏导”模式已难以满足学生需求。高校必须转向一种系统性、前瞻性、心理—教育融合的新型支持范式。唯有通过科学认知引导、心理资本培育与支持网络重构，才能真正帮助民办高校学生在技术变革的浪潮中稳定心理锚点，提升适应能力，实现从“被动焦虑”到“主动应对”的转变。

未来研究可进一步追踪AI技术演进对学生心理的动态影响，探索基于大数据的焦虑预警模型，并比较不同类型高校在应对策略上的差异，为构建更加公平、包容、有韧性的高等教育就业支持体系提供持续的理论与实践支持。

参考文献

[1] 汪文忠. (2018). 人工智能下大学生就业现状与对策. 中国大学生就业, (2), 3.

[2] 麦可思研究院. (2023). 2023年中国大学生就业报告. 麦可思研究, (7), 15-22.

[3] 王磊, 张静静, 王腾. (2024). 人工智能对大学生就业的影响及对策研究. 中国科技投资, (31).

[4] 谢小洋, 乔梦莹, 朱彤. (2024). 新形势下民办高校大学生就业心理问题探析与对策研究. 就业与保障, (11), 172-174.

[5] 曹玮, 张振良. (2023). 大学生就业心理资本现状分析和干预对策研究. 太原城市职业技术学院学报, (3), 116-118.

[6] 李虹, 王善慧. (2003). 大学生的焦虑状况调查. 中国临床心理学杂志, 11(2), 148-149.

[7] 王才康, 胡中锋, 刘勇. (2001). 一般自我效能感量表的信度和效度研究. 应用心理学, 7(1), 4.

[8] 肖水源. (1994). 《社会支持评定量表》的理论基础与研究应用. 临床精神医学杂志, 4(2), 3.

[9] 王振花, 董超, 宋尧, 等. (2024). 就业辅导对大学生心理焦虑的调控效果探研. 成才之路, (28), 53-56.

[10] 廖洪雁, 杜静雯, 肖蓉. (2024). 大学生焦虑与压力知觉和忍耐的关系. 中国心理卫生杂志, 38(3), 277-282.