第一代大學生對 AI 與職涯的擔憂

1. 基本資訊

這篇文章由 Xuefei (Nancy) Deng 與 Rui Sun 發表於 2026 年的 International Journal of Information Management，題目是〈Artificial intelligence and career development: Concerns and insights from first-generation college students〉，DOI 為 10.1016/j.ijinfomgt.2025.103003。文章關心的不是 AI adoption 或組織績效，而是 AI 對職涯發展的不安如何落在一群較少被看見、但實際上可能更脆弱的人身上，也就是 first-generation college students。

2. 研究問題

作者設了三個核心問題。第一，FGCS 身分會不會影響學生對 AI 衝擊職涯的擔憂。第二，career anchor 會不會影響這種 AI risk concern。第三，FGCS 與 non-FGCS 如何理解自己的 career development。這個設定很重要，因為它把 AI 對工作的影響從「哪些工作會被取代」轉向「哪些人會更焦慮、為什麼更焦慮，以及這種焦慮如何與社會流動和教育功能交織」。

3. 理論基礎

理論上，本文主要建立在 career anchor theory，並輔以 FGCS career transition 與 AI-career disruption 文獻。Career anchor theory 認為個人的職涯選擇受到較穩定的價值與動機結構所引導，例如 technical/functional competence、managerial competence、autonomy、security/stability、entrepreneurial creativity、service/dedication、pure challenge 與 lifestyle integration。作者原本預期，這些 career anchor 可能影響學生如何解讀 AI 對未來工作的威脅；同時，FGCS 文獻則指出，這群學生在家庭教育資本、職涯資訊與進入專業工作世界的熟悉度上，往往較不利，因此更容易在 AI 帶來的不確定性前感到脆弱。

4. 研究架構

整體架構很清楚。量化部分把 FGCS status 與 career anchor 當作主要前因，concern about AI's impact on career 當作結果，並控制 prior ChatGPT experience。質性部分則進一步追問學生如何描述自己的工作、理想職涯與教育用途，以補足量化模型看不到的職涯路徑差異。作者後來還做了 2025 follow-up study，補看在 ChatGPT 普及後，學生對 AI 職涯影響的態度如何變化。

5. 假設邏輯

這篇不是標準假設驅動模型，而是 exploratory mixed-method study。作者預期 FGCS 可能因社會資本、職涯資訊與風險承受能力較弱，而比 non-FGCS 更擔心 AI 對職涯的衝擊。另一方面，career anchor 可能使不同學生對 AI 風險有不同敏感度，例如偏 security/stability 的人可能更焦慮，偏 entrepreneurial creativity 的人可能較能把 AI 看成機會。不過文章也保留開放性，因為 AI 帶來的 disruption 可能已超出傳統 career anchor 能穩定解釋的範圍。

6. 方法

研究採 mixed-methods design。2023 主研究的量化資料來自美國一所 minority-serving public university 商管學院的 70 份匿名學生問卷，約 60% 是 FGCS，多數同時有工作。作者先用 t-tests 比較不同職業被 GenAI 取代的風險認知，再用 OLS 與 ordered logistic regression 檢驗 FGCS status、career anchor 與 ChatGPT experience 對 AI career concern 的影響。質性部分則對開放題進行 thematic analysis，分析學生怎麼描述自己的工作、理想職涯與教育用途。之後作者在 2025 年於同一研究場域做 follow-up survey，取得 187 份樣本，並對其中 58 份與 AI 職涯感受有關的開放回應再做一次主題分析，用來補足生成式 AI 普及後的態度變化。

7. 結果

量化結果很明確。第一，FGCS status 與對 AI 衝擊職涯的擔憂呈正相關，代表 FGCS 比 non-FGCS 更擔心 AI 影響未來職涯。第二，prior ChatGPT experience 與這種擔憂呈負相關，表示用過 ChatGPT 的學生通常較不焦慮，但在 ordered logistic model 中顯著性較弱。第三，career anchor 並沒有對 AI career concern 呈現統計上顯著的影響，這點很值得注意，因為它暗示面對 AI 衝擊時，結構性脆弱位置可能比個人職涯價值取向更重要。職業風險認知方面，學生普遍認為 accountant、business analyst、computer programmer、data analyst、market research analyst 等較容易被 GenAI 取代；而需要高人際互動的 social worker、teacher、police officer、HR 等風險較低。質性分析在 2023 資料中抽出四個主題：1) 已就業 FGCS 用大學教育來轉換職涯、追求真正想做的工作；2) 已就業 FGCS 用大學教育為未來創業做準備；3) 已就業學生不論 FGCS 與否，都把教育當成職涯晉升的跳板；4) 未就業學生的職涯選擇主要由興趣驅動。2025 follow-up 則顯示對 AI 職涯影響的態度可分成 negative、neutral、positive、mixed 四型，其中 negative 約四成最多，且態度會隨 generational status 與 career stage 改變。

8. 理論貢獻

這篇最大的理論貢獻，是把 AI 對職涯的影響帶入 marginalized workforce 與教育流動脈絡。第一，它指出 FGCS 這種代際教育弱勢身分，本身就會影響 AI risk perception。第二，它實證顯示 career anchor 對 AI 焦慮未必有解釋力，這等於提醒我們：在 AI disruption 情境下，傳統職涯理論可能不足，還需要把 inequality、social capital、digital familiarity 與 career stage 一起納入。第三，它把 AI career concern 從抽象情緒轉回具體職涯路徑，例如轉職、晉升、創業與興趣導向選擇。

9. 實務意涵

對大學、職涯輔導與政策端，這篇很有操作性。作者主張，FGCS 不能只被一般 career service 一體處理，而需要更針對 AI 時代的職涯介入，例如 AI literacy、upskilling workshops、與企業合作的技術訓練、career mentoring 與對 AI job replacement 的風險溝通。對組織與用人單位，這篇也提醒：AI 導入不只是效率問題，還會放大某些弱勢人才的職涯焦慮與準備落差。如果企業想建立更公平的人才 pipeline，應該更早提供工具熟悉、實習、資訊透明與能力轉換支持。

10. 研究限制

限制不難看出。第一，量化樣本小，且來自單一 minority-serving public university 的 convenience sample，外部效度有限。第二，career anchor 測量雖有理論基礎，但在 AI disruption 情境下可能太靜態，難捕捉當代學生對生成式 AI 的快速再詮釋。第三，研究以學生自陳與風險感知為主，並未直接追蹤真實就業結果。第四，作者也指出未納入 risk-taking behavior、mentorship 等變項，未來可能進一步改變 AI career concern 的形成。

11. 對我研究的啟發

這篇對我最有價值的地方，不是在 human-GenAI collaboration 本身，而是在它補上了 AI × career inequality × social mobility 這條較少出現在我現在主線裡的支線。我已經讀了很多 focus 在 cognition、knowledge creation、trust、creative process 與 organizational learning 的文章，但較少有文獻去問：不同社會位置的人，會如何帶著不同風險感知進入 AI 互動。這篇很適合變成我的邊界條件文，提醒我後續若談 GenAI 對工作者的影響，不能只看 task fit 或 cognition，也要看我的 education background、career stage 與資本結構。若未來我想把人機協作研究往教育或勞動不平等延伸，這篇會是一個很好的轉接點。

12. 整體評價

我認為這篇很值得補進今天的 backlog，因為它把 AI 對工作的影響從常見的「效率提升」或「創意增強」論述，轉回更基礎也更現實的問題：誰會先擔心被取代、誰對 AI 更沒安全感、而高等教育在這裡到底扮演什麼角色。文章的強項是議題切口新，mixed methods 也讓結果不只停在回歸係數；若要挑剔，就是量化樣本偏小、設計偏 exploratory，還無法提供強因果結論。但就作為我文獻池中的補位文來說，它非常有用。