Student Burnout and Mental Health in Higher Education During COVID-19: Online Learning Fatigue, Institutional Support, and the Role of Artificial Intelligence
Notice bibliographique
Résumé
The COVID-19 pandemic significantly disrupted higher education. The sudden and profound transformations it necessitated had a direct and negative impact on higher education students, as evidenced by the widely reported instances of academic disengagement, decreased motivation, and lower performance. This was often due to student burnout caused by financial instability, mental health struggles, social isolation, and online learning fatigue. This qualitative narrative review, which analysed 38 peer-reviewed articles and adheres to SANRA, explores this burnout phenomenon, delving into learners' challenges during the pandemic, how their educational success was affected, and the universities’ strategies to mitigate the negative consequences. Understanding the link between burnout and academic success is crucial, as it will help inform future policies aimed at enhancing student resilience and learning outcomes. This review found that flexible academic policies, hybrid learning models, and mental health support services helped alleviate some of the challenges faced during the pandemic. In addition, AI-based tools such as chatbots and academic aids provided scalable emotional and academic support, particularly in online environments where traditional structures were limited. However, the long-term academic implications remain uncertain, despite the use of these learner management strategies to mitigate stress. Findings underscore the importance of continued research on sustainable digital and institutional support systems, including the integration of AI, in post-pandemic higher education.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».