《Journal of Intelligence》：Differentiated Empowerment and Boundary Effects of AI-Assisted Music Learning: A Mixed-Methods Study of Learning Motivation, Self-Regulated Learning, and Creative Performance
编辑推荐：
尽管人工智能（AI）正在重塑音乐教育，但以结果为导向的量化综合研究仍然相对有限。本项混合方法综述考察了AI辅助音乐学习对学习动机、自我调节学习（SRL）和创造性表现的影响，同时识别出与学习者、任务和时间相关的边界条件，并阐明AI支持是如何被实施和体验的。研究人
尽管人工智能（AI）正在重塑音乐教育，但以结果为导向的量化综合研究仍然相对有限。本项混合方法综述考察了AI辅助音乐学习对学习动机、自我调节学习（SRL）和创造性表现的影响，同时识别出与学习者、任务和时间相关的边界条件，并阐明AI支持是如何被实施和体验的。研究人员采用三水平元分析进行量化整合，并辅以对实施路径和学习者体验的质性综合。结果显示，三个核心领域均呈积极趋势，但统计学支持水平和异质性程度有所不同。学习动机显示出最为稳健的证据（g = 1.28），创造性表现出较大但高度异质的效应（g = 1.21），而自我调节学习表现出初步的积极趋势（g = 0.57）。任务认知复杂度与先备能力的交互作用为学习者–任务匹配（learner–task fit）提供了初步的方向性证据，主要针对动机性结果。剂量相关分析提示了一种可能的非同步模式：动机性收益可能在短期内迅速显现，而高阶认知收益在持续干预下可能更为明显。质性综合识别出三种AI实施路径——评价性反馈、生成性支持和适应性个性化——提示有效性与其说取决于技术复杂性本身，不如说取决于AI角色与任务需求及学习者需求的匹配。未来研究应加强长期设计，深化与SRL相关的证据，并检验不同AI角色在不同音乐学习情境中的适应性效应。
研究背景与意义方面，在数字化教育与生成式人工智能（AI，Artificial Intelligence）迅速发展的背景下，AI已逐步扩展到音乐练习、即时反馈、创作辅助等领域。然而，音乐学习质量的提升不仅依赖技术进步，更取决于学习者内部动机、调控机制与高阶成果的协调。其中，自我调节学习（SRL，指学习者在学习过程中主动进行目标设定、过程监控与策略调整的元认知与认知调控能力）和创造性表现（即产生兼具新颖性与价值性成果的能力）不仅是高阶认知活动，亦被视作与智力密切相关的重要表现。既有文献多聚焦于工具分类、教学应用及伦理议题，缺乏针对深层学习者结局的系统量化综合，尤其缺少对学习动机、SRL与创造性表现三大核心变量的整合证据，以及对学习者特征、任务要求和干预时长等边界条件的考察。此外，由于同一研究常从同一样本报告多个相关结局，传统元分析无法满足效应量独立性假设。因此，研究人员在《Journal of Intelligence》发表了一项混合方法综述，采用三水平元分析与质性综合相结合的设计，旨在评估AI辅助音乐学习的平均效应与证据稳健性，并检验其在不同学习者、任务和时间条件下的差异化表现与作用机制。
技术方法层面，研究检索了Web of Science、Scopus、PsycInfo/PsycArticles、ERIC和RILM五大数据库，遵循PRISMA 2020声明完成文献筛选。最终纳入23项包含完整统计数据的实验或准实验研究进行三水平随机效应模型元分析，以Hedges' g为效应量指标，采用限制性最大似然法（REML）进行参数估计，并通过聚类稳健估计、逐一剔除法等稳健性检验保障结果稳定；同时纳入12项质性或混合方法研究进行结构化主题分析，以揭示AI支持的实施路径与学习者体验。核心调节变量包括任务认知复杂度（低/中vs.高）、学习者先备能力（低/中vs.高）及干预剂量（短期≤7周、中期8–12周、长期≥13周）。
研究结果显示如下。4.1 偏倚风险评估与利益冲突声明显示，纳入的随机对照试验（RCT）和非随机对照试验（CCT）总体质量为中等，未见高风险研究，但测量偏倚、随机化实施不足和混杂因素控制不当时是主要方法学局限。4.2 AI辅助音乐学习的总体干预效应方面，三水平元分析表明，学习动机存在显著正向效应且最为稳健（g = 1.278，p = .007）；创造性表现呈显著正向效应但异质性极高（g = 1.206，p = .042）；SRL虽呈正向趋势但未达显著（g = 0.565，p = .102）。其预测区间均跨零，提示应将这些效应视为异质性背景下的平均倾向。补充性亚组分析提示，生成性支持AI对创造性表现的促进可能更为突出。4.3 任务复杂度与先备能力的交互调节效应方面，对学习动机仅提供了方向性、试探性的交互证据，且仅在一项辅助性稳健模型中显著；对高阶认知（higher-order cognition，在本研究中为SRL与创造性表现的组合变量）则未获稳健交互支持，表明学习者–任务匹配可作为假设生成性原则，但尚未形成稳定规律。4.4 剂量相关模式方面，干预剂量对结局的调节作用因领域而异：动机性收益在短期即可达到较高水平，随干预延长趋于平稳或略降；而高阶认知结局在长期干预下表现出更大效应，且经敏感性分析至终保持不变。这一非同步模式提示动机激活较早，而策略内化与创造性整合需要更长时间的积累。4.5 AI支持的实施、体验与模式方面，质性综合识别出三种核心实施路径：评价性反馈（如基于AI的实时音高与节奏检测及评分）、生成性支持（如人机协同作曲与旋律生成）和适应性个性化（如根据学习者反应动态调整任务难度）。学习者主观体验普遍经历了由新奇激活到能力感提升的转化，但AI的教育效果因认知成熟度、任务目标及AI角色定位而异；其根本逻辑在于AI角色与任务需求、学习者需求的匹配程度，而非单纯的技术复杂度。
讨论与结论部分进一步指出，AI辅助音乐学习的效应具有高度领域分化特征。动机层面的获益最为直接且稳健，这与其通过降低任务门槛、提供即时反馈而激活内在动机与控制感有关；创造性表现获益较大但受情境和研究构成影响显著，需关注测量工具异质性；SRL获益尚处初步阶段，反映出外部脚手架向内部调控转化需要更长时间和更系统的教学设计。时间边界上，动机的“新奇效应”可能在短期最强，但仍可在长期维持于积极水平；而高阶认知则更受长期干预的促进。研究人员强调，AI在音乐学习中的最佳定位并非替代人类判断，而是作为与任务目标、学习者需求及审美判断相协调的支持性协作者。论文结论指出，未来研究应着力开展中长期纵向设计，将SRL置于核心结局深化证据，并系统比较评价性反馈、生成性支持与适应性个性化等不同AI角色在多样化音乐学习情境中的适应效应，以期为精准教学和人机协同的艺术教育生态提供更坚实、可迁移的证据基础。
