《Acta Psychologica》：Generative AI in music learning: A mixed-method study of skill development, AI dependence, and the moderating role of AI literacy
编辑推荐：
摘要
本研究考察了生成式人工智能（Gen-AI）如何通过塑造潜在的认知与自我调节机制，与音乐学习成果相关联。研究以自我调节学习（SRL）理论和认知负荷理论（CLT）为基础，探讨学生使用Gen-AI与音乐领域特定技能及对AI工具依赖之间的关联，以及这两条路径如
摘要
本研究考察了生成式人工智能（Gen-AI）如何通过塑造潜在的认知与自我调节机制，与音乐学习成果相关联。研究以自我调节学习（SRL）理论和认知负荷理论（CLT）为基础，探讨学生使用Gen-AI与音乐领域特定技能及对AI工具依赖之间的关联，以及这两条路径如何与音乐表演质量相关联。研究进一步探讨了AI素养在这些关联中的调节作用。研究采用混合研究方法。定量数据通过在线问卷从中国六所一流音乐院校的1142名音乐学生中收集，并采用基于协方差的结构方程模型（CB-SEM）进行分析。此外，定性数据通过对15位音乐教育与AI辅助音乐实践领域的专家进行访谈获得，并采用主题分析法进行分析。定量结果显示，Gen-AI的使用与领域技能呈正相关，同时也与对AI工具的依赖呈正相关。领域技能和依赖均与表演质量显著相关。中介分析表明，Gen-AI通过双重路径与表演间接相关：一条经由技能发展的正向关联路径，以及一条经由AI依赖的负向关联路径。此外，AI素养显著调节了Gen-AI使用与领域技能和依赖之间的关系，增强了正向路径并削弱了负向路径。定性研究结果支持并拓展了上述发现，强调了Gen-AI如何促进技能发展、促成认知卸载（cognitive offloading），以及AI素养如何作为一种元认知调节能力引导有效的AI使用。本研究在理论上将SRL和CLT的应用扩展到AI中介的创造性学习环境，并揭示了Gen-AI与学习成果相关联的双重认知机制。在实践上，研究结果为将AI整合到音乐教育中提供了指导，同时强调培养AI素养以支持平衡和有效使用AI的重要性。由于研究设计为横断面研究，所报告的关系被解释为关联而非因果效应。
**生成式人工智能（Gen-AI）与音乐学习：技能发展、依赖与AI素养的调节作用——基于自我调节学习与认知负荷理论的混合方法研究解读**
**1. 研究背景与问题提出**
随着人工智能（AI）在教育领域的快速渗透，生成式人工智能（Generative AI, Gen-AI）已深度介入音乐学习场景。这类系统能够生成旋律、编写伴奏、即兴演奏并提供即时反馈，学生可通过AIVA、Soundraw、Boomy等平台及AI辅助数字音频工作站自由访问。然而，Gen-AI在提供个性化学习支持的同时，也可能诱发过度依赖、削弱自我效能感，甚至导致关键音乐技能的退化。既有研究对音乐教育中技术的探讨多聚焦于器乐教学系统、数字记谱或网络教学法，鲜少关注生成式模型的独特功能与风险。与静态工具不同，Gen-AI系统以“智能协作者”身份参与共创活动，这种从被动工具向主动代理的转变改变了心理与教学动力学。既有文献多属描述性或发展性研究，缺乏对技能发展、依赖与AI素养作为表演质量预测因子的综合模型检验。此外，音乐领域中AI素养的概念框架尚不清晰，常与一般数字素养或技术熟练度混为一谈。因此，亟需一项理论驱动的实证研究，厘清Gen-AI与音乐学习之间的关系及其最优使用条件。本研究基于自我调节学习理论（Self-Regulated Learning theory, SRL）和认知负荷理论（Cognitive Load Theory, CLT），提出三个研究问题：Gen-AI使用是否与音乐领域特定技能及AI工具依赖相关？这两个变量是否中介Gen-AI使用与表演质量的关系？AI素养是否调节Gen-AI使用与两个中介变量之间的关系？
**2. 研究设计与主要技术方法**
该研究采用混合方法设计。定量阶段，对中国六所顶尖音乐院校（中央音乐学院、上海音乐学院、中国音乐学院、四川音乐学院、星海音乐学院、武汉音乐学院）的1142名音乐学生进行在线问卷调查，样本覆盖不同学历层次（本科61%、研究生39%）、乐器组别（钢琴30%、弦乐25%、声乐19%、民乐14%、管乐9%、作曲3%）及音乐类型，平均年龄20.8岁（SD=1.9），平均正式音乐训练时长3.1年（SD=1.4）。调查工具采用7点李克特量表，所有构念均改编自已验证的教育技术、音乐心理学和AI素养量表，包括Gen-AI使用（9题）、音乐领域特定技能（5题）、AI工具依赖（3题）、AI素养（5题）和感知表演质量（5题）。数据分析采用基于协方差的结构方程模型（Covariance-Based Structural Equation Modeling, CB-SEM），依次进行验证性因子分析（CFA）、测量模型评估、结构模型估计及Bootstrap中介效应检验（5000次重抽样）。调节效应采用潜变量交互项的非约束化方法（unconstrained approach）构建。模型拟合指数满足χ2/df<3、CFI>0.95、TLI>0.95、RMSEA<0.06、SRMR<0.08的标准。定性阶段，对15位音乐教育与AI辅助音乐实践领域的专家进行半结构化访谈（每人30–45分钟），采用主题分析法（thematic analysis）对访谈文本进行编码与主题归纳，并与定量结果进行整合。
**3. 研究结果**
**3.1 初步分析与测量模型评估**
描述性统计显示，各构念均值介于3.98–4.12之间，标准差0.83–0.91，偏度（?0.18至0.11）和峰度（?0.23至0.21）均在正态性假设范围内，满足CB-SEM的多元正态要求。Harman单因素检验中第一个因子仅解释31.2%的方差，低于50%的临界值，表明不存在显著的共同方法偏差。验证性因子分析显示测量模型拟合良好（CFI=0.943，TLI=0.929，RMSEA=0.007，SRMR=0.017，χ2/df=1.061）。所有题项因子载荷介于0.63–0.84，组合信度（CR）介于0.81–0.922，平均方差提取量（AVE）介于0.51–0.657，满足收敛效度标准。判别效度通过Fornell-Larcker准则和HTMT比率（均<0.85）验证。
**3.2 结构模型与假设检验**
结构模型整体拟合优秀（CFI=0.965，TLI=0.962，RMSEA=0.039，SRMR=0.075，χ2/df=2.99）。直接效应方面，Gen-AI使用对音乐领域特定技能（β=0.516，p<.001）和AI工具依赖（β=0.542，p<.001）均呈显著正相关，支持H1a和H1b。音乐领域特定技能对表演质量呈显著正相关（β=0.940，p<.001），支持H2a；AI工具依赖对表演质量呈显著负相关（β=?0.655，p<.001），支持H2b。中介效应方面，Gen-AI使用经由领域技能对表演质量的间接效应显著为正（β=0.485，p<.001），支持H3a；经由依赖的间接效应显著为负（β=?0.355，p<.001），支持H3b。调节效应方面，AI素养显著增强Gen-AI使用与领域技能的正向关联（β=0.175，p<.001），支持H4a；显著削弱Gen-AI使用与依赖的正向关联（β=?0.169，p<.001），支持H4b。三个内生变量的R2值分别为0.437（领域技能）、0.552（依赖）和0.537（表演质量），显示出较强的解释力。
**3.3 定性研究结果**
主题分析提炼出四个核心主题。主题一：Gen-AI作为音乐技能发展的促进者——专家指出AI提供即时反馈、结构化指导和创造性探索机会，帮助学生更快理解旋律、节奏与结构，支持定量研究中Gen-AI使用与领域技能的正向关联。主题二：Gen-AI通过认知卸载诱发依赖——专家观察到部分学生过度依赖AI生成旋律或进行纠正，而非发展自身的音乐思维，导致学习参与度降低，这与定量研究中依赖对表演质量的负向关联一致。主题三：表演质量取决于内化的音乐能力——专家强调“强大的表演者是那些已经内化了技术和音乐理解的人，而非依赖外部工具的人”，在无AI辅助的现场表演情境中，真实能力得以显现。主题四：AI素养作为调节性和元认知能力——高AI素养的学生能更批判性地使用AI工具，判断何时依赖AI、何时依靠自身技能，从而增强Gen-AI对技能发展的正向作用并抑制依赖倾向。
**4. 讨论与结论**
**4.1 讨论部分总结**
研究表明，Gen-AI使用在音乐学习中扮演双重角色：既与领域技能提升正向关联，也与AI工具依赖正向关联。技能提升路径符合SRL理论——学生借助AI反馈、自适应练习和音乐结构建模进行目标导向的自我调节学习；依赖路径则印证了CLT的解释——技术虽能降低外在认知负荷，但过度依赖会减少相关认知负荷，削弱图式建构和程序性记忆保留。领域技能与表演质量的强正向关联反映了刻意练习、听觉能力和技术熟练度对表演的支撑作用，但需注意两者均为自我报告测量，可能存在同源方差膨胀。依赖与表演质量的负向关联表明，过度依赖AI可能损害音乐独立性、自我效能感和现场应变能力。中介分析进一步揭示了Gen-AI通过“技能促进”和“依赖削弱”两条相反路径间接影响表演质量。调节分析证实AI素养是关键边界条件：高AI素养学生能更策略地使用AI，增强技能发展并抑制依赖，体现AI素养作为元认知调节能力而非单纯技术能力的本质。
**4.2 研究结论翻译**
本研究旨在探索Gen-AI使用通过音乐领域特定技能和AI工具依赖的中介作用，与音乐学习表演质量相关联的两条相互关联的路径，以及AI素养的调节作用。研究基于SRL和CLT，揭示了双重路径效应：Gen-AI使用与领域技能增强显著相关，领域技能又与表演质量提升显著相关；同时Gen-AI使用与依赖增加显著相关，依赖又与表演质量下降显著相关。重要的是，AI素养被发现能增强Gen-AI使用与领域技能之间的正向关联，同时削弱Gen-AI使用与依赖之间的关联。因此，AI素养在AI中介的学习中成为关键调节因素。混合方法设计将来自大量音乐学生的定量数据分析与关于这些关联心理基础的定性洞察相结合。
**4.3 局限性**
第一，数据为自我报告和横断面设计，无法进行因果推断，且存在共同方法偏差和主观膨胀的可能，尤其是表演质量测量反映的是感知表现而非独立评判表现，领域技能与表演质量之间的强关联可能部分源于同源方差。第二，依赖构念仅用三个题项测量，未来应开发更完整的多维依赖量表。第三，样本仅来自中国六所精英音乐学院，该情境具有高选择性录取、应试导向训练传统和国家教育技术政策环境（如“教育信息化2.0行动计划”）等特征，可能影响学生对Gen-AI的参与和依赖方式，研究结果的推广性受限，未来需进行跨文化和多情境复制。第四，参与者对Gen-AI的熟悉程度存在差异，个体经验异质性可能影响对题项的理解和回应，未来研究可采用客观AI使用测量或招募具有已验证Gen-AI经验的参与者。
**5. 研究意义**
理论上，本研究将SRL和CLT的应用扩展至AI中介的创造性学习环境，阐明Gen-AI可同时作为学习支持工具和外部调节代理，既能促进也能破坏自我调节循环。研究发现Gen-AI并非对所有学习者均匀地降低认知负荷，而是取决于学习者的AI素养和认知加工方式，从而提出了“技能增强”与“技能削弱”的双重机制解释，超越了教育技术“有益或有害”的二元观点。实践上，研究强调音乐教育中培养AI素养的迫切性，教育者应设计促进主动思考的AI应用学习体验，将AI素养教育纳入课程，并指导教师引导学生与AI进行创造性合作而非替代。
