《Frontiers in Psychology》：Deliberate practice in the age of artificial intelligence: how AI-assisted practice supports self-regulated learning and expert performance development in conservatory musicians
编辑推荐：
引言： 刻意练习是专家表现发展的核心，然而练习产生持续收益的条件仍存在争议。AI辅助音乐练习应用提供适应性反馈、智能排程、自动错误检测和表现分析，可能支持刻意练习。本研究考察了音乐学院学生参与AI辅助练习应用与其专家表现发展之间，是否通过自我调节学习（self
引言： 刻意练习是专家表现发展的核心，然而练习产生持续收益的条件仍存在争议。AI辅助音乐练习应用提供适应性反馈、智能排程、自动错误检测和表现分析，可能支持刻意练习。本研究考察了音乐学院学生参与AI辅助练习应用与其专家表现发展之间，是否通过自我调节学习（self-regulated learning, SRL）产生纵向关联。
方法： 在一个16周学术学期内开展了一项三波纵向研究，目标样本为600名音乐学院学生，其中512人完成了全部三波测量（85.3%）。研究考察了AI辅助练习参与、自我调节学习与教师评定的音乐表现之间的时间性关联。
结果： 显著的时间性关联支持了所提出的路径。对AI辅助练习应用的更大参与与随后的自我调节学习相关，而自我调节学习又与之后教师评定的音乐表现相关。这些发现与自我调节学习在AI辅助练习参与和专家表现发展之间起中介作用的解释一致。
讨论： AI辅助练习应用可能通过培养有利于刻意练习的自我调节过程来支持专家表现发展。然而，由于本研究为观察性研究而非随机化研究，且涉及异质性AI应用而非标准化干预，研究结果应被解释为纵向关联而非因果效应。因此，AI辅助练习应用最好被概念化为促进刻意练习条件的教学支持工具，而非刻意练习本身。
论文解读
一、研究背景与问题提出
刻意练习理论自Ericsson等人于1993年正式提出以来，一直是专家表现发展研究的核心理论框架，但同时也是最具争议的框架之一。近年来，Hambrick等人（2020）对刻意练习理论进行了审慎评估，指出练习质量确实重要，但将刻意练习视为唯一因果因素的观点已受到强烈质疑；Macnamara和Maitra（2019）重新审视了原始框架，质疑其实证基础在不同表现领域的推广程度；Harwell和Southwick（2021）进一步识别了围绕专家表现方法的若干持久性误解。与此同时，人工智能（artificial intelligence, AI）技术的快速发展正在改变音乐练习的反馈结构。AI辅助音乐练习应用能够提供即时、数据驱动的反馈，包括音高和节奏分析、速度追踪、自适应错误检测、表现统计、个性化练习建议和智能练习排程等功能，这些功能在传统教学环境之外延伸了反馈渠道。然而，现有文献对AI辅助练习应用参与度与持续表现发展之间的关联程度，以及其背后的心理机制仍缺乏充分理解。既有研究如Ou等人（2025）虽发现AI辅助练习应用与音乐学习者的表现结果、自我效能感和自我调节学习之间存在正相关，但其横断面设计无法确立时间先后顺序。因此，本研究采用三波纵向设计，考察AI辅助练习参与、自我调节学习与专家表现发展之间的时间性关联，并检验自我调节学习的中介作用。
二、研究设计与核心发现
研究人员在16周学术学期内开展了一项三波纵向研究，从多所音乐学院招募了600名古典表演专业的本科生和研究生，涵盖钢琴（22%）、弦乐（18%）、木管（15%）、铜管（12%）、打击乐（10%）和声乐（23%）等专业方向。最终512人完成全部三波测量，保留率为85.3%。研究在第1周、第8周和第16周分别收集数据，AI辅助刻意练习和自我调节学习在三个时间点均被测量，专家表现发展在第3波由至少两名资深教师使用标准化评审判分表进行评定，评分者间信度要求组内相关系数（intraclass correlation coefficient, ICC）≥0.80。研究采用结构方程模型（structural equation modeling, SEM）和交叉滞后面板模型（cross-lagged panel model, CLPM）进行数据分析，并使用广义交叉滞后面板模型（general cross-lagged panel model, GCLM）区分个体间稳定差异与个体内波动。
研究发现：第一，验证性因子分析支持包含三个构念的测量模型，模型拟合良好（CFI=0.96，TLI=0.95，RMSEA=0.045，SRMR=0.038），所有因子载荷介于0.68至0.91之间，各构念具有良好的信度（McDonald's ω介于0.87至0.93）和区分效度。第二，结构方程模型显示，在控制基线先前行表现成就、每周练习小时数和音乐训练年限后，第1波AI辅助刻意练习与第2波自我调节学习显著相关（β=0.47，p<0.001），第2波自我调节学习与第3波专家表现发展显著相关（β=0.39，p<0.001）。偏差校正自助法中介分析（5000次重抽样）显示间接效应显著（间接效应=0.183，95% CI [0.124, 0.251]），直接路径亦显著（β=0.14，p<0.01），表明自我调节学习部分中介了AI辅助练习参与与专家表现发展之间的纵向关联。第三，交叉滞后分析揭示了双向关系：第1波AI辅助刻意练习预测第2波自我调节学习（β=0.31，p<0.001），同时早期自我调节学习也预测后续AI辅助练习参与（β=0.24，p<0.01），表明二者存在动态的互惠关系而非简单的单向输入—输出模式。GCLM分析结果与理论预期一致，在个体内层面两条路径的系数均小于传统交叉滞后估计。第四，稳健性检验显示，主要中介路径在控制基线表现后仍然显著；按乐器族进行的多组分析显示各乐器组路径模式大体相似；性别差异检验和本科生与研究生之间的比较未发现核心结构路径的显著差异；流失分析未发现完成者与未完成者在第1波测量变量上的显著差异。
三、讨论与结论
研究讨论指出，AI辅助练习应用不应被视为刻意练习的替代品，而应被概念化为促进刻意练习条件的教学支持工具。研究发现与自我决定理论（self-determination theory, SDT）的论证一致，即保持学习者自主性对于支持自我调节至关重要。对音乐学院教育者而言，单纯提供AI练习应用可能不足以提升表现，应将AI工具与明确的自我调节学习教学相结合。教师可以利用AI生成的表现分析数据作为教学起点，教导学生设定练习目标、监控进度、批判性评估反馈并反思预期与实际表现之间的差异。研究局限包括：16周的设计可能无法捕捉更长期的发展轨迹；部分变量为自我报告，可能存在社会期望偏差；AI应用环境具有异质性，未统一标准化；分析未使用多水平结构方程模型处理院校和教师层面的聚类效应；标量不变性因缺少模型比较统计量而未能评估；研究为观察性设计，结果应被解释为纵向关联而非因果效应。
研究结论指出，在AI支持的练习环境中，学习者对目标设定、监控、反思和针对性练习的参与可能是值得关注的重要条件。AI辅助音乐练习应用可能支持这些过程，但现有观察性证据不能证明它们独立产生表现提升。未来研究应在标准化和实验或准实验控制条件下检验这一机制，并在可获得嵌套数据时采用多水平纵向模型。
