Perceived usefulness of AI-generated music predicts learning engagement and flow through attention and AI trust

Resumen Técnico: La utilidad percibida de la música generada por IA predice el compromiso con el aprendizaje y el estado de flujo a través de la atención y la confianza en la IA

Planteamiento del problema
Si bien los estudiantes universitarios utilizan ampliamente la música de fondo para gestionar las demandas cognitivas y emocionales durante el estudio, la literatura existente ha pasado por alto, en gran medida, el impacto psicológico específico de la música generada por IA. A diferencia de la música compuesta por humanos, el contenido generado por IA introduce una dimensión evaluativa donde los estudiantes deben valorar el origen y la utilidad del producto algorítmico. Existe un vacío teórico sobre cómo las creencias de los estudiantes respecto a la utilidad de la música por IA influyen en sus resultados de aprendizaje, específicamente a través de los mecanismos de regulación de la atención y la confianza en el sistema de IA. Este estudio aborda este vacío investigando las vías psicológicas que vinculan la utilidad percibida de la música generada por IA con el compromiso con el aprendizaje y la experiencia de flujo.

Metodología
El estudio empleó un diseño cuantitativo de encuesta transversal que involucró a 407 estudiantes universitarios. La investigación utilizó un protocolo de exposición de cuatro semanas en el que los participantes escucharon música generada por IA modelada sobre la tradición estilística de Kinderszenen (Op. 15) de Robert Schumann. Este repertorio específico fue elegido por su baja densidad de información, su perfil afectivo tranquilo y su falta de contenido lingüístico, con el fin de minimizar la carga cognitiva extrínseca.

• Condiciones experimentales: Se informó explícitamente a los participantes que la música era generada por IA para asegurar una medición de la confianza en la IA con validez ecológica. Se les instruyó para que escucharan aproximadamente 30 minutos de la música diariamente, ya sea como una condición de primado (priming) antes del estudio o de forma concurrente durante los primeros 20 minutos del estudio.
• Medidas: El estudio adaptó instrumentos establecidos para cinco constructos clave:
  • Utilidad percibida: Adaptada del Modelo de Aceptación Tecnológica (TAM).
  • Confianza en la IA: Medida mediante una escala de 16 ítems que cubre competencia, fiabilidad, comprensibilidad, utilidad, fe y apego.
  • Atención: Evaluada mediante la versión corta de la Escala de Conciencia de la Atención Plena (MAAS).
  • Compromiso con el aprendizaje: Medido mediante la Escala de Evaluación del Compromiso (AES) de 12 ítitems.
  • Flujo: Evaluado mediante la Escala Corta de Flujo en el Trabajo (SFWS).
• Análisis: Los datos se analizaron mediante el Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM) a través de SmartPLS 4.0. El análisis siguió un enfoque de dos etapas: la evaluación del modelo de medición para la fiabilidad y validez (alfa de Cronbach, confiabilidad compuesta, AVE, Fornell-Larcker, HTMT) y la prueba del modelo estructural para rutas directas e indirectas mediante bootstrapping (5,000 remuestreos).

Resultos Clave
El análisis del modelo estructural confirmó las seis rutas directas hipotetizadas y las cuatro rutas de mediación indirecta:

1. Efectos antecedentes: La utilidad percibida de la música generada por IA predijo significativamente tanto la Atención ($\beta = 0.503, p < .001$) como la Confianza en la IA ($\beta = 0.522, p < .001$).
2. Efectos de mediación:
   • La Atención influyó significativamente de forma positiva en el Compromiso con el aprendizaje ($\beta = 0.394$) y el Flujo ($\beta = 0.303$).
   • La Confianza en la IA influyó significativamente de forma positiva en el Compromiso con el aprendizaje ($\beta = 0.287$) y el Flujo ($\beta = 0.289$).
3. Mediación: Las cuatro rutas indirectas fueron estadísticamente significativas (los intervalos de confianza del 95% excluyeron el cero). La utilidad percibida influyó en los resultados de aprendizaje a través de las vías de la atención y la confianza.
4. Poder explicativo: El modelo explicó el 25.3% de la varianza en la atención, el 27.2% en la confianza en la IA, el 36.6% en el compromiso con el aprendizaje y el 27.5% en el flujo. La relevancia predictiva ($Q^2$) fue positiva para todos los constructos endógenos.

Contribuciones Clave
El estudio realiza dos contribuciones primordiales a la literatura:

1. Extensión del Modelo de Aceptación Tecnológica (TAM): Extiende el TAM hacia el dominio afectivo y experiencial de la música generada por IA. Los hallazgos demuestran que la utilidad percibida no solo impulsa la intención conductual, sino que también moldea la calidad del compromiso cognitivo (atención) y emocional (flujo) con las tareas de aprendizaje.
2. Integración de la Confianza en la IA en contextos de aprendizaje: El estudio identifica la confianza en la IA como un mecanismo mediador crítico. Postula que la confianza funciona como un "puente afectivo", traduciendo la evaluación cognitiva de la utilidad en estados experienciales como el flujo. Esto sugiere que los estudiantes que confían en el sistema de IA reducen la cognición de automonitoreo, lo que permite una inmersión más profunda en las tareas académicas.

Significancia y Reivindicaciones
Los autores afirman que esta investigación proporciona un relato coherente de los procesos psicológicos a través de los cuales un entorno de música por IA moldea el aprendizaje del estudiante. Al validar un modelo de vía dual (cognitivo/atencional y evaluativo/basado en la confianza), el estudio ofrece orientación práctica para el diseño de entornos de aprendizaje mejorados por IA. Específicamente, los autores argumentan que:

• La transparencia es crucial: La divulgación explícita del origen de la IA de la música es una condición necesaria para medir y, potencialmente, fomentar la confianza.
  el éxito del despliegue de la música por IA depende de cómo se introduce la tecnología; la comunicación clara sobre su propósito y base de evidencia puede activar vías evaluativas positivas.
• El encuadre importa: El despliegue exitoso de la música por IA depende de cómo se introduce la tecnología; la comunicación clara sobre su propósito y base de evidencia puede activar vías evaluativas positivas.
• Implicaciones de diseño: Las herramientas de música por IA deben priorizar la transparencia y la explicabilidad para cultivar una confianza calibrada, la cual, a su vez, respalda el flujo y el compromiso.

El estudio reconoce modestamente las limitaciones, señalando que el diseño transversal impide la inferencia causal y que la muestra de una sola institución puede limitar la generalización. Sin embargo, afirma que los hallazgos ofrecen una base teórica para comprender cómo los estudiantes evalúan y se comprometen con los apoyos de estudio algorítmicos.