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

技術的要約：AI生成音楽の知覚された有用性が、注意とAIへの信頼を通じて学習エンゲージメントとフローを予測する

問題提起
背景音楽は、学習中の認知および感情的な要求を管理するために大学生によって広く利用されているが、既存の文献では「AI生成」音楽がもたらす特有の心理的影響については、ほとんど見過ごされてきた。人間が作曲した音楽とは異なり、AI生成コンテンツは、学生がアルゴリズムによる出力の起源と有用性を評価しなければならないという、評価的な次元を導入する。AI音楽に対する学生の信念が、どのように注意調節とAIシステムへの信頼というメカニズムを通じて学習成果に影響を与えるかについては、理論的な空白が存在する。本研究は、AI生成音楽の知覚された有用性が、学習エンゲージメントおよびフロー体験へとつながる心理的経路を調査することで、この空白に対処するものである。

方法論
本研究は、407名の大学生を対象とした横断的な定量的調査デザインを用いた。研究では、参加者にロベルト・シューマンの『子供の情景』（作品15）の様式に基づいたAI生成音楽を4週間にわたって聴取させるプロトコルを採用した。この特定のレパートリーは、情報密度が低く、穏やかな情緒的特性を持ち、言語的内容を含まないことから、外的な認知負荷を最小限に抑えることを意図して選定された。

• 実験条件： AIへの信頼を生態学的妥当性を持って測定するため、参加者には音楽がAIによって生成されたものであることを明示的に伝えた。参加者は、学習前のプライミング条件として、あるいは学習開始後の最初の20分間における学習と並行して、毎日約30分間の音楽を聴取するように指示された。
• 尺度： 本研究では、5つの主要な構成概念に対して確立された尺度を適応させた。
  • 知覚された有用性： テクノロジー受容モデル（TAM）から適応。
  • AIへの信頼： 能力、信頼性、理解可能性、有用性、信念、愛着をカバーする16項目の尺度を用いて測定。
  • 注意： マインドフルネス注意覚醒尺度（MAAS）の短縮版を用いて評価。
  • 学習エンゲージメント： 12項目のアセスメント・エンゲージメント尺度（AES）を用いて測定。
  • フロー： 短縮版フロー・イン・ワーク尺度（SFWS）を用いて評価。
• 分析： データはSmartPLS 4.0を用いた部分的最小二乗構造方程式モデリング（PLS-SEM）によって分析された。分析は、信頼性と妥当性（クロンバックのα、合成信頼性、AVE、Fornell-Larcker、HTMT）を評価する測定モデルの評価と、ブートストラップ法（5,000回の再サンプリング）による直接および間接パスのテストを行う二段階のアプローチに従った。

主な結果
構造モデル分析により、6つの仮説的直接パスと4つの間接媒介パスがすべて確認された：

1. 先行要因の効果： AI生成音楽の知覚された有用性は、注意 ($\beta = 0.503, p < .001$) および AIへの信頼 ($\beta = 0.522, p < .001$) の両方を有意に予測した。
2. 媒介効果：
   • 注意は、学習エンゲージメント ($\beta = 0.394$) および フロー ($\beta = 0.303$) に対して有意に正の影響を与えた。
   • AIへの信頼は、学習エンゲージメント ($\beta = 0.287$) および フロー ($\beta = 0.289$) に対して有意に正の影響を与えた。
3. 媒介作用： 4つすべての間接パスは統計的に有意であった（95%信頼区間がゼロを含まない）。知覚された有用性は、注意および信頼に基づく両方の経路を通じて学習成果に影響を与えた。
4. 説明力： モデルは、注意における分散の25.3%、AIへの信頼における27.2%、学習エンゲージメントにおける36.6%、およびフローにおける27.5%の分散を説明した。予測妥当性（$Q^2$）は、すべての内生変数において正であった。

主な貢献
本研究は、文献に対して主に2つの貢献を行っている：

1. テクノロジー受容モデル（TAM）の拡張： 本研究は、TAMをAI生成音楽の情緒的および経験的な領域へと拡張している。知見は、知覚された有用性が単に行動意図を駆動するだけでなく、学習課題への認知的（注意）および情緒的（フロー）な関与の質を形成することを実証している。
2. 学習コンテキストにおけるAIへの信頼の統合： 本研究は、AIへの信頼を重要な媒介メカニズムとして特定した。これは、信頼が「情緒的な架け橋」として機能し、有用性に関する認知的評価を、フローのような経験的状態へと変換すると仮定している。これは、AIシステムを信頼する学生は自己モニタリングの認知を減少させ、学術的課題へのより深い没入を可能にすることを示唆している。

意義と主張
著者らは、本研究が、AI音楽環境がどのように学生の学習を形作るかという心理的プロセスについて、一貫した説明を提供するものであると主張している。デュアルパスウェイ・モデル（認知的／注意的および評価的／信頼ベース）を検証することで、本研究はAI強化型学習環境のデザインに対する実践的なガイダンスを提供している。具体的には、著者らは以下の通り主張している：

• 透明性が極めて重要である： AIによる音楽の起源を明示的に開示することは、信頼を測定し、あるいは育むための必要条件である。
• フレーミングが重要である： AI音楽の導入の成功は、その技術がどのように導入されるかに依存する。目的やエビデンスに基づいた明確なコミュニケーションは、肯定的な評価経路を活性化することができる。
• 設計上の示唆： AI音楽ツールは、較正された信頼を構築するために、透明性と説明可能性を優先すべきである。これにより、フローとエンゲージメントがサポートされる。

本研究は、横断的なデザインが因果推論を妨げることや、単一機関のサンプルが一般化を制限する可能性があることを指摘し、限界を控えめに認めている。しかし、本研究の知見は、学生がアルゴリズムによる学習補助手段をどのように評価し、関与するかを理解するための理論的基礎を提供するものであると主張している。