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

Resumo Técnico: A Utilidade Percebida de Música Gerada por IA Prediz o Engajamento na Aprendizagem e o Fluxo através da Atenção e da Confiança na IA

Problema
Embora a música de fundo seja amplamente utilizada por estudantes universitários para gerir as exigências cognitivas e emocionais durante o estudo, a literatura existente tem negligenciado, em grande parte, o impacto psicológico específico da música gerada por IA. Diferente da música composta por humanos, o conteúdo gerado por IA introduz uma dimensão avaliativa onde os estudantes devem avaliar a origem e a utilidade do output algorítmico. Existe uma lacuna teórica sobre como as crenças dos estudantes acerca da utilidade da música de IA influenciam os seus resultados de aprendizagem, especificamente através dos mecanismos de regulação atencional e confiança no sistema de IA. Este estudo aborda esta lacuna investigando as vias psicológicas que ligam a utilidade percebida da música gerada por IA ao engajamento na aprendizagem e à experiência de fluxo (flow).

Metodologia
O estudo empregou um design de inquérito quantitativo transversal envolvendo 407 estudantes universitários. A investigação utilizou um protocolo de exposição de quatro semanas onde os participantes ouviram música gerada por IA modelada na tradição estilística de Kinderszenen (Op. 15) de Robert Schumann. Este repertório específico foi escolhido pela sua baixa densidade informacional, perfil afetivo calmo e ausência de conteúdo linguístico, com o intuito de minimizar a carga cognitiva estranha.

• Condições Experimentais: Os participantes foram explicitamente informados de que a música era gerada por IA para garantir uma medição ecologicamente válida da confiança na IA. Foram instruídos a ouvir aproximadamente 30 minutos de música diariamente, seja como uma condição de priming antes do estudo ou concomitantemente durante os primeiros 20 minutos de estudo.
• Medidas: O estudo adaptou instrumentos estabelecidos para cinco constructos chave:
  • Utilidade Percebida: Adaptada do Modelo de Aceitação de Tecnologia (TAM).
  • Confiança na IA: Medida através de uma escala de 16 itens cobrindo competência, fiabilidade, compreensibilidade, utilidade, fé e apego.
  • Atenção: Avaliada utilizando a forma curta da Escala de Consciência de Atenção Plena (MAAS).
  • Engajamento na Aprendizagem: Medido através da Escala de Avaliação de Engajamento (AES) de 12 itens.
  • Fluxo (Flow): Avaliado através da Escala Curta de Fluxo no Trabalho (SFWS).
• Análise: Os dados foram analisados através de Modelação de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM) via SmartPLS 4.0. A análise seguiu uma abordagem de dois estágios: avaliando o modelo de mensuração quanto à fiabilidade e validade (alfa de Cronbach, Fiabilidade Composta, AVE, Fornell-Larcker, HTMT) e testando o modelo estrutural para caminhos diretos e indiretos via bootstrapping (5.000 reamostragens).

Resultos Principais
A análise do modelo estrutural confirmou todos os seis caminhos diretos hipotetizados e os quatro caminhos de mediação indireta:

1. Efeitos Antecedentes: A utilidade percebida da música gerada por IA previu significativamente tanto a Atenção ($\beta = 0,503, p < ,001$) quanto a Confiança na IA ($\beta = 0,522, p < ,001$).
2. Efeitos Mediadores:
   • A Atenção influenciou significativamente de forma positiva o Engajamento na Aprendizagem ($\beta = 0,394$) e o Fluxo ($\beta = 0,303$).
   • A Confiança na IA influenciou significativamente de forma positiva o Engajamento na Aprendizagem ($\beta = 0,287$) e o Fluxo ($\beta = 0,289$).
3. Mediação: Todos os quatro caminhos indiretos foram estatisticamente significativos (intervalos de confiança de 95% excluíram o zero). A utilidade percebida influenciou os resultados de aprendizagem através de vias tanto atencionais quanto baseadas na confiança.
4. Poder Explicativo: O modelo explicou 25,3% da variância na atenção, 27,2% na confiança na IA, 36,6% no engajamento na aprendizagem e 27,5% no fluxo. A relevância preditiva ($Q^2$) foi positiva para todos os constructos endógenos.

Principais Contribuições
O estudo apresenta duas contribuições primárias para a literatura:

1. Extensão do Modelo de Aceitação de Tecnologia (TAM): Estende o TAM para o domínio afetivo e experiencial da música gerada por IA. Os resultados demonstram que a utilidade percebida não apenas impulsiona a intenção comportamental, mas molda a qualidade do engajamento cognitivo (atenção) e emocional (fluxo) com as tarefas de aprendizagem.
2. Integração da Confiança na IA em Contextos de Aprendizagem: O estudo identifica a confiança na IA como um mecanismo mediador crítico. Postula que a confiança funciona como uma "ponte afetiva", traduzindo a avaliação cognitiva de utilidade em estados experienciais como o fluxo. Isto sugere que os estudantes que confiam no sistema de IA reduzem a cognição de automonitorização, permitindo uma imersão mais profunda nas tarefas académicas.

Significado e Alegações
Os autores alegam que esta investigação fornece um relato coerente dos processos psicológicos através dos quais um ambiente de música por IA molda a aprendizagem do estudante. Ao validar um modelo de via dupla (cognitiva/atencional e de avaliação/confiança), o estudo oferece orientação prática para o design de ambientes de aprendizagem potenciados por IA. Especificamente, os autores argumentam que:

• A transparência é crucial: A divulgação explícita da origem da IA da música é uma condição necessária para medir e potencialmente fomentar a confiança.
• O enquadramento importa: O sucesso do uso da música de IA depende de como a tecnologia é introduzida; a comunicação clara sobre o seu propósito e base de evidências pode ativar vias avaliativas positivas.
• Implicações de design: As ferramentas de música de IA devem priorizar a transparência e a explicabilidade para cultivar uma confiança calibrada, que, por sua vez, apoia o fluxo e o engajamento.

O estudo reconhece modestamente as limitações, observando que o design transversal impede a inferência causal e que a amostra de uma única instituição pode limitar a generalização. No entanto, afirma que os resultados oferecem uma base teórica para compreender como os estudantes avaliam e se envolvem com auxiliares de estudo algorítmicos.