Rozwój kreatywności muzycznej za pomocą sztucznej inteligencji: model mediacji łańcuchowej między samoskutecznością a inteligencją emocjonalną / Tingzheng Wang, Junhan Zhang 

2.1. Wykorzystanie sztucznej inteligencji w tworzeniu muzyki

Sztuczna inteligencja (AI) to technologia wykorzystująca maszyny do symulowania ludzkiej inteligencji w celu rozwiązywania złożonych problemów. Wynalezienie komputerów cyfrowych, które usprawniły i usprawniły złożone obliczenia, skłoniło ludzi do rozpoczęcia badań nad wykorzystaniem komputerów do rozumowania ( Nehra, 2015 ). Podstawową koncepcję AI można prześledzić do artykułu Turinga opublikowanego w magazynie Mind w 1950 roku, w którym zaproponowano test Turinga i zapoczątkowano debatę „Czy maszyny potrafią myśleć?” ( Turing, 1980 ). Od tego czasu AI stopniowo przenikała do różnych dziedzin. W muzyce pojawienie się generatywnych narzędzi AI miało ogromny wpływ na różne subdyscypliny muzyki.

Podstawową technologią sztucznej inteligencji (AI) w tworzeniu muzyki są algorytmiczne systemy kompozycji. Liu i Ting (2016) systematycznie analizowali zastosowanie algorytmów ewolucyjnych i sieci neuronowych w generowaniu melodii, projektowaniu rytmów i aranżacjach polifonicznych, wskazując, że technologie te mogą symulować myślenie kompozycyjne za pomocą metod opartych na danych, generując złożone struktury muzyczne. Najnowsze osiągnięcia technologiczne zmierzają do łączenia wielu rodzajów informacji (takich jak dźwięk, obrazy i tekst), aby wspomagać sztuczną inteligencję w generowaniu muzyki. Deruty i in. (2022) potwierdzili zalety narzędzi AI wykorzystujących sygnały audio jako dane wejściowe w kompozycji, aranżacji i miksie w kontekście produkcji muzyki popularnej. Narzędzia te mogą bezpośrednio przetwarzać surowy dźwięk, zapewniając kompozytorom natychmiastową informację zwrotną, obniżając bariery techniczne i poprawiając efektywność twórczą. Ponadto, opracowany przez Bretana i Weinberga (2016) interaktywny system kompozycji AI, który dynamicznie generuje akompaniament, analizując intencje wykonawcy w czasie rzeczywistym, dodatkowo poszerza granice improwizacji. Sztuczna inteligencja nie ma na celu zastąpienia ludzkich twórców, lecz raczej poszerzenia możliwości twórczych poprzez rozproszoną inteligencję. Opierając się na teorii kreatywności muzycznej (nowość, zaskoczenie i wartość), Gioti (2020) porównał różnice między ludźmi a sztuczną inteligencją w tworzeniu muzyki: ludzie są dobrzy w wyrażaniu semantyki w oparciu o kontekst kulturowy, podczas gdy sztuczna inteligencja potrafi generować nowe kombinacje wykraczające poza doświadczenie dzięki masowej eksploracji danych. Rozwijając ten temat, Zulić (2019) wskazał dalej, odwołując się do przykładów z dziedziny edukacji, że sztuczna inteligencja może służyć jako „katalizator kreatywności”, pomagając początkującym kompozytorom przełamać ograniczenia umiejętności. Na przykład narzędzia wspomagane przez sztuczną inteligencję mogą generować wiele wariantów na podstawie prostych danych wprowadzanych przez użytkownika lub ujawniać potencjalne ścieżki harmoniczne za pomocą interfejsu wizualnego, przyspieszając w ten sposób naukę i inspirując kreatywność. Takie praktyki potwierdzają, że ludzie i sztuczna inteligencja mogą osiągać wartość twórczą poprzez uzupełniającą się współpracę. W oparciu o istniejące badania, niniejszy artykuł przeprowadzi badania empiryczne w celu analizy wpływu wykorzystania sztucznej inteligencji w tworzeniu muzyki na indywidualną kreatywność muzyczną.

2.2. Muzyczna samoskuteczność

Samoskuteczność odnosi się do oceny jednostki dotyczącej jej zdolności do pomyślnego wykonania zadania w określonej sytuacji ( Schwarzer i Luszczyńska, 2008 ; Waddington, 2023 ). Bandura zdefiniował ją jako „osąd jednostki dotyczący jej zdolności do organizowania i wykonywania działań w celu osiągnięcia z góry określonych celów wykonawczych” ( Bandura, 1986 ). Koncepcja ta koncentruje się na subiektywnych przekonaniach jednostek na temat ich własnych umiejętności, a nie na rzeczywistych umiejętnościach lub wykonaniu. Na tej podstawie niniejszy artykuł koncentruje się na muzycznej samoskuteczności w kontekście przekonań jednostek na temat ich umiejętności w takich działaniach muzycznych jak śpiewanie i granie na instrumencie. Teoria samoskuteczności Bandury proponuje cztery główne źródła: osobiste doświadczenie bezpośrednie (doświadczenia zakończone sukcesem), doświadczenie zastępcze, perswazja przez innych (perswazja społeczna) oraz stany fizjologiczne i emocjonalne ( Bandura, 2002 ). Te ramy stanowią teoretyczną podstawę do zrozumienia czynników osobistych i zewnętrznych, które wpływają na samoskuteczność w procesie uczenia się muzyki. W kontekście badań nad muzyką, Zarza-Alzugaray i in. (2020) omówili czynniki wpływające na poczucie własnej skuteczności studentów muzyki, podkreślając znaczenie zarówno czynników osobistych, jak i środowiskowych w osiąganiu sukcesu. Badania wskazują, że poczucie własnej skuteczności w muzyce jest ściśle powiązane z wynikami i silnie skorelowane z poziomem motywacji. Badania sugerują, że motywacja osobista, regulacja emocjonalna i środowisko uczenia się są kluczowymi czynnikami wpływającymi na poczucie własnej skuteczności w rozwoju kariery muzycznej. Podobnie, badanie Ritchiego i Williamona (2012) zbadało związek między poczuciem własnej skuteczności a jakością wykonania muzyki. W badaniu przeanalizowano związek między poczuciem własnej skuteczności, czasem przeznaczonym na ćwiczenia oraz samoregulacją uczenia się i oceny wśród studentów kierunków muzycznych a jakością ich wykonania. Wyniki wskazują, że poczucie własnej skuteczności odgrywa ważną rolę w przewidywaniu samooceny jakości wykonania przez studentów. Wymienieni powyżej badacze zbadali związek między poczuciem własnej skuteczności a wykonaniem muzyki w różnych wymiarach. Ponadto badania Hewitta koncentrują się na wymiarze udanych doświadczeń. Badanie analizuje, jak uczniowie szkół średnich grający w zespole muzycznym mają tendencję do niedoceniania swoich występów w miarę rozwoju umiejętności wykonawczych ( Hewitt, 2015 ). McPherson i McCormick (2006)Badania koncentrowały się na wpływie poczucia własnej skuteczności na zdolności wykonawcze młodych muzyków, a w szczególności na jego roli predykcyjnej w egzaminach muzycznych. Analiza modelowania równań strukturalnych wykazała, że ​​pomimo różnic w wynikach obu rodzajów egzaminów muzycznych, poczucie własnej skuteczności pozostało najważniejszym predyktorem wykonania. Odkrycia podkreślają kluczową rolę poczucia własnej skuteczności w wykonaniu muzycznym i omawiają implikacje tego odkrycia w ostatniej części artykułu. Badania Jianga badają wpływ nauki muzyki na wyniki w nauce i zdrowie psychiczne uczniów oraz analizują pośredniczącą rolę poczucia własnej skuteczności i poczucia własnej wartości w tym procesie ( Jiang, 2024 ). Wyniki wskazują, że edukacja muzyczna może znacząco poprawić zdrowie psychiczne uczniów, a ta poprawa dodatkowo sprzyja ich wynikom w nauce. Ponadto badanie wykazało również, że poczucie własnej skuteczności i poczucie własnej wartości odgrywają ważną rolę pośredniczącą w relacji między zdrowiem psychicznym a edukacją muzyczną.

2.3. Inteligencja emocjonalna muzyczna

Inteligencja emocjonalna jest uważana za zdolność do dokładnej oceny i wyrażania własnych emocji i emocji innych, a także zdolność do skutecznego regulowania własnych emocji i emocji innych oraz wykorzystywania emocji do motywowania, planowania i osiągania osobistych celów ( Neubauer i Freudenthaler, 2005 ). Inteligencja emocjonalna (IE) obejmuje cztery kluczowe umiejętności: zdolność do oceny i wyrażania własnych emocji, zdolność do rozpoznawania i oceniania emocji innych, zdolność do zarządzania własnymi emocjami i zdolność do wykorzystywania emocji. Te umiejętności pomagają jednostkom rozumieć i regulować własne emocje i emocje innych, promując pozytywne zachowania i lepsze osiągnięcia osobiste ( Law i in., 2004 ). Jako ważna gałąź inteligencji emocjonalnej, muzyczna inteligencja emocjonalna koncentruje się na dokładnej ocenie stanów emocjonalnych jednostek i zespołów podczas zajęć muzycznych, regulowaniu i optymalizowaniu wykonania muzycznego poprzez natychmiastową informację zwrotną oraz promowaniu komunikacji emocjonalnej i współpracy podczas procesu tworzenia i wykonywania muzyki. Amerykański psycholog Howard Gardner zaproponował teorię inteligencji wielorakich, która identyfikuje osiem odrębnych i względnie niezależnych form inteligencji. Jedną z nich jest inteligencja muzyczna, reprezentująca zdolność jednostki do komponowania i doceniania elementów muzycznych, takich jak rytm, uderzenie i wysokość dźwięku. Zastosowana do jednostki, objawia się umiejętnościami śpiewania, gry na instrumentach muzycznych i komponowania muzyki ( Gardner, 2008 ). Otchere (2014) zbadał związek między preferencjami muzycznymi (MP) a inteligencją emocjonalną (IE). W badaniu o mieszanym modelu badawczym z udziałem 100 studentów studiów licencjackich stwierdzono, że rodzaj muzyki jest istotnie związany z inteligencją emocjonalną. Rodzaje muzyki dynamicznej i tradycyjnej są dodatnio skorelowane z inteligencją emocjonalną, podczas gdy rodzaje muzyki intensywnej i buntowniczej są ujemnie skorelowane. Ponadto ścieżki dźwiękowe filmów i motywy przewodnie są dodatnio skorelowane z inteligencją emocjonalną, podczas gdy muzyka rockowa jest ujemnie skorelowana. Podobne badania przeprowadzone przez Resnicow i in. (2004) zbadały związek między inteligencją emocjonalną (IE) a zdolnością rozpoznawania emocji w wykonaniu muzycznym. W badaniu 24 studentów rozwiązało Test Inteligencji Emocjonalnej Mayera-Saloveya-Caruso (MSCEIT) oraz zadanie polegające na rozpoznawaniu emocji w muzyce, które wymagało od studentów identyfikacji emocji wyrażanych podczas występów na fortepianie klasycznym. Wyniki wykazały istotną dodatnią korelację między inteligencją emocjonalną a zdolnością do rozpoznawania emocji w zadaniu muzycznym, co wskazuje, że zdolność do rozpoznawania emocji w wykonaniu muzycznym jest powiązana z pewnymi aspektami codziennej inteligencji emocjonalnej. Jia i Ayob (2025)zbadał znaczenie inteligencji emocjonalnej (IE) w występach muzycznych i rozwoju osobistym. Badania podkreśliły znaczenie integracji inteligencji emocjonalnej z edukacją muzyczną. Podstawowe wymiary IE (takie jak samoświadomość i empatia) odgrywają kluczową rolę w poprawie ekspresji muzycznej, precyzji technicznej i więzi emocjonalnej. Poprzez włączenie strategii IE do edukacji muzycznej, nauczyciele mogą rozwijać zdolności artystyczne i emocjonalne uczniów, zmniejszając w ten sposób lęk przed występem, zwiększając odporność i promując głębsze więzi między muzykami a publicznością. Gleason badał związek między zdolnościami muzycznymi a inteligencją emocjonalną i zaproponował, że zdolności muzyczne odgrywają rolę pośredniczącą w wpływie treningu muzycznego na inteligencję emocjonalną ( Gleason, 2014 ). W oparciu o powyższy przegląd literatury, niniejszy artykuł koncentruje się na inteligencji muzycznej i emocjach jako zdolności jednostek do dokładnej oceny i regulacji własnych i cudzych emocji podczas zajęć muzycznych, jednocześnie promując komunikację emocjonalną i współpracę poprzez ekspresję muzyczną. Łączy inteligencję muzyczną i inteligencję emocjonalną, aby pomóc jednostkom zwiększyć głębię emocjonalną i ekspresję ich kompozycji muzycznych i wykonań poprzez rozpoznawanie i regulację emocji w procesie grania, komponowania i doceniania muzyki.

2.4. Kreatywność muzyczna

Międzynarodowi naukowcy rozpoczęli badania nad kreatywnością muzyczną w latach 50., 40. i 30. XX wieku. Kreatywność muzyczna jest skoncentrowaną manifestacją różnych form praktyki i zajmuje centralne miejsce w edukacji muzycznej. Istniejące badania nad kreatywnością muzyczną koncentrują się głównie na profesjonalnych muzykach i kompozytorach ( Burnard, 2012 ). Ryan i Brown (2012) badali rozwój i pomiar kreatywności muzycznej w swoich badaniach. Kreatywność muzyczna jest uważana za umiejętność, którą uczniowie rozwijają w trakcie swojego rozwoju i chociaż ma ona znaczącą wartość w edukacji, jej definicja pozostaje niejasna. Kreatywność muzyczna obejmuje kilka różnych wymiarów, w tym muzyczną ekspansywność, muzyczną elastyczność, muzyczną unikatowość i muzyczną składnię ( Burnard, 2012 ). Jej skalowalność pozwala jej obejmować różne formy tworzenia i ekspresji, nie tylko w komponowaniu i improwizacji, ale także w niestandardowych działaniach muzycznych, takich jak edukacja i występy, co pokazuje jej potencjał do zastosowania w różnych kontekstach ( Bacht i Barlow, 2009 ). Elastyczność przejawia się w zdolności jednostek do szybkiego dostosowywania się do różnych stylów muzycznych i szybkiego rozpoznawania różnych stylów utworów muzycznych ( Alward, 2023 ).

Unikalność muzyki odnosi się do zdolności wyrażania silnego, osobistego stylu w procesie twórczym, a unikalność jest również jedną z głównych cech innowacyjnych dzieł muzycznych ( Monelle, 1997 ). Składnia muzyczna obejmuje różne elementy kompozycji muzycznej, takie jak melodia, harmonia, rytm i forma. Te elementy muzyczne wymagają od kompozytorów przestrzegania pewnych reguł formalnych i strukturalnych, a jednocześnie wprowadzania innowacji w ich ramach, aby tworzyć nowe i znaczące ekspresje muzyczne ( Gundlach, 1935 ).

W artykule Runco „Standardowa definicja kreatywności” zaproponował on dwa ważne czynniki kreatywności muzycznej: kreatywność i oryginalność. Kreatywność jest niezbędnym elementem kreatywności muzycznej i często jest postrzegana jako przejaw nowości lub unikalności. Oryginalne pomysły i dzieła mogą jednak nadal być bezużyteczne, a nawet bezsensowne, jeśli brakuje im praktyczności i skuteczności. Sama oryginalność nie wystarczy, aby stanowić rdzeń kreatywności muzycznej. Prawdziwie kreatywne dzieła muzyczne muszą być nie tylko oryginalne, ale także skuteczne, zdolne do wykazania użytecznych, stosownych lub odpowiednich cech w praktycznym zastosowaniu ( Runco i Jaeger, 2012 ). W celu przeprowadzenia interdyscyplinarnych badań nad kreatywnością muzyczną, międzynarodowi naukowcy Deliège i Wiggins po raz pierwszy zaproponowali koncepcję kreatywności muzycznej w swojej książce z 2006 roku „Musical Creativity: Multidisciplinary Research in Theory and Practice”. Książka podkreśla wspólne zainteresowania kompozytorów, wykonawców, naukowców i innych osób w tej dziedzinie. Chociaż dzięki współpracy interdyscyplinarnej poczyniono pewne postępy, natura i pochodzenie kreatywności muzycznej pozostają nierozwiązaną zagadką, zwłaszcza w dziedzinie psychologii, gdzie badania nad kreatywnością muzyczną muszą jeszcze wypracować zunifikowaną teorię ( Deliège i Wiggins, 2006 ). Kreatywność muzyczna to nie tylko nagły błysk inspiracji, ale raczej innowacyjne połączenie informacji poprzez zwykłe procesy poznawcze, takie jak rozumowanie, reprezentacja, skojarzenia, pamięć robocza i autorefleksja. W tym kontekście komponowanie muzyki postrzegane jest jako złożona aktywność poznawcza, w której różne funkcje poznawcze oddziałują na siebie, aby wytworzyć nowe, znaczące idee lub doświadczenia ( López-González i Limb, 2012 ). Pachet (2006) omówił wyzwania związane z badaniem kreatywności muzycznej, w szczególności to, jak obiektywnie mierzyć kreatywność muzyczną. Uważa, że ​​chociaż kreatywność muzyczna może być wyrażona w dziełach, tradycyjne metody badawcze często ignorują jej subiektywne doświadczenie i upraszczają je do obiektywnych ocen. Pachet argumentuje, że kreatywność muzyczną należy postrzegać z subiektywnej perspektywy jako osobiste doświadczenie twórcze, szczególnie w interakcji z systemami komputerowymi. Sugeruje, że ta forma interakcji ma istotne znaczenie dla zrozumienia twórczości muzycznej. Ta perspektywa różni się od tradycyjnego komponowania czy wykonywania, kładąc nacisk na interakcję między technologią a podmiotem twórczym.

3.1. Wykorzystanie sztucznej inteligencji może mieć pozytywny wpływ na rozwój kreatywności muzycznej studentów

Zastosowanie narzędzi muzycznych opartych na sztucznej inteligencji głęboko zmienia krajobraz tworzenia muzyki. Platformy do tworzenia AI, takie jak Suno i ChatMusic, zapewniają uczniom niskoprogowe, wysoce interaktywne środowisko kreatywne dzięki inteligentnym funkcjom generowania melodii i aranżacji harmonii. Badania Chen ujawniają kluczowe mechanizmy, dzięki którym ta technologiczna interwencja wspiera kreatywność muzyczną: narzędzia AI, dzięki systemom natychmiastowej informacji zwrotnej i spersonalizowanemu wsparciu twórczemu, nie tylko redukują bariery techniczne, ale co ważniejsze, stymulują kreatywne myślenie uczniów ( Chen, 2025 ). Kiedy uczniowie używają narzędzi AI do pracy twórczej, różnorodne szablony stylów muzycznych i funkcje edycji w czasie rzeczywistym zapewniane przez system mogą skutecznie poszerzać granice ich wyobraźni muzycznej i zachęcać ich do rozwijania unikalnych ekspresji muzycznych poprzez wielokrotne próby i błędy. Badania Zhang w zakresie edukacji chóralnej dodatkowo potwierdzają to odkrycie, a dane pokazują, że uczniowie, którzy korzystali z kompozycji wspomaganych przez AI przez długi czas, uzyskali znacznie wyższe wyniki w ocenach oryginalności muzycznej ( Zhang, 2025 ).

Strefa najbliższego rozwoju (ZPD) to koncepcja psychologii edukacyjnej zaproponowana przez Wygotskiego, odnosząca się do luki między zadaniami, które uczniowie mogą obecnie wykonać samodzielnie, a zadaniami, które mogą wykonać z pomocą z zewnątrz (takich jak nauczyciele lub narzędzia) ( Shabani i in., 2010 ). Teoria ta podkreśla, że ​​uczniowie mogą osiągnąć wyższy poziom poznawczy przy odpowiednim wsparciu niż podczas nauki samodzielnej, zwłaszcza w obliczu złożonych zadań edukacyjnych. Teoria ta podkreśla głównie, że jednostki mogą wykonać trudniejsze zadania z pomocą czynników zewnętrznych, takich jak progresje akordów, układ strukturalny i rozwój motywacyjny. Podobnie Al-Ghawanmeh i in. (2014) zaproponowali automatyczną metodę generowania akompaniamentu melodii do improwizowanego śpiewu arabskiego (Mawwāl) przy użyciu informatyki. W badaniu przeanalizowano model sieciowy Mawaweel w celu zidentyfikowania nut obrotowych maqam i wykorzystano te nuty do generowania ścieżek akompaniamentu, stosując techniki takie jak połączenie sekwencyjne i glissando. Analiza porównawcza z występami na żywo wykazała, że ​​model może skutecznie symulować improwizowany akompaniament, co stanowi teoretyczne wsparcie dla jego zastosowania w komponowaniu muzyki z wykorzystaniem sztucznej inteligencji. Motukeeva i in. (2024) stwierdzili, że wykorzystanie cyfrowych narzędzi edukacyjnych znacząco poprawiło kreatywne myślenie uczniów, zwłaszcza zwiększając odsetek wysokiej kreatywności muzycznej i zmniejszając odsetek niskiej kreatywności muzycznej. Wskazuje to, że technologia cyfrowa ma pozytywny wpływ na rozwój kreatywności muzycznej uczniów. W oparciu o teorię ZPD, cyfrowe narzędzia edukacyjne (AI) zapewniają uczniom odpowiednie wsparcie zewnętrzne, pomagając im osiągnąć wyższy poziom kreatywnego myślenia w ramach ich potencjalnych możliwości. Dzięki temu wsparciu uczniowie są w stanie przekroczyć swoje obecne poziomy poznawcze z pomocą nauczycieli lub narzędzi, promując w ten sposób rozwój ich kreatywności muzycznej i złożonego myślenia. Na tej podstawie niniejszy artykuł proponuje następujące hipotezy:

H1 : Wykorzystanie sztucznej inteligencji może mieć pozytywny wpływ na rozwój kreatywności muzycznej studentów.

3.2. Inteligencja emocjonalna związana z muzyką pośredniczy między wykorzystaniem sztucznej inteligencji a kreatywnością muzyczną

Innowacje technologiczne w narzędziach muzycznych AI przekształcają mechanizmy rozwoju kreatywności muzycznej poprzez pośrednią ścieżkę inteligencji emocjonalnej. Dzięki powszechnemu stosowaniu systemów tworzenia opartych na AI, mechanizmy emocjonalne leżące u podstaw tworzenia muzyki uległy transformacji. Narzędzia te wyraźnie ukazują powiązania między elementami muzycznymi a cechami emocjonalnymi, takimi jak rozkładanie emocji „smutku” na określone kombinacje interwałów i wzorców rytmicznych, umożliwiając twórcom intuicyjne zrozumienie i manipulowanie gramatyką emocjonalną muzyki. Technologia ta znacząco wzmacnia muzyczną inteligencję emocjonalną twórców — zdolność do identyfikowania, wyrażania i regulowania emocji za pomocą systemu notacji muzycznej. Badania Vadlamudiego i Curhy pokazują, że grupy wykorzystujące narzędzia AI do tworzenia uzyskały znacznie wyższe wyniki w skali MEI, a ten wzrost był istotnie pozytywnie skorelowany z wynikami kreatywności ich dzieł (Vadamudi i Curha, 2019 ). Warto zauważyć, że technologia AI ma zróżnicowany pod względem płci wpływ na inteligencję emocjonalną. Jia i Ayob (2025) odkryli, że kobiety-twórczynie lepiej przyswajają i stosują zasady sztucznej inteligencji do wizualizacji emocji, co może być związane z ekspresją emocjonalną osób różnych płci w procesie ich rozwoju. Podsumowując, technologia sztucznej inteligencji przekształca inteligencję emocjonalną z umiejętności „zależnej od talentu” w umiejętność „wzmocnioną technologią”, skutecznie poszerzając bazę demograficzną dla twórczości muzycznej. Na tej podstawie niniejszy artykuł stawia następującą hipotezę:

H2 : Inteligencja emocjonalna związana z muzyką pośredniczy w relacji między wykorzystaniem sztucznej inteligencji a kreatywnością muzyczną.

3.3. Muzyczna samoskuteczność pośredniczy w relacji między wykorzystaniem sztucznej inteligencji a kreatywnością muzyczną

Integracja narzędzi muzycznych sztucznej inteligencji przekształca ścieżki rozwoju kreatywności muzycznej poprzez psychologiczny mechanizm poczucia własnej skuteczności. W oparciu o teorię poznawczo-społeczną, wzmacniający wpływ technologii AI na poczucie własnej skuteczności w muzyce (tj. wiarę jednostki w swoją zdolność do ukończenia zadań związanych z tworzeniem muzyki) stanowi podstawową ścieżkę pośredniczącą, poprzez którą AI wpływa na kreatywność muzyczną. Mechanizm ten objawia się następująco: gdy uczniowie używają narzędzi muzycznych AI do tworzenia, system zapewnia natychmiastową pozytywną informację zwrotną i wsparcie w dekompozycji zadań (takie jak generowanie oparte na utworach), co zmniejsza złożoność techniczną, pomaga uczniom gromadzić udane doświadczenia i tym samym zwiększa ich poziom poczucia własnej skuteczności ( Wang i Li, 2024 ). Badania Merricka wykazały, że to psychologiczne wzmocnienie zwiększa poczucie własnej skuteczności, które jest ściśle związane z zachowaniami samoregulacyjnymi uczniów podczas procesu twórczego ( Merrick, 2006 ). Uczniowie o wysokim poczuciu własnej skuteczności wykazują coraz bardziej złożone zachowania samoregulacyjne, podczas gdy ci o niskim poczuciu własnej skuteczności stosują te zachowania rzadziej. W trakcie wykonywania zadań, zdolności samoregulacyjne uczniów również stopniowo się poprawiają, co wskazuje, że poczucie własnej skuteczności w muzyce odgrywa kluczową rolę w rozwijaniu kreatywności muzycznej. Ta interaktywna zależność została dodatkowo potwierdzona w badaniu Lemonsa nad zachowaniami twórczymi, w którym zebrano dane od 242 studentów dotyczące ich aktywności twórczej i postrzegania własnych zdolności twórczych za pomocą ankiety otwartej. Wyniki pokazały, że zachowania twórcze są rzeczywiście powiązane z poczuciem własnej skuteczności w twórczości ( Lemons, 2010 ).

Teoria społeczno-poznawcza Bandury dostarcza solidnych ram teoretycznych dla mechanizmu mediacyjnego, poprzez który narzędzia muzyczne AI wpływają na kreatywność muzyczną poprzez poczucie własnej skuteczności ( Luszczyńska i Schwarzer, 2015 ). Teoria ta podkreśla, że ​​jednostki aktywnie kształtują ścieżki behawioralne poprzez systemy samoregulacji w interakcjach z otoczeniem, podczas gdy poczucie własnej skuteczności odgrywa kluczową rolę w wyborze behawioralnym, wysiłku i wytrwałości. W tej teorii poczucie własnej skuteczności, jako podstawowa zmienna poznawcza, wykazuje istotny efekt mediacyjny w scenariuszach tworzenia muzyki z wykorzystaniem technologii AI. Wang i Li (2024) odkryli w swoim badaniu chińskich studentów muzyki, że poczucie własnej skuteczności i gotowość do technologii AI mogą wyjaśniać do 63% wariancji w wynikach akademickich. Wyniki te ujawniają powiązany związek między wewnętrznymi przekonaniami jednostek a ich zdolnością do przyjmowania technologii. Sugerują również, że badając wpływ narzędzi muzycznych AI na kreatywność muzyczną, musimy rozważyć poczucie własnej skuteczności muzycznej jako potencjalną kluczową zmienną mediacyjną. Gdy studenci muzyki mają większą pewność co do swoich zdolności twórczych i ekspresyjnych, chętniej podejmują aktywne i efektywne próby wykorzystania narzędzi AI do tworzenia muzyki, wykazując tym samym wyższy poziom rzeczywistej kreatywności. Zarza-Alzugaray i in. (2020)Ujawniono również mechanizm kształtowania poczucia własnej skuteczności w muzyce z perspektywy wsparcia społecznego i czynników emocjonalnych. Wykorzystano modelowanie równań strukturalnych, aby wykazać, że wsparcie społeczne ze strony rodziny, nauczycieli i rówieśników wzmacnia poczucie własnej skuteczności uczniów poprzez złagodzenie lęku związanego z występem muzycznym. Badanie wykazało również różnice płciowe w procesie budowania poczucia własnej skuteczności, co wskazuje, że różnice indywidualne powinny być uwzględniane w rozważaniach dydaktycznych. Rozszerzając to odkrycie na kontekst tworzenia muzyki z wykorzystaniem sztucznej inteligencji, sugeruje się, że gdy jednostki są narażone na działanie narzędzi sztucznej inteligencji w środowisku o wystarczającym wsparciu społecznym, komforcie psychologicznym i stabilności emocjonalnej, są bardziej skłonne do rozwinięcia poczucia kontroli i pewności siebie w procesie tworzenia muzyki. Opierając się na teorii społeczno-poznawczej, uważamy, że poczucie własnej skuteczności w muzyce jest nie tylko pomostem między narzędziami muzycznymi opartymi na sztucznej inteligencji a kreatywnością muzyczną, ale także zmienną psychologiczną, która odgrywa kluczową rolę moderującą i mediacyjną w tym mechanizmie. Uczniowie o muzycznej skuteczności chętniej korzystają z nowych technologii i angażują się w eksperymenty oraz innowacje stylistyczne z pomocą narzędzi sztucznej inteligencji. Proces ten dodatkowo wzmacnia ich poczucie własnej skuteczności poprzez ciągłe zdobywanie „doświadczeń mistrzowskich” – czyli informacji zwrotnych z rzeczywistych sukcesów twórczych – tworząc dodatnią pętlę sprzężenia zwrotnego. Z drugiej strony, osoby o niskim poczuciu własnej skuteczności mogą nie w pełni wykorzystać potencjału narzędzi AI, nawet jeśli posiadają gotowość techniczną, z powodu braku motywacji wewnętrznej. Na tej podstawie proponuje się następujące hipotezy:

H3 : Wiara w skuteczność muzyki pośredniczy w relacji między wykorzystaniem sztucznej inteligencji a kreatywnością muzyczną.

3.4. Pośrednicząca rola muzycznej samoskuteczności i muzycznej inteligencji emocjonalnej w wpływie wykorzystania sztucznej inteligencji na kreatywność muzyczną

W oparciu o teorię Strefy Bliskiego Rozwoju i teorię społeczno-poznawczą, niniejszy artykuł proponuje następujący model mediacji łańcuchowej, w którym wykorzystanie sztucznej inteligencji (AI) pozytywnie wpływa na kreatywność muzyczną poprzez poczucie własnej skuteczności i muzyczną inteligencję emocjonalną. Po pierwsze, wraz ze wzrostem wykorzystania narzędzi muzycznych AI, twórcy otrzymują natychmiastową informację zwrotną i pozytywne doświadczenia, co prowadzi do znacznej poprawy ich poczucia własnej skuteczności w muzyce – czyli wiary we własne możliwości twórcze. To zwiększone poczucie własnej skuteczności nie tylko bezpośrednio promuje motywację twórczą i zachowania eksploracyjne, ale także dodatkowo stymuluje twórców do aktywnego wykorzystywania funkcji przetwarzania emocji narzędzi AI, poprawiając tym samym ich zdolność do identyfikowania, wyrażania i regulowania elementów muzycznych i emocji. Ostatecznie, ta zwiększona inteligencja emocjonalna umożliwia twórcom dokładniejsze przekształcanie wewnętrznych emocji w innowacyjne ekspresje muzyczne, co pozytywnie wpływa na kreatywność muzyczną. Na tej podstawie niniejszy artykuł proponuje następujące hipotezy (proponowany schemat modelu przedstawiono na rysunku 1 ):

H4 : Samoskuteczność muzyczna i inteligencja emocjonalna związana z muzyką wpływają na wpływ wykorzystania sztucznej inteligencji na kreatywność muzyczną.

4.1. Odbiorcy i dystrybucja kwestionariusza

Niniejsze badanie koncentruje się na studentach w wieku 18–22 lat i wykorzystuje metodę losowego doboru warstwowego do przeprowadzenia ankiet offline na sześciu uniwersytetach (Uniwersytet Tongji, Uniwersytet Szanghajski, Uniwersytet Normalny w Shaanxi, Uniwersytet Normalny w Xihua, Uniwersytet Hunan) oraz trzech szkołach wyższych (Shaanxi Art Vocational College, Xianyang Vocational and Technical College, Shaanxi Youth Vocational College) w Chinach. Uczestnicy badania muszą mieć ukończone 18 lat, korzystać z narzędzi do tworzenia muzyki opartych na sztucznej inteligencji co najmniej raz w ciągu ostatnich 3 miesięcy oraz być studentami kierunków związanych z muzyką (dopuszczalne są zarówno specjalizacje teoretyczne, jak i praktyczne). Przed formalnym badaniem, zespół badawczy przeprowadził na początku stycznia 2025 roku wstępną ankietę na małą skalę, losowo rozdając 30 ankiet wstępnych na Uniwersytecie Normalnym w Shaanxi i odzyskując 26 wypełnionych ankiet. Osiemnastu respondentów zostało zaproszonych do udziału w dyskusjach grupowych, aby omówić takie kwestie, jak niejasne lub trudne do zrozumienia wyrażenia w kwestionariuszu. W związku z tym te 26 próbek wyłączono z ostatecznej analizy statystycznej. Na koniec dokonano doprecyzowania semantycznego i korekt złożonych wyrażeń w kwestionariuszu, takich jak „samoocena kreatywności muzycznej” i „uzależnienie od narzędzi AI”.

Formalne badanie ankietowe przeprowadzono od stycznia do maja 2025 r. Zespół badawczy odwiedził dziewięć uniwersytetów i rekrutował uczestników na miejscu za pośrednictwem wystaw kampusowych i innymi sposobami. Kwestionariusze rozesłano do studentów kierunków muzycznych na różnych poziomach edukacji (zawodowy, licencjacki i magisterski), a średni czas wypełnienia ankiety wyniósł 10–15 minut. Aby ściśle chronić prawa uczestników, badanie przeprowadzono całkowicie anonimowo, a anonimowość została zapewniona na każdym etapie przetwarzania danych: po pierwsze, w trakcie procesu wyrażania świadomej zgody uczestnicy zostali wyraźnie poinformowani, że mogą użyć pseudonimu do podpisania, a podpis będzie służył jedynie do potwierdzenia zrozumienia przez nich treści badania i dobrowolnego udziału. Po drugie, wszyscy uczestnicy zostali poinformowani, że zachowują prawo do bezwarunkowego wycofania się z ankiety w dowolnym momencie po podpisaniu formularza zgody. Wreszcie, zebrane papierowe kwestionariusze zostały bezpiecznie przechowywane i zapieczętowane przez autora korespondencyjnego, a żaden inny badacz nie miał dostępu do oryginalnych dokumentów, co w pełni chroniło prywatność uczestników ( Tabela 1 ).

4.2. Pomiar zmiennych

Kluczowe zmienne w tym badaniu mierzono za pomocą standaryzowanych skal, które zostały zatwierdzone przez środowisko akademickie. Wszystkie elementy zostały skwantyfikowane za pomocą pięciostopniowej skali Likerta, z następującymi ustawieniami skali: 1 oznacza „zdecydowanie się nie zgadzam”, 2 oznacza „raczej się nie zgadzam”, 3 oznacza „neutralny”, 4 oznacza „raczej się zgadzam”, a 5 oznacza „zdecydowanie się zgadzam”. Wszystkie skale zostały poddane korektom adaptacyjnym uwzględniającym różnice kulturowe, aby zapewnić zgodność wymiarów pomiaru z kontekstem badawczym.

(1) Wykorzystanie sztucznej inteligencji w komponowaniu muzyki: Niniejsze badanie opiera się na teoretycznych ramach skali wykorzystania ChatGPT, zaproponowanych przez Nemt-Allah i in. (2024) , i zostało systematycznie zrewidowane w celu uwzględnienia specyficznych cech kompozycji muzycznej. Zachowując oryginalną skalę, dostosowano ją do kontekstu komponowania muzyki i rozwinięto w trzy główne wymiary, obejmujące: pomoc w kreatywnym komponowaniu, wsparcie produkcji muzycznej oraz zależność od wyników AI i zaufanie do nich. W rezultacie powstało narzędzie do oceny zastosowań AI w kompozycjach muzycznych, zawierające łącznie 15 elementów.

(2) Samoskuteczność muzyczna: W niniejszym badaniu zastosowano trójwymiarowy system pomiaru samoskuteczności muzycznej opracowany przez Ritchiego i Williamona (2011) , którego podstawowe wymiary obejmują pewność siebie, wytrwałość w dążeniu do celu oraz osiąganie celów i rozwiązywanie problemów, systematycznie oceniając samoskuteczność w praktyce muzycznej. Na tej podstawie wprowadzono odpowiednie modyfikacje zgodnie z przedmiotem badań niniejszego artykułu, zachowując 14 pozycji jako pozycje pomiarowe.

(3) Inteligencja emocjonalna w muzyce: Niniejsze badanie opiera się na teoretycznych ramach inteligencji emocjonalnej opracowanych przez Law i in. (2004) i opiera się na nich, aby opracować czterowymiarowy system oceny inteligencji emocjonalnej w muzyce. Przekształć elementy kontekstu społecznego z oryginalnego modelu w scenariusze ćwiczeń muzycznych, aby utworzyć system pomiarowy składający się z 16 standaryzowanych elementów: samoświadomość emocji i ekspresja artystyczna w kontekstach muzycznych, dekodowanie emocji innych i empatia estetyczna w interakcjach muzycznych, dynamiczna regulacja emocji w aktywności muzycznej oraz konwersja zasobów emocjonalnych w twórczości muzycznej.

(4) Kreatywność muzyczna: Kreatywność muzyczna to zdolność do przekształcania nowych i wartościowych idei w rzeczywistość. W dziedzinie muzyki przejawia się ona jako kompleksowy zestaw umiejętności obejmujący komponowanie, interpretację wykonawczą i improwizację. Biorąc pod uwagę nacisk niniejszych badań na komponowanie muzyki, systematyczny przegląd literatury ujawnia, że ​​istniejące metody pomiaru kreatywności muzycznej są zdominowane przez podejścia eksperymentalne, podczas gdy narzędzia oceny oparte na kwestionariuszach samooceny są stosunkowo niedostatecznie wykorzystywane zarówno w zastosowaniach metodologicznych, jak i badaniach empirycznych. Aby wypełnić tę lukę badawczą, niniejsze badanie integruje podstawowe konstrukcje istniejących, dojrzałych skal. Wychodząc od Skali Zdolności Praktykowania Kreatywności Muzycznej Jianga, włącza ono Skalę Myślenia Kreatywnego Doppelta i Skalę Kreatywności Muzycznej Kaufmana, a następnie łączy je z treścią badawczą niniejszego artykułu, tworząc pięcioelementową, skondensowaną wersję Skali Kreatywności Muzycznej. Skala obejmuje pięć elementów: oryginalność, zdolność improwizacji, ekspresyjność, zdolność do współpracy i strategie kreatywne ( Jiang i in., 2024 ; Doppelt, 2009 ; Kaufman, 2012 ).

Współczynniki alfa Cronbacha wynosiły odpowiednio 0,914, 0,918, 0,846, 0,867, 0,903, 0,921, 0,895, 0,893, 0,887, 0,893, 0,924 i 0,937, wszystkie powyżej 0,7. Świadczy to o wiarygodności skali i jej przydatności do użycia. Aby zapewnić jej naukową trafność i przydatność, do oceny skali zaproszono pięciu ekspertów z dziedziny muzyki, posiadających tytuł profesora i stopień doktora.

5.1. Błąd wspólnej metody

W niniejszym badaniu wykorzystano test jednoczynnikowy Harmana do zbadania błędu metody wspólnej. Wyniki wykazały, że 11 czynników miało wartości własne większe niż 1, a całkowita wyjaśniona wariancja wyniosła 74,30%, a pierwszy czynnik główny wyjaśnił 8,928% wariancji, co stanowiło wartość poniżej standardu krytycznego 40%. W związku z tym w niniejszym badaniu nie stwierdzono żadnego poważnego błędu metody wspólnej (jak pokazano w tabeli 2 ).

5.2. Analiza czynnikowa eksploracyjna

Eksploracyjną analizę czynnikową przeprowadzono przy użyciu oprogramowania SPSS 23.0, aby wykonać testy KMO i sferyczności EArtletta na kwestionariuszu. Wyniki przedstawiono w Tabeli 3. Wartość KMO wynosiła 0,938 > 0,7, a test sferyczności EArtletta był istotny (Sig. < 0,001), co wskazuje, że dane z kwestionariusza spełniły wymagania wstępne dla analizy czynnikowej. Dlatego przeprowadzono dalszą analizę. Do ekstrakcji czynników zastosowano analizę głównych składowych, przy czym wartości własne większe od 1 były kryterium wyboru wspólnych czynników. Podczas analizy czynnikowej do rotacji czynników zastosowano rotację ortogonalną z maksymalną wariancją. Wyniki analizy przedstawiono w Tabeli 2, przy czym całkowita moc wyjaśniająca osiągnęła 74,302% > 50%, co wskazuje, że wybranych 11 czynników ma dobrą reprezentatywność. Jak pokazano w tabeli 4 , ładunki czynnikowe wszystkich pozycji pomiarowych są większe niż 0,5, a ładunki krzyżowe są mniejsze niż 0,4. Każda pozycja wpisuje się w odpowiedni czynnik, co świadczy o dobrej trafności strukturalnej.

5.3. Analiza czynnikowa potwierdzająca

Niniejsze badanie obejmuje sześć typów zmiennych, obejmujących łącznie 50 pozycji pomiarowych. Po przeprowadzeniu konfirmacyjnej analizy czynnikowej przy użyciu AMOS 26.0, wyniki przedstawiono w Tabeli 5. Standaryzowane ładunki czynnikowe dla wszystkich wskaźników pomiarowych każdej zmiennej są większe niż 0,6, łączna rzetelność (CR) jest większa niż 0,7, a średnia wyodrębniona wariancja (AVE) jest większa niż 0,5, co wskazuje, że wszystkie zmienne wykazują dobrą trafność zbieżną. W niniejszym badaniu zastosowano rygorystyczną metodę AVE do oceny trafności dyskryminacyjnej. Dla każdego czynnika pierwiastek kwadratowy AVE musi być większy niż współczynnik korelacji między każdą parą zmiennych, co wskazuje, że czynniki posiadają trafność dyskryminacyjną ( Fornell i Larcker, 1981 ). Pierwiastek kwadratowy AVE dla każdego czynnika jest większy niż standaryzowany współczynnik korelacji poza przekątną, więc badanie to nadal ma trafność dyskryminacyjną (jak pokazano w Tabeli 6 , gdzie trójkąt pochyły reprezentuje współczynnik korelacji).

5.4. Analiza modelowania równań strukturalnych

Wyniki obliczeń przy użyciu programu AMOS 23.0 oraz metody największego prawdopodobieństwa do estymacji przedstawiono na rysunku 2. Na podstawie wskaźników dopasowania ( tabela 7 ) CMIN/DF wynosi 1,548, co jest wartością poniżej standardu 3, a GFI, AGFI, NFI, TLI, IFI i CFI spełniają standard 0,9 lub wyższy. RMR wynosi 0,029 < 0,08, a RMSEA wynosi 0,033 < 0,08. Wszystkie wskaźniki dopasowania spełniają ogólne standardy badawcze, więc można wnioskować, że model ma dobre dopasowanie.

Tabela (patrz Tabela 8 ) przedstawia współczynniki niestandaryzowane i standaryzowane z analizy ścieżki modelu równań strukturalnych (SEM), interpretowane następująco: (1) ścieżka AIMC → MSE: współczynnik niestandaryzowany 0,428 (SE = 0,055, CR = 7,73, p  = 0,001), współczynnik standaryzowany 0,4, wskazujący, że AIMC ma istotny pozytywny wpływ na MSE — wzrost o 1 jednostkę w AIMC prowadzi do wzrostu o 0,428 jednostki w MSE; (2) ścieżka MSE → MEI: współczynnik niestandaryzowany 0,292 (SE = 0,049, CR = 5,945, p  = 0,001), współczynnik standaryzowany 0,291, wskazujący, że MSE ma istotny, ale słabszy wpływ na MEI niż AIMC→MSE; (3) Ścieżka AIMC→MEI: współczynnik niestandaryzowany 0,397 (SE = 0,056, CR = 7,133, p  = 0,001), współczynnik standaryzowany 0,37, wskazujący na bezpośredni wpływ AIMC na MEI, który jest nieznacznie wyższy niż MSE → MEI; (4) Ścieżka MEI → MC: współczynnik niestandaryzowany 0,465 (SE = 0,055, CR = 8,471, p  = 0,001), współczynnik standaryzowany 0,339, MEI ma istotny wpływ na MC i jest najsilniejszy spośród wszystkich ścieżek pośredniczących; (5) AIMC → MC – efekt bezpośredni: Niestandaryzowany współczynnik 0,515 (SE = 0,064, CR = 8,078, p  = 0,001), standaryzowany współczynnik 0,349, wskazujący, że bezpośredni wpływ AIMC na MC jest większy niż efekt pośredni (mediacja MSE/MEI); 6. Ścieżka MSE → MC: Niestandaryzowany współczynnik 0,38 (SE = 0,054, CR = 7,052, p  = 0,001), standaryzowany współczynnik 0,275, wskazujący, że MSE ma częściowy efekt mediacyjny na MC, niezależny od MEI. Podsumowując, AIMC wpływa na MC poprzez podwójne efekty mediacyjne MSE i MEI, zachowując jednocześnie istotny efekt bezpośredni. Model wykazuje częściową mediację.

5.5. Kontrola pośrednia

Analiza mediacji w modelu badawczym potwierdziła wszystkie cztery hipotezy dotyczące wpływu AIMC na MC studentów, przy czym czynniki mediacyjne stanowiły poczucie własnej skuteczności w muzyce (MSE) i inteligencja emocjonalna związana z muzyką (MEI). Wyniki sekwencyjnych efektów mediacji przedstawiono w tabeli 9 .

Bezpośredni wpływ AIMC na MC (wartość szacunkowa = 0,515, p  = 0,014) jest statystycznie istotny i dodatni, co potwierdza, że ​​AIMC bezpośrednio promuje kreatywność muzyczną studentów, co potwierdza hipotezę H1. Pośredni wpływ MSE (wartość szacunkowa = 0,162, p  = 0,007) jest istotny, co wskazuje, że MSE pośredniczy w relacji między AIMC a MC. Potwierdza to mediacyjną rolę muzycznej samoskuteczności w relacji między AIMC a kreatywnością muzyczną studentów. Dlatego hipoteza H2 jest trafna. Pośredni wpływ MEI (wartość szacunkowa = 0,185, p  = 0,009) wskazuje, że MEI jest istotnym mediatorem. To odkrycie sugeruje, że AIMC pozytywnie wpływa na kreatywność muzyczną studentów poprzez oddziaływanie na ich muzyczną inteligencję emocjonalną. Dlatego hipoteza H3 jest trafna. Łańcuchowy efekt mediacyjny MSE i MEI (wartość szacunkowa = 0,058, p  = 0,006) jest istotny statystycznie. Wynik ten podkreśla utrzymujący się efekt mediacyjny, w którym AIMC zwiększa MSE, co z kolei zwiększa MEI, ostatecznie prowadząc do wzrostu MC. Zatem hipoteza H4 jest prawdziwa.

Całkowity efekt integruje ścieżki bezpośrednie i pośredniczące, dodatkowo wzmacniając te ustalenia i dowodząc, że AIMC ma istotny, całościowy wpływ na MC poprzez te zmienne pośredniczące. Zarówno ścieżki bezpośrednie, jak i pośredniczące przyczyniają się do wyjaśnienia dynamicznej relacji zaproponowanej w hipotezie, podkreślając istotną rolę muzycznej samoskuteczności i muzycznej inteligencji emocjonalnej w rozwijaniu kreatywności muzycznej studentów pod wpływem AIMC.

6.1. Bezpośredni skutek

Niniejsze badanie potwierdza, że ​​wykorzystanie sztucznej inteligencji wywiera istotny, bezpośredni, wspomagający wpływ na rozwój kreatywności muzycznej. Odkrycia tego nie należy przypisywać jedynie poprawie wydajności technicznej, lecz raczej rozumieć jako działanie sztucznej inteligencji jako „współpracownika poznawczego”, który restrukturyzuje proces twórczego poznania. W szczególności, algorytmy generatywne oparte na uczeniu głębokim (np. MusicVAE, Transformer) poszerzają „przestrzeń konceptualną” twórcy, oferując możliwości kombinatoryczne, które wykraczają poza granice tradycyjnej składni muzycznej. Kiedy twórcy wchodzą w interakcję z tymi algorytmami w czasie rzeczywistym, nie ograniczają się już do realizacji z góry przyjętych pomysłów muzycznych, lecz nieustannie odkrywają nowe możliwości muzyczne poprzez dialog z systemem.

Jednocześnie, przekształcając wyzwania techniczne, takie jak harmonia i forma muzyczna, w intuicyjnie regulowane parametry, narzędzia sztucznej inteligencji skutecznie redukują obciążenie poznawcze twórcy. Pozwala to twórcom przeznaczyć ograniczone zasoby poznawcze na podejmowanie decyzji estetycznych wyższego poziomu i wyrafinowaną ekspresję artystyczną. Co najważniejsze, natychmiastowa informacja zwrotna dostarczana przez sztuczną inteligencję ustanawia cykl „eksploracja-informacja zwrotna-optymalizacja”, który ściśle koresponduje z modelem „generuj-oceniaj” w procesie twórczego poznania. Dlatego też sztuczna inteligencja nie tylko wspomaga proces twórczy, ale także służy jako „zewnętrzny partner myślowy” na poziomie poznawczym, wspólnie tworząc udoskonaloną formę twórczości muzycznej.

6.2. Efekt mediacji łańcuchowej

Badania wykazały, że wpływ narzędzi muzycznych AI na kreatywność muzyczną nie ogranicza się do efektów bezpośrednich. Poprzez łańcuch mechanizmów pośredniczących, obejmujących muzyczną samoskuteczność i muzyczną inteligencję emocjonalną, narzędzia AI mogą promować kreatywność na głębszym poziomie. Analiza oparta na teorii poznawczo-społecznej sugeruje, że narzędzia AI najpierw wzmacniają muzyczną samoskuteczność twórców, promując tym samym ich kreatywność. W szczególności, informacje zwrotne w czasie rzeczywistym i profesjonalne wsparcie zapewniane przez systemy AI umożliwiają twórcom ciągłe otrzymywanie pozytywnych potwierdzeń swoich umiejętności. To stopniowe doświadczanie sukcesu skutecznie wzmacnia ich wiarę we własne zdolności twórcze. Ta zwiększona pewność siebie nie tylko wzmacnia motywację twórczą, ale co ważniejsze, zachęca twórców do wychodzenia poza istniejące schematy twórcze i eksperymentowania z bardziej innowacyjnymi formami ekspresji muzycznej. Po drugie, zwiększona samoskuteczność zachęca twórców do głębszego wykorzystania funkcji analizy emocji narzędzi AI, poprawiając tym samym ich muzyczną inteligencję emocjonalną. W tym procesie systemy AI służą zarówno jako pomocnicze narzędzie do poznania emocji, pomagając twórcom precyzyjnie identyfikować cechy emocjonalne w elementach muzycznych, jak i jako rozszerzenie ekspresji emocjonalnej, umożliwiając twórcom osiągnięcie subtelniejszej transmisji emocjonalnej poprzez precyzyjną kontrolę parametrów. To wspomagane technologicznie psychologiczne udoskonalenie sprawia, że ​​utwory muzyczne wykazują bogatszy wymiar emocjonalny i głębszą siłę wyrazu.

Warto zauważyć, że te dwa mechanizmy psychologiczne nie istnieją w izolacji, lecz tworzą dynamiczny, wzajemnie wzmacniający się system: wykorzystanie narzędzi AI wzmacnia poczucie własnej skuteczności, co z kolei przekłada się na poprawę inteligencji emocjonalnej, ostatecznie promując wyższy poziom kreatywności muzycznej. Z kolei rozwój kreatywności muzycznej wzmacnia poczucie własnej skuteczności. To odkrycie pogłębia naszą wiedzę na temat tego, jak technologia wspiera twórczość artystyczną. Co ważniejsze, ujawnia mechanizm interakcji między czynnikami technologicznymi i psychologicznymi we wspólnym tworzeniu człowieka i maszyny. Z perspektywy teoretycznej mechanizm ten wyjaśnia nową cechę twórczości artystycznej w erze cyfrowej: narzędzia technologiczne nie tylko poszerzają granice możliwości twórczych, ale także nieustannie stymulują potencjał innowacyjny poprzez zmianę stanu psychicznego twórców. To zrozumienie stanowi ważną podstawę teoretyczną dla projektowania przyszłych narzędzi muzycznych AI i praktyk edukacji artystycznej.

6.3. Porównanie i wkład badań

W porównaniu z istniejącymi badaniami, niniejsze badanie przełamuje tradycyjną pojedynczą perspektywę narzędzi AI jako „pośredników technicznych” pod względem interpretacji mechanizmów. Poprzez integrację teorii poznania społecznego i modelu regulacji emocji muzycznych ( Fitria, 2021; Bandura, 1986; Juslin, 2013 ), konstruuje ono podwójny model ścieżki psychologicznej wpływu narzędzi AI na kreatywność muzyczną. Odkrycie to odzwierciedla stwierdzenie Ularu, że „technologia cyfrowa przekształca psychologiczny proces twórczości artystycznej”, dostarczając nowych ram teoretycznych do zrozumienia mechanizmu wspólnej twórczości człowieka i maszyny ( Ularu, 2020 ). Po drugie, pod względem wyboru zmiennych, istniejąca literatura koncentruje się głównie na wpływie technicznych cech AI na efektywność twórczą ( Chinamanagonda, 2021 ), podczas gdy niniejsze badanie ujawnia dwie kluczowe zmienne pośredniczące: muzyczną samoskuteczność i muzyczną inteligencję emocjonalną. Ten teoretyczny transfer potwierdza hipotezę Longueta, że ​​„narzędzia AI napędzają ewolucję psychologicznych zdolności twórców” i ujawnia związek między korzystaniem z technologii a rozwojem psychologicznym poprzez dane empiryczne ( Longuet-Higgins, 1994 ). Wreszcie, na poziomie praktycznych wskazówek, niniejsze badanie podkreśla, że ​​projektowanie narzędzi muzycznych AI powinno koncentrować się na kompatybilności między technologią a rozwojem psychologicznym twórców. W szczególności programiści powinni uwzględniać psychologiczne wzorce rozwoju użytkowników w projektowaniu technicznym, takie jak dynamiczne dostosowywanie złożoności narzędzia do poziomu pewności siebie twórców, zamiast po prostu dążyć do przeciążenia funkcjami. W edukacji muzycznej zaleca się stworzenie systemu szkoleniowego, który równoważy zastosowanie techniczne z umiejętnościami psychologicznymi (takimi jak pewność siebie twórcza i ekspresja emocjonalna), umożliwiając twórcom nie tylko opanowanie umiejętności korzystania z narzędzi AI, ale także rozwinięcie psychologicznych podstaw niezbędnych do długoterminowych innowacji. Te praktyczne spostrzeżenia zapewniają jasny kierunek dla „humanizacji” technologii muzycznej AI.