MusicScaffold：通过生成式AI桥接机器效率与青少年创意教育中的人类成长

文献标题

MusicScaffold: Bridging Machine Efficiency and Human Growth in Adolescent Creative Education through Generative AI

出版信息

• 主题领域: 青少年创造力教育中的生成式人工智能
• 关键词: 生成式人工智能、青少年创造力、音乐教育、脚手架理论、最近发展区、人机交互、认知特异性、行为调节、情感自主性、创造性学习

背景与问题

• 问题/挑战: 当前生成式人工智能系统注重效率，但未能满足青少年发展的需求，尤其是在情感体验与结构化表达策略之间存在脱节。
• 意义: 支持青少年将模糊的情感冲动转化为结构化的创造性表达，对于他们在创造力教育中的成长至关重要。
• 动机与相关研究: 先前研究强调生成式人工智能能够降低技术门槛，但也揭示了其在促进反思性成长方面的局限性。现有工具通常强化依赖性，未能为结构化表达提供可操作的脚手架，特别是针对青少年。

解决方案

• 提出的方法: MusicScaffold——一个将生成式人工智能整合到指导者、教练和伙伴角色系统中的框架，用于帮助青少年进行音乐创作表达。
• 创新点:
  1. 将抽象的人工智能角色转化为阶段性机制：符号化提示解释、迭代的人机反思与共创。
  2. 引入动态角色框架（指导者、教练、伙伴），根据青少年的发展轨迹量身定制。
  3. 将脚手架理论和最近发展区（ZPD）扩展到人工智能支持的创造性学习领域。
  4. 提供实证证据，证明机器效率与人类成长在创造力教育中的桥接作用。
• 流程与关键技术:
  1. 面向结构的意图解释: 将模糊的自然语言描述转化为符号化的音乐属性，并提供通俗易懂的解释。
  2. 音乐提示草图（MPS）: 根据解释的属性生成可编辑的符号化提示（例如MIDI草图）。
  3. 完整音乐生成: 根据学习者优化后的提示生成高保真音频，同时保留创造性自主权。
  4. 迭代的解释–迭代–共创循环使学习者能够重新审视早期步骤以进行优化和反思。

结果

• 具体发现:
  • MusicScaffold提高了提示的具体性（更多3–5级描述）并扩大了元素覆盖范围（平均超过3个音乐维度）。
  • 鼓励战略性调整（例如提示修改），并随着时间减少同质化输出。
  • 增加课后参与度（第4周翻倍）和音乐表达的自我效能感（更高的信心评分）。
• 相较基线的优势:
  • 在认知、行为和情感维度上优于传统的提示输出和属性选择系统。
  • 促进了反思性成长和多样化的表达策略，而非基线系统所强化的依赖性和试错习惯。
• 实验/评估:
  • 进行了一项为期四周的比较研究，涉及270名中学生，分为三种条件：直接生成、属性选择和MusicScaffold。
  • 评估指标包括提示具体性、元素覆盖范围、调整行为、提示同质性、课后参与度和自我效能感。
  • 混合方法分析结合了定量评分和定性主题编码。
• 局限性与未来工作:
  • 由于单一学校背景，普适性有限；未来研究应测试多样化的环境和年龄组。
  • 需要更长期的研究来评估持续影响。
  • 框架在其他创造性领域（例如视觉艺术、写作）的适用性尚未测试。

总结

MusicScaffold将生成式人工智能重新定位为青少年创造力教育的发展的脚手架，通过符号化解释和迭代反思支持结构化表达。实证研究表明，与传统人工智能工具相比，该框架在认知特异性、行为调节和情感自主性方面显著改善。通过平衡机器效率与人类成长，MusicScaffold将脚手架理论和最近发展区扩展到生成式人工智能时代，为跨领域的创造性学习提供了一个有前景的方向。