1 前言
生成式人工智能正在重塑音乐创作的边界。以Suno、Udio为代表的AI音乐生成工具(Casini et al., 2025)，已能根据简短的文本提示生成包含旋律、和声、配器乃至人声演唱的完整作品，其听感质量在盲听条件下已逐渐逼近人类创作(Grötschla et al., 2025)。这一技术变革不仅引发了关于机器能否创作艺术的哲学争论(Coeckelbergh, 2017)，也使公众对AI音乐的态度成为审美心理学的重要议题。
然而，目前聚焦于AI音乐的研究相对匮乏，针对AI作品(绘画、诗歌等)的态度研究虽能为此提供一定的借鉴意义，但相较于AI绘画、诗歌等视觉文本领域，音乐作为一种高度依赖时间展开、情感唤起与文化意义建构的艺术形式(Juslin & Västfjäll, 2008; Salimpoor et al., 2011)，个体对AI创作的态度是否遵循相同规律，尚缺乏实证检验。此外，相关研究多从评价这一单一层面衡量个体对AI作品的态度(Bellaiche et al., 2023)，忽视了态度内部可能存在的结构分化。根据态度理论及相关研究，个体对AI音乐的态度可能并非单一维度，至少包含了认知态度和评价态度这两个层面(Ajzen, 2001)。其中，认知态度主要反映的是个体在多大程度上承认AI具有艺术主体性，即将AI视为具有独立创造力、艺术身份与情感表达能力的创作主体(Coeckelbergh, 2017; Mikalonytė & Kneer, 2022)。评价态度则关注个体对AI音乐的审美评价是否存在系统性偏差(Bellaiche et al., 2023)，例如相比于人类创作的音乐，个体是否会对AI创作的音乐给出更低的喜好或评价，即存在审美偏差。以往研究发现，个体对AI作品的态度可能存在认知层面与评价层面上的不一致。一方面，个体可能在评价层面认可AI能够生成高质量、具有吸引力的音乐作品，却在认知层面拒绝将其视为具有真正创造意图和艺术主体性的创造者(Mikalonytė & Kneer, 2022)。另一方面，个体可能在认知层面承认AI具备一定的创造性与艺术性表现，但评价层面却仍因作品被标注为AI创作而给予较低的审美评分(Millet et al., 2023; Ragot et al., 2020; Raj et al., 2023)。这说明，个体对AI音乐的认知态度与评价态度并非同步变化，可能受不同主体因素的驱动，表现出差异化的影响路径。
由于对AI音乐的态度评价本质上是一种依赖经验与专长的加工过程(Vuust et al., 2022)，音乐素养可能从中具有重要作用。音乐素养指个体音乐经验、感知能力、训练背景与音乐投入的综合水平(Müllensiefen et al., 2014)。目前，音乐素养与个体对AI音乐态度的关系存在两种可能的理论预期。一种基于专长研究的观点认为，高音乐素养者通常具有更丰富的音乐图式(Bigand & Poulin-Charronnat, 2006)，因而在面对新颖音乐形式时会表现出更高的开放性与接受度(North & Hargreaves, 2008)，这种开放性可能会促进个体对AI艺术主体性的接纳，即音乐素养可能正向预测AI艺术主体性。但专长精细化方面的研究则提出了不同的观点，高音乐素养者在长期训练中形成了对人类技艺、情感深度与艺术意图的精细化识别能力(Amabile, 1982; Vuust et al., 2022)，这使其在评价时更可能凸显人类创作的独特价值，表现出更强的人类创作偏好，更不喜欢AI音乐，从而对AI音乐表现出更大的审美偏差，即音乐素养可能正向预测AI音乐的审美偏差。这些观点提示了音乐素养可能会对AI音乐的认知态度与评价态度产生不同影响。
此外，在人机协作日益普遍的背景下，AI素养已成为影响个体对AI态度的关键变量(Laupichler et al., 2022; Viberg et al., 2025)。AI素养是指个体理解、使用、评价AI技术并对其伦理后果作出判断的综合能力(Long & Magerko, 2020; Ma & Chen, 2024; Ng et al., 2021)。根据熟悉性原理(Zajonc, 1968)与技术接受视角(Davis, 1989)，AI素养较高的个体对AI的能力边界有更准确的认识，更可能承认AI的艺术主体性。因此，AI素养可能正向预测AI的艺术主体性。相比之下，从加工流畅性与审美鉴赏的视角来看(Reber et al., 2004)，AI素养越高者，越能识别AI作品在原创性与情感真实性上的局限，从而在审美评价上更倾向人类创作而不喜欢AI作品，产生较大的审美偏差，即AI素养可能正向预测审美偏差。可见，AI素养同样可能对AI音乐的认知态度与评价态度产生不同的影响。
进一步地，音乐素养与AI素养之间可能并非彼此独立，而是存在中介路径。根据学习迁移理论，个体在某个领域习得的知识、技能和评价框架可迁移至结构相邻或任务相关的领域(Barnett & Ceci, 2002; Perkins & Salomon, 1992)。在音乐领域中，音乐素养不仅体现音乐知识和训练经验，也涉及对创作过程、技术工具和作品质量的理解与评价(Müllensiefen et al., 2014)。当AI进入音乐创作领域后，这些领域经验可以帮助个体理解AI音乐的生成过程、评价AI作品的质量并判断AI的能力边界，从而促进AI素养的发展(Long & Magerko, 2020)。Shi等人(2023)发现艺术家会依据自身领域的创作流程、审美标准和专业经验判断AI的作品质量、原创性和适当角色。若该迁移路径成立，AI素养应在音乐素养与个体对AI音乐的态度之间起中介作用，但这需要进一步验证。
综上所述，已有研究存在三方面的不足：第一，多从单一层面考察个体对AI音乐的态度，未区分认知态度(如艺术主体性)与评价态度(如审美偏差)；第二，音乐素养与AI素养对这两个层面的影响可能不同，但缺乏系统性检验；第三，AI素养在音乐素养与个体对AI音乐的态度之间的中介机制尚未澄清。为弥补上述不足，本研究通过两项研究分别从认知与评价两个层面加以考察。研究1采用问卷法，从认知层面切入，检验音乐素养与AI素养对AI艺术主体性(认知态度)的预测作用，并检验AI素养的中介效应。研究2采用创作标签操纵范式，考察AI创作来源标签是否诱发审美偏差(评价态度)，并进一步考察音乐素养、AI素养与审美偏差的关系。基于上述论证，本研究提出如下假设：H1，在认知层面，音乐素养与AI素养均正向预测AI艺术主体性；H2，在评价层面，相比于人类创作标签，AI创作标签下的审美评分更低，存在审美偏差；H3，在评价层面，音乐素养与AI素养均正向预测审美偏差；H4，AI素养可能在音乐素养与对AI音乐的态度之间起中介作用。
2 研究1：音乐素养、AI素养与AI音乐认知态度的关系
2.1 被试
通过线上问卷星平台招募被试。调查问卷于2025年11月主要面向学生群体进行发放。共计收回问卷1531份。剔除未通过注意力检测或作答明显规律的问卷后，获得有效样本1203份，有效问卷比例为78.58%。被试平均年龄为20.49±1.87岁；男性366人，女性837人，以本科生为主。本研究获得天津师范大学伦理委员会审查批准(No.2025112417)，所有被试均在知情同意后自愿参与研究。
2.2 研究工具
2.2.1 AI艺术主体性量表
该问卷由AI创造性态度(Hong et al., 2021)以及艺术本体论(Coeckelbergh, 2017; Mikalonytė & Kneer, 2022)的相关内容改编而成，并结合AI音乐创作情境进行表述调整。该问卷包括6个题项，主要测量个体在多大程度上认为AI具有独立创造力、艺术身份、情感或思想表达能力等主体性特征。问卷采用7点计分，1表示“完全不同意”，7表示“完全同意”，得分越高表示AI艺术主体性越强。为检验改编问卷的适用性，将有效样本随机等分用于探索性因子分析(EFA)和验证性因子分析(CFA)。EFA结果显示，KMO=0.90，Bartlett球形检验显著，χ2(15)=2189.44，p<0.001；单因子解释68.45%的方差，题项载荷为0.73～0.87。CFA结果显示，χ2(9)=77.11，CFI=0.94，TLI=0.90，RMSEA=0.11，90%CI [0.09, 0.14]，SRMR=0.04；六个题项的标准化因子载荷介于0.69～0.85，均达到显著水平(ps<0.001)。本研究中，该量表的Cronbach’s α为0.90。
2.2.2 AI素养量表
AI素养采用Ma和Chen(2024)开发的中国大学生人工智能素养量表测量。该量表包括认知、使用、评价和伦理四个维度，共15个题项，采用5点计分，1表示“非常不同意”，5表示“非常同意”，计算总分作为个体AI素养的总体水平指标。本研究中，该量表的Cronbach’s α系数为0.90。
2.2.3 音乐素养量表
采用Goldsmiths音乐素养指数(Goldsmiths Musical Sophistication Index, Gold-MSI)中的音乐素养指标测量个体的音乐素养(Müllensiefen et al., 2014)。该指标涵盖主动音乐参与、音乐感知能力、音乐训练、音乐情绪反应和歌唱能力等方面，能够较全面反映个体日常音乐经验、音乐能力和音乐投入程度。题项采用7点计分，1代表“完全不同意”，7代表“完全同意”，得分越高表示个体的音乐素养越高。本研究中，该量表的Cronbach’s α系数为0.89。
2.2.4 人口学变量
收集被试的年龄、性别、最高教育背景、是否接受过专业艺术或创意类训练，以及过去使用AI创作工具的频率。
2.3 数据分析
首先，进行信度、共同方法偏差和人口学检验。随后，在控制人口学变量后，分别建立多元线性回归模型，考察音乐素养和AI素养对AI艺术主体性的预测作用。最后，以音乐素养为自变量、AI素养为中介变量、AI艺术主体性为因变量，构建中介模型，并采用5000次Bootstrap重复抽样估计间接效应的95%置信区间。所有统计检验均采用双侧检验，显著性水平设定为p<0.05。
2.4 结果
Harman单因子检验显示，第一因子解释的方差为22.20%，未发现严重的共同方法偏差。
2.4.1 描述性统计及相关分析
主要变量的描述性统计与相关分析结果如表1所示。各变量之间均存在显著正相关。
表1 研究1主要变量的描述统计与相关分析 |
| 变量 | M | SD | 1 | 2 |
| 1.音乐素养 | 85.14 | 16.92 | ||
| 2.AI素养 | 57.09 | 7.88 | 0.13*** | |
| 3.AI艺术主体性 | 27.23 | 7.79 | 0.10*** | 0.39*** |
注：**p<0.01，***p<0.001，以下同。 |
2.4.2 音乐素养与AI素养对AI艺术主体性的预测作用
年龄、性别、教育背景、艺术/创意训练经历和AI使用频率对主要变量的回归模型均达到显著水平(ps<0.001)。因此，后续分析将上述人口学变量作为协变量。
为分别考察音乐素养和AI素养对AI艺术主体性的预测作用，本研究在控制人口学变量后，将音乐素养和AI素养作为核心预测变量分别建立回归模型。结果发现，音乐素养显著正向预测AI艺术主体性，B=0.10，SE=0.01，t=7.79，p<0.001，β=0.22，额外解释4.09%的变异。说明音乐素养较高的个体对AI的创造性、艺术身份或类主体特征持开放态度。AI素养显著正向预测AI艺术主体性，B=0.31，SE=0.03，t=11.79，p<0.001，β=0.31，额外解释8.83%的变异。说明AI素养越高，个体越倾向赋予AI一定的主体性特征。
2.4.3 AI素养的中介作用
2.5 小结
研究1表明，音乐素养与AI素养均能显著正向预测AI艺术主体性，其AI素养发挥部分中介作用。然而，音乐素养与AI素养对AI艺术主体性的促进是否能转化为对AI音乐作品的积极审美评价，仍有待检验。因此，研究2进一步转向评价态度层面，采用创作来源标签操纵范式，以考察AI标签是否引发审美评价差异，并探索音乐素养、AI素养和AI艺术主体性与审美偏差之间的关系。
3 研究2：创作标签对AI音乐评价态度的影响
3.1 被试
在天津音乐学院招募大学生被试96名，去除掉未完成实验、实验程序意外跳出以及认为所听音乐均为AI创作的被试后，剩余有效被试84名，年龄范围为18～24岁，其中男生占35.71%。所有被试视力或矫正视力正常，听力正常，均能理解并完成实验任务。本研究获得天津师范大学伦理委员会审查批准(No.2025112417)，所有被试均在知情同意后自愿参与研究。
3.2 实验设计
研究2采用单因素被试内设计，自变量为创作标签，包括4个水平：无标签、人类独立创作、AI独立创作、人类与AI合作创作。因变量为被试对音乐作品的审美评价。
3.3 实验材料与工具
AI艺术主体性量表、AI素养量表、音乐素养量表同研究1。
3.3.1 音乐材料
实验材料由SUNO AI Music(v5)生成。研究者首先生成10段风格和主体相同的音乐，经3名音乐学院专家从制作技术、审美听感、创新风格、情感表现、深度意义五个方面进行评审，最终选取4段整体质量和时长较为接近的作品作为正式材料(评分者一致性信度为0.73)。所有作品均为AI一次性生成，未经过人工后期剪辑。
3.3.2 音乐评价量表
本研究参考音乐审美、音乐诱发情绪、音乐偏好及创造性作品评定研究编制了音乐评价量表(Amabile, 1982; Juslin & Västfjäll, 2008; Rentfrow et al., 2011; Zentner et al., 2008)。量表包括制作技术、审美听感、创新风格、情感表现、深度意义五个维度，共15个题项，采用5点计分，得分越高表示评价越积极。本研究中，该量表内部一致性良好，Cronbach’s α=0.94。CFA结果显示，χ2(80)=224.82，p<0.001，CFI=0.98，TLI=0.98，RMSEA=0.07，90%CI [0.06, 0.09]，SRMR=0.04，结构效度良好。
3.4 实验流程
本研究通过TCLab在线实验平台实施，被试佩戴耳机，要求其将音量调节至清晰舒适的水平后开始实验。实验开始后，首先向被试呈现实验指导语。被试确认理解任务要求后，屏幕中央呈现十字注视点3 s，随后呈现创作标签线索3 s。创作标签呈现后播放音乐，在音乐播放期间创作标签持续呈现在屏幕上。音乐播放结束后，逐一呈现15道音乐评价题目，被试对刚才听到的音乐进行评分。每名被试依次完成4段音乐的聆听与评价。4段音乐的呈现顺序及其对应标签按照拉丁方平衡。
实验结束后间隔1～2天，被试填写音乐素养量表、AI素养量表、AI艺术主体性问卷。全部评价任务结束后，主试对被试进行了事后告知，说明实验中的音乐均由AI生成。
3.5 数据分析
对每段音乐分别计算音乐评价量表的15题总均分及5个维度均分。随后，以创作标签为主要自变量建立线性模型，将被试和音乐编号作为控制变量纳入模型。对于显著的创作标签效应，进一步基于同一模型进行创作标签条件的两两比较，并采用Bonferroni校正。
为了进一步考察音乐素养、AI素养、AI艺术主体性与审美偏差的关系，首先，在试次层面以音乐编号为预测变量对审美评分进行回归，并提取评分残差，以排除不同音乐材料评分差异的影响。随后，分别计算每名被试在人类独立创作标签条件和AI独立创作标签条件下的平均评分残差(Bellaiche et al., 2023; Chiarella et al., 2022; Horton et al., 2023)，得到控制音乐编号后的审美偏差指标。该指标数值越大，说明个体越倾向于人类创作不喜欢AI创作。最后，以控制音乐编号后的总体及各维度的审美偏差为因变量，考察音乐素养、AI素养和AI艺术主体性的预测作用。
3.6 结果
在控制被试和音乐编号后，创作标签对音乐评价的影响显著，F(3, 246)=6.10，p<0.001，偏η2=0.07。AI独立创作标签条件的评分最低(M=3.13, SD=0.68)，显著低于人类独立创作标签条件(M=3.45, SD=0.70)；人类与AI合作创作标签条件(M=3.39, SD=0.65)显著高于AI独立创作标签条件。创作标签对五个评价维度的影响均达到显著水平，其中，AI独立创作标签在这五个维度上的评分均显著低于人类独立创作，如图2所示。
3.7 个体差异与审美偏差的关系：探索性分析
84名被试中有60名完成了后续问卷，这60名纳入个体差异分析的被试与未纳入被试(24人)在总均分、四类标签下的审美得分以及审美偏差上均不存在显著差异，未发生系统性流失。由于人口学变量对总分审美偏差的解释作用未达到显著水平(ps>0.05)，因此后续回归分析未将人口学变量作为协变量。
主要变量的描述统计与相关分析如表2所示。音乐素养与AI相关变量存在较稳定的联系，但这些变量与总体审美偏差之间的相关关系并不显著。
表2 研究2主要变量的描述统计与相关分析 |
| 变量 | M | SD | 1 | 2 | 3 |
| 1.总体审美偏差 | 0.33 | 0.77 | |||
| 2.音乐素养 | 91.42 | 14.52 | 0.14 | ||
| 3.AI素养 | 55.33 | 8.65 | −0.17 | 0.49*** | |
| 4.AI艺术主体性 | 23.99 | 7.78 | −0.02 | 0.51*** | 0.39** |
注：总体审美偏差为控制音乐编号后的人类独立创作总均分减去AI独立创作总均分。 |
以总体审美偏差为因变量，将音乐素养、AI素养、AI艺术主体性同时纳入多元线性回归模型。结果显示，该模型未达到显著水平，R2=0.10，调整后R2=0.05，F(3, 56)=2.11，p=0.109。探索性考察回归系数发现，音乐素养正向预测总体审美偏差，B=0.02，SE=0.01，t(56)=2.08，p=0.043，β=0.33；AI素养显著负向预测总体审美偏差，B=−0.03，SE=0.01，t(56)=−2.09，p=0.041，β=−0.31；AI艺术主体性的预测作用不显著。
在五个评价维度中，只有创新风格维度的回归模型达到显著水平，R2=0.16，调整后R2=0.12，F(3, 56)=3.59，p=0.019。其中，音乐素养正向预测该维度的审美偏差，B=0.03，SE=0.01，t(56)=2.34，p=0.023，β=0.36；AI素养负向预测该维度的审美偏差，B=−0.05，SE=0.02，t(56)=−3.01，p=0.004，β=−0.43；AI艺术主体性的作用不显著。
为了检验上述结果的稳健性，本研究也将人口学变量纳入了回归模型，得到了一致的结论。
3.8 小结
研究2发现，AI独立创作标签降低了审美评价。探索性分析表明，音乐素养和AI素养对审美偏差可能具有相反作用，且主要体现在创新风格维度。AI艺术主体性未能显著预测审美偏差。
4 讨论
4.1 音乐素养、AI素养与AI艺术主体性的关系
4.1.1 音乐素养与AI素养对AI艺术主体性的正向预测
实验1发现，音乐素养与AI素养均显著正向预测AI艺术主体性，验证了H1。这符合专长研究以及熟悉性原理和技术接受理论的相关观点。对音乐素养而言，长期音乐训练积累了丰富的音乐句法与风格图式(Bigand & Poulin-Charronnat, 2006)，使个体在面对非常规或新颖音乐结构时具备更强的同化能力(North & Hargreaves, 2008)，使得高音乐素养者更愿意承认创作出这些音乐的AI具有艺术主体性。可见，音乐专长所培养的可能并非对某类作品、风格的固定偏好，而是一种更具普遍性的接纳倾向。
对AI素养而言，个体对AI越了解、认识越深刻，越会倾向将AI视为具有独立创造力与表达能力的主体。这一发现与近年来关于AI素养塑造人机态度的研究相呼应。AI素养能够提升用户的技术信任(Nazaretsky et al., 2022)。同时，对AI能力的准确认知会削弱无端的算法回避(Mahmud et al., 2022)，使个体更平和地接纳AI在创意任务中的角色。可见，在认知态度层面，熟悉与理解发挥了主导作用，使两类素养均表现为促进作用。
4.1.2 AI素养在音乐素养与AI艺术主体性之间的中介作用
中介分析表明，AI素养在音乐素养与AI艺术主体性之间发挥部分中介作用，部分验证了H4，这与迁移理论相符(Barnett & Ceci, 2002)。长期音乐训练和音乐实践所形成的听觉判断、作品评价及创作经验等，与AI素养所涉及的技术理解与评价能力具有一定的功能共通性。Shi等人(2023)对25名不同领域的艺术家进行访谈发现，艺术家会依据自身领域的创作流程、审美标准和专业经验，判断AI的作品质量、创作能力、原创性及其在创作中的适当角色；而且不同领域的艺术家对AI的评价会随AI在相应领域中的实际能力而有所不同。这说明，艺术领域中形成的专业知识和评价框架可被用于理解和评估AI，影响AI素养。而AI素养的提高对AI艺术主体性的影响正如上文所述，具有积极的促进作用。由此，音乐素养对AI艺术主体性的影响，部分可通过提升AI素养这一中介路径来实现，这一发现也为理解艺术专长与技术素养之间的协同关系提供了支持。
4.2 音乐素养、AI素养与审美偏差的差异化关系
4.2.1 创作标签影响AI音乐的审美评价
研究2发现，在音乐材料完全由AI生成的情况下，仅改变创作的来源标签就足以系统地改变个体的审美评价。相较于人类独立创作标签，AI独立创作标签下的音乐评分显著更低，且这一差异在制作技术、审美听感、创新风格、情感表现、深度意义五个维度上均稳定出现，验证了H2。这表明AI创作来源标签显著影响个体对AI音乐的审美评价，表现出较稳定的偏好人类创作的审美偏差。该结果与AI作品评价研究相一致。即当作品被标注为AI生成时，即便其客观质量与人类作品相当，个体仍会给予更低的评价(Bellaiche et al., 2023; Haverals & Martin, 2025; Hong et al., 2021; Raj et al., 2023)，存在算法厌恶(Millet et al., 2023)。可见，在评价态度中，个体并非根据音乐的感知特征进行评价，AI创作标签本身所激活的联想或体验会自上而下地影响个体对AI音乐的感知与投入。
值得注意的是，本研究还发现人与AI合作创作标签下的音乐评分显著高于AI独立创作标签，这说明AI并非必然导致负向评价，当AI被置于人类主导或人机协同的框架中时，上述的评分劣势会得到缓解。Hitsuwari等人(2023)发现，相较于AI独立生成的俳句，人机协作创作的俳句获得了更高的审美评价，说明当AI被置于人类参与或协作的创作框架中时，公众对AI作品的偏见被削弱。
4.2.2 音乐素养与AI素养对审美偏差的相反预测作用
本研究初步发现，音乐素养与AI素养对审美偏差表现出方向相反的预测作用，且这一分化在创新风格维度上尤为突出。这一发现，并未验证H3，H3认为音乐素养与AI素养均对审美偏差具有正向预测作用。值得注意的是，这一关系模式与研究1中二者对AI艺术主体性的一致正向预测，呈现出不同的关联关系。这提示了个体对AI作品的认知态度与评价态度可能相对分离，这一分离可能是由不同的加工机制所驱动的。
音乐素养对审美偏差的正向预测作用符合专长精细化的观点。长期音乐训练不仅扩展了个体的音乐图式，也使其形成了对人类技艺、情感深度与艺术意图的精细化识别能力(Amabile, 1982; Vuust et al., 2022)。当评价情境从是否承认AI的创作身份转向作品本身的审美价值判断时，高音乐素养者可能更倾向于凸显人类创作中那些难以被算法复制的独特价值，尤其是对作品的创新性与风格辨识度的评价，更会依赖个人的艺术表达与原创意图。因此，结合前文，音乐素养在认知层面表现为开放与接纳，在评价层面却转化为对人类创作独特性的坚守，从而放大了审美偏差。
基于加工流畅性与审美鉴赏的相关研究，本研究曾推测，AI素养较高者可能更容易识别AI作品在原创性与情感真实性上的局限，从而表现出更大的审美偏差。然而，研究2中的探索性分析结果并未支持这一预期，而是发现在创作风格维度上AI素养对审美偏差的负向作用。对此，一种可能的解释是，AI素养在创作来源标签评价情境中的作用并不只体现在对AI作品局限的识别上，也可能体现在对AI生成机制、能力边界与适用范围的理解上。后者可能会降低个体对AI独立创作标签的陌生感、算法厌恶等，从而减弱了人类标签相对于AI标签的评价优势(Mahmud et al., 2022)。换言之，对AI的深入认知降低了个体在审美评价中对作品来源的非理性折扣，使其更能基于作品本身而非创作者身份作出判断，从而缩小了人类创作与AI创作之间的评分差距。这与近期研究的发现一致，即AI知识与经验能够削弱算法回避并提升对AI产出的接受度(Mahmud et al., 2022)。但上述解释仍属于探索性推论，尚需进一步检验。
综上，音乐素养与AI素养虽在认知层面共同正向预测了对AI艺术主体性的接纳，却在评价层面可能通过精细化识别与去算法厌恶两条不同路径，产生了相反的预测作用，这进一步说明了将AI音乐态度区分为认知与评价两个层面的必要性。由于研究2探索性分析中样本量较少，且未发现AI素养、音乐素养与审美偏差总均分的相关关系，本研究并未探索AI素养从中的中介作用，未来研究可对此进一步检验。
4.3 AI艺术主体性与审美偏差的关系
在研究2中，无论在总体评分还是各维度分上，本研究均未发现AI艺术主体性与审美偏差的关系。这一结果表明，个体在认知层面是否承认AI具有创作主体性与其在评价层面是否存在审美偏差二者之间相对独立，并不存在直接的影响关系。Mikalonytė和Kneer(2022)发现，人们可以在相当程度上承认机器人的绘画是艺术，但却不愿将机器人视为真正的艺术家，这种差异部分源于人们较少将机器人归因为艺术意图。Hullman等人(2023)也指出，AI作品的审美判断不仅取决于作品形式本身，还受到关于作者、来源和文化意义的影响。因此，AI艺术主体性更可能反映个体对AI创作能力的概念性接纳，而审美偏差则更多发生在具体评价情境中，受到创作来源标签、任务属性和专业标准的共同调节。
这种分离可从态度的双重加工视角加以理解。承认AI的艺术主体性更多是一种基于知识与理性推断的反思性认知判断，反映个体对AI能力的客观评估；而对AI音乐的审美评价则更多依赖即时的、由情感与直觉驱动的体验性加工(Reber et al., 2004)。个体完全可能在理智上承认AI能够进行具有创造性的音乐创作，却在实际聆听并评价AI音乐时，仍受到情感真实性折扣与本质论信念的影响而给出较低评分(Bellaiche et al., 2023; Millet et al., 2023)。
4.4 局限与展望
第一，研究2用于个体差异分析的有效样本较小(n=60)，整体回归模型未达显著，相关结论需在更大样本中重复验证。第二，两项研究关于变量间关系的探讨均基于横断面数据，未来宜采用纵向或干预设计以澄清变量间的因果方向。第三，实验材料仅采用单一的Lo-fi风格音乐，后续研究可拓展至更多音乐风格与文化情境，并跨艺术领域检验上述关联模式的普适性。第四，本研究使用的AI艺术主体性量表基于相关文献改编而成，但RMSEA提示模型存在一定拟合不足，未来应进一步完善测量工具，并在独立样本中进一步检验其结构效度。
5 结论
本研究通过两项研究揭示了音乐素养与AI素养与AI音乐态度的差异化关系，得到以下结论：(1)在认知层面，音乐素养与AI素养均正向预测AI艺术主体性，且AI素养在二者之间发挥部分中介作用；(2)在评价层面，AI独立创作标签相较于人类独立创作标签获得较低评分，音乐素养与AI素养对这种审美偏差具有方向相反的预测作用，这一分化在创新风格维度上最为突出。