DOI: https://doi.org/10.3389/fpsyg.2026.1887477
PMID: https://pubmed.ncbi.nlm.nih.gov/42488047
تاريخ النشر: 2026-07-08
المؤلف: Xiaoning Zheng وآخرون
الموضوع الرئيسي: العلاج بالموسيقى والصحة
نظرة عامة
تسلط الأبحاث الضوء على أهمية الشفافية والتحكم من قبل المستخدم في تصميم أدوات الرفاهية الرقمية في التعليم العالي. تكشف دراسة رصدية تركز على طلاب الجامعات الصينية أن الانخراط المعتاد مع الموسيقى التي يتم تنسيقها بواسطة الخوارزميات مرتبط بتقليل معتدل في الإجهاد المدرك والمشاعر السلبية على مدى فترة أربعة أسابيع. ومن الجدير بالذكر أن الدراسة تحدد “الثقة الخوارزمية” كأقوى مؤشر على النتائج الإيجابية بين مستخدمي الموسيقى التي يتم تنسيقها بواسطة الذكاء الاصطناعي.
علاوة على ذلك، تشير النتائج إلى علاقة غير بديهية بين الاستقلال العاطفي والنتائج لمستمعي الموسيقى التي يتم تنسيقها بواسطة الذكاء الاصطناعي، مما يدل على أن الشعور المنخفض بالتحكم يمكن أن يؤدي إلى آثار سلبية. وهذا يبرز ضرورة تعزيز علاقة إيجابية بين المستخدم والخوارزمية، والتي تتأثر بالتجارب الفردية، وتوجه الاستقلال، واهتمامات الخصوصية. يدعو المؤلفون إلى نهج تصميم يركز على هذا الجانب العلاقي بدلاً من مجرد التحسين الفني، مؤكدين أن الفوائد النفسية لأدوات الموسيقى المعتمدة على الذكاء الاصطناعي تعتمد على جودة تفاعل المستخدم. يتم تشجيع الأبحاث المستقبلية على اعتماد منهجيات تجريبية أو طولية لتأسيس العلاقات السببية واستكشاف هذه الديناميات في سياقات ثقافية متنوعة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الضغوط النفسية الفريدة التي يواجهها طلاب الجامعات في الصين، والتي تفاقمت بسبب البيئات الأكاديمية التنافسية وسوق العمل الصعبة. تشير الاستطلاعات الوطنية إلى أن مستويات الإجهاد والقلق والاكتئاب المبلغ عنها ذاتياً بين الطلاب الجامعيين الصينيين مرتفعة بشكل كبير، مع سلوكيات محدودة في طلب المساعدة بسبب الوصمة ونقص الموارد الاستشارية. في هذا السياق، يظهر الاستماع إلى الموسيقى كاستراتيجية شائعة لتنظيم المشاعر، حيث يحتل مرتبة بين الأنشطة الأعلى لتخفيف الإجهاد بين الطلاب. تركز الدراسة على “الاستماع إلى الموسيقى التي يتم تنسيقها بواسطة الخوارزميات”، حيث يتم اختيار الموسيقى بواسطة أنظمة التوصية بناءً على بيانات المستخدم، مما يتناقض مع قوائم التشغيل التقليدية التي يختارها المستخدم بنفسه.
يثير المؤلفون أسئلة حاسمة بشأن فعالية الموسيقى التي يتم تنسيقها بواسطة الخوارزميات في مساعدة التعافي من الإجهاد مقارنة بالموسيقى التي يختارها المستخدم بنفسه، وكيف تؤثر السمات النفسية الفردية – على وجه التحديد الثقة الخوارزمية، والاستقلال العاطفي، واهتمامات الخصوصية – على هذه التجربة. تستخدم الدراسة تصميمًا مختلطًا، يجمع بين الاستطلاعات والمقابلات النوعية، لاستكشاف هذه الديناميات. تشير النتائج الأولية إلى أنه بينما توجد مخاوف بشأن الخصوصية، إلا أنها لا تعيق بشكل كبير الاستماع إلى الموسيقى؛ بل إنها تعمل كوعي خلفي قد يؤثر على التفاعل مع توصيات الموسيقى المخصصة. تهدف الأبحاث إلى سد فجوة في فهم تقاطع توصيات الموسيقى الخوارزمية والصحة النفسية، خاصة في سياق طلاب الجامعات الصينية.
الطرق
توضح قسم “الطرق” في الورقة البحثية التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في أسئلة البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات المجمعة من تجارب مختلفة. شملت المنهجيات المحددة تجارب مختبرية محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج المعنية.
شمل جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، وتطبيق تقنيات مثل تحليل الانحدار وANOVA لتحديد الفروق والعلاقات المهمة بين المتغيرات. يبرز القسم أهمية القابلية للتكرار والشفافية في الطرق المستخدمة، مما يسمح للدراسات المستقبلية بالبناء على النتائج المقدمة.
النتائج
كشفت التحليلات الموضوعية لـ 24 نصًا من المقابلات عن أربعة مواضيع رئيسية تتعلق بتجارب المشاركين مع أنظمة توصية الموسيقى المعتمدة على الذكاء الاصطناعي.
**الموضوع 1** يبرز أن العديد من المستخدمين يقدرون السهولة المعرفية التي توفرها توصيات الذكاء الاصطناعي، خاصة خلال الفترات المجهدة، حيث يصبح جهد اختيار الموسيقى عبئًا. أعرب المشاركون عن استعدادهم لقبول توصيات أقل من المثالية من أجل الراحة، مما يدل على أن الطبيعة الخلفية للموسيقى خلال جلسات الدراسة تقلل من الحاجة للاختيار النشط.
**الموضوع 2** يؤكد أن الثقة الخوارزمية تُبنى من خلال التفاعلات المتكررة مع منصات معينة بدلاً من أن تكون ميولًا عامة. غالبًا ما اعتمد المشاركون ذوو الثقة العالية على منصاتهم للحصول على توصيات مخصصة، بينما كان المستخدمون ذوو الثقة المنخفضة يميلون إلى العودة إلى التنسيق اليدوي، خاصة تحت الضغط. **الموضوع 3** يناقش العلاقة المعقدة بين الاستقلال العاطفي واستخدام توصيات الذكاء الاصطناعي؛ بينما اعترف الأفراد ذوو الاستقلال العالي بالفوائد المحتملة للاقتراحات الخوارزمية، غالبًا ما شعروا بعدم الارتياح في تفويض الخيارات إلى الذكاء الاصطناعي. أخيرًا، **الموضوع 4** يكشف أن مخاوف الخصوصية، على الرغم من أنها قابلة للقياس، لم تكن محور التركيز الرئيسي لمعظم المشاركين خلال تجارب الاستماع الخاصة بهم. أظهر معظمهم قبولًا عمليًا لتتبع البيانات، مع وجود عدد قليل فقط يعبرون عن عدم ارتياح كبير أدى إلى تغييرات سلوكية، مثل حذف وإعادة تثبيت التطبيقات لإعادة تعيين المعرفة الخوارزمية.
المناقشة
تستكشف قسم المناقشة في الورقة العلاقات بين الثقة الخوارزمية، والاستقلال العاطفي، ومخاوف الخصوصية في التنبؤ بالإجهاد والنتائج العاطفية بين طلاب الجامعات الصينية الذين يستخدمون الموسيقى التي يتم تنسيقها بواسطة الذكاء الاصطناعي. تجد الدراسة أنه بينما يرتبط الاستماع إلى الموسيقى التي يتم تنسيقها بواسطة الخوارزميات بانخفاض الإجهاد المدرك والمشاعر السلبية، فإن التأثيرات متواضعة ويجب تفسيرها بحذر بسبب الطبيعة الرصدية للبحث. ومن الجدير بالذكر أن الثقة الخوارزمية تظهر كمؤشر مهم لتقليل الإجهاد، مما يشير إلى أن المستخدمين الذين يثقون في أنظمة التوصية هم أكثر عرضة للاستفادة منها. تُبنى هذه الثقة من خلال التفاعلات المتكررة مع المنصة، مما يبرز أهمية الشفافية في منطق التوصية لتعزيز تفاعل المستخدم.
على العكس، تكشف الدراسة عن علاقة إيجابية غير متوقعة بين الاستقلال العاطفي والإجهاد، مما يدل على أن الطلاب الذين لديهم شعور قوي بالتحكم في استجاباتهم العاطفية قد يقاومون الاقتراحات الخوارزمية، حتى عندما يعترفون بفوائدها المحتملة. تتماشى هذه النتيجة مع نظرية تحديد الذات، التي تفترض أن السيطرة الخارجية المدركة يمكن أن تقوض الدافع الداخلي. يقترح المؤلفون أن التخصيص في الاستماع إلى الموسيقى الخوارزمية يجب ألا يضر بشعور المستخدمين بالاستقلال، حيث قد يؤدي ذلك إلى عدم الارتياح وزيادة الإجهاد. بشكل عام، تؤكد الأبحاث على ضرورة مراعاة الديناميات العلاقية بين المستخدمين والخوارزميات في تصميم أدوات الصحة النفسية المعتمدة على الذكاء الاصطناعي، داعية إلى التركيز على تجربة المستخدم بدلاً من مجرد التحسين الفني. يتم تشجيع الدراسات المستقبلية على استخدام تصاميم طولية وبيانات موضوعية لتوضيح هذه العلاقات بشكل أكبر.
القيود
تعتبر قيود الدراسة مهمة ويجب أخذها بعين الاعتبار بعناية. يحد التصميم الرصدي بطبيعته من القدرة على استنتاج العلاقات السببية، حيث قد تنشأ الاختلافات الملحوظة في نتائج الإجهاد من خصائص فردية موجودة مسبقًا، مثل سمات الشخصية أو الانفتاح على الخوارزميات، والتي قد تؤثر على تفضيلات الاستماع ومستويات الإجهاد. لتأسيس علاقات سببية بشكل أفضل، يجب على الأبحاث المستقبلية استخدام منهجيات تجريبية أو شبه تجريبية، مثل نهج المتغيرات الآلية أو تصاميم انقطاع الانحدار.
علاوة على ذلك، قد لا تكون فترة المتابعة التي استمرت أربعة أسابيع كافية لالتقاط الديناميات طويلة الأجل لتطوير الثقة أو آثار التكيف. العينة، المأخوذة من ثلاث مؤسسات، مائلة نحو مستويات إجهاد معتدلة وقد لا تعكس بدقة تجارب الطلاب في الجامعات ذات الضغط العالي أو الأقل حضرية. علاوة على ذلك، كانت تصنيفات أنواع الاستماع تعتمد على بيانات تم الإبلاغ عنها ذاتيًا، مما يقدم خطر التصنيف الخاطئ. يقلل استبعاد 26 مستمعًا من نمط مختلط من التحليلات الرئيسية من القوة الإحصائية وقد يغفل شريحة متزايدة من الطلاب الذين يتناوبون بين الاستماع الخوارزمي والاختيار الذاتي. أخيرًا، كانت مقاييس المؤشرات المستخدمة تعديلات لأدوات موجودة بدلاً من مقاييس مصممة خصيصًا، وصلاحيتها البنائية في هذا السياق لم يتم تأسيسها رسميًا بعد.
DOI: https://doi.org/10.3389/fpsyg.2026.1887477
PMID: https://pubmed.ncbi.nlm.nih.gov/42488047
Publication Date: 2026-07-08
Author(s): Xiaoning Zheng et al.
Primary Topic: Music Therapy and Health
Overview
The research highlights the significance of transparency and user control in the design of digital wellbeing tools within higher education. An observational study focusing on Chinese university students reveals that habitual engagement with algorithmically curated music is linked to modest reductions in perceived stress and negative affect over a four-week period. Notably, the study identifies “algorithmic trust” as the strongest predictor of positive outcomes among users of AI-curated music.
Furthermore, the findings suggest a counterintuitive relationship between emotional autonomy and outcomes for AI-curated listeners, indicating that a diminished sense of control can lead to adverse effects. This underscores the necessity of fostering a positive user-algorithm relationship, which is influenced by individual experiences, autonomy orientation, and privacy concerns. The authors advocate for a design approach that prioritizes this relational aspect over mere technical optimization, emphasizing that the psychological benefits of AI music tools are contingent upon the quality of user engagement. Future research is encouraged to adopt experimental or longitudinal methodologies to establish causal relationships and explore these dynamics in diverse cultural contexts.
Introduction
The introduction of this research paper highlights the unique psychological pressures faced by university students in China, exacerbated by competitive academic environments and a challenging job market. National surveys indicate that self-reported levels of stress, anxiety, and depression among Chinese undergraduates are significantly high, with limited help-seeking behaviors due to stigma and inadequate counseling resources. In this context, music listening emerges as a prevalent emotion-regulation strategy, ranking among the top activities for stress relief among students. The study focuses on “algorithmically curated music listening,” where music is selected by recommendation systems based on user data, contrasting with traditional self-selected playlists.
The authors raise critical questions regarding the efficacy of algorithmically curated music in aiding stress recovery compared to self-selected music, and how individual psychological traits—specifically algorithmic trust, emotional autonomy, and privacy concerns—affect this experience. The study employs a mixed-methods design, combining surveys and qualitative interviews, to explore these dynamics. Initial findings suggest that while privacy concerns exist, they do not significantly hinder music listening; rather, they serve as background awareness that may influence engagement with personalized music recommendations. The research aims to fill a gap in understanding the intersection of algorithmic music recommendation and mental health, particularly in the context of Chinese university students.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research questions. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled laboratory experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using advanced statistical software, applying techniques such as regression analysis and ANOVA to determine significant differences and relationships among the variables. The section emphasizes the importance of replicability and transparency in the methods employed, allowing for future studies to build upon the findings presented.
Results
The thematic analysis of 24 interview transcripts revealed four key themes regarding participants’ experiences with AI music recommendation systems.
**Theme 1** highlights that many users value the cognitive ease provided by AI recommendations, particularly during stressful periods, where the effort of selecting music becomes burdensome. Participants expressed a willingness to accept less-than-ideal recommendations for the sake of convenience, indicating that the background nature of music during study sessions diminishes the need for active selection.
**Theme 2** emphasizes that algorithmic trust is built through repeated interactions with specific platforms rather than being a general disposition. High-trust participants often relied on their platforms for tailored recommendations, while low-trust users tended to revert to manual curation, especially under stress. **Theme 3** discusses the complex relationship between emotional autonomy and the use of AI recommendations; while high-autonomy individuals recognized the potential benefits of algorithmic suggestions, they often felt uncomfortable delegating choices to AI. Lastly, **Theme 4** reveals that privacy concerns, although measurable, were not a primary focus for most participants during their listening experiences. Most exhibited a pragmatic acceptance of data tracking, with only a few expressing significant discomfort that led to behavioral changes, such as deleting and reinstalling applications to reset algorithmic knowledge.
Discussion
The discussion section of the paper explores the relationships between algorithmic trust, emotional autonomy, and privacy concerns in predicting stress and emotional outcomes among Chinese university students who use algorithmically curated music. The study finds that while algorithmically curated music listening is associated with lower perceived stress and negative affect, the effects are modest and should be interpreted cautiously due to the observational nature of the research. Notably, algorithmic trust emerges as a significant predictor of stress reduction, suggesting that users who trust the recommendation systems are more likely to benefit from them. This trust is built through repeated interactions with the platform, highlighting the importance of transparency in recommendation logic to enhance user engagement.
Conversely, the study reveals an unexpected positive correlation between emotional autonomy and stress, indicating that students with a strong sense of control over their emotional responses may resist algorithmic suggestions, even when they recognize their potential benefits. This finding aligns with self-determination theory, which posits that perceived external control can undermine intrinsic motivation. The authors suggest that personalization in algorithmic music listening should not compromise users’ sense of autonomy, as this may lead to discomfort and increased stress. Overall, the research underscores the necessity of considering the relational dynamics between users and algorithms in the design of AI-based mental health tools, advocating for a focus on user experience rather than solely on technical optimization. Future studies are encouraged to employ longitudinal designs and objective data to further elucidate these relationships.
Limitations
The limitations of the study are significant and should be carefully considered. The observational design inherently limits the ability to draw causal inferences, as observed differences in stress outcomes may stem from pre-existing individual characteristics, such as personality traits or openness to algorithms, which could influence both listening preferences and stress levels. To better establish causal relationships, future research should employ experimental or quasi-experimental methodologies, such as instrumental variable approaches or regression discontinuity designs.
Additionally, the four-week follow-up period may not adequately capture the longer-term dynamics of trust development or habituation effects. The sample, drawn from three institutions, is skewed towards moderate stress levels and may not accurately reflect the experiences of students at high-pressure or less urban universities. Furthermore, the classification of listening types was based on self-reported data, which introduces the risk of misclassification. The exclusion of 26 mixed-mode listeners from primary analyses reduces statistical power and may overlook a growing demographic of students who alternate between algorithmic and self-selected listening. Lastly, the predictor scales utilized were adaptations of existing instruments rather than specifically designed measures, and their construct validity in this context has yet to be formally established.