DOI: https://doi.org/10.3389/fpsyg.2026.1768759
PMID: https://pubmed.ncbi.nlm.nih.gov/41815242
تاريخ النشر: 2026-02-24
المؤلف: Yang Yong Zhu وآخرون
الموضوع الرئيسي: التدخلات الرقمية في الصحة النفسية
نظرة عامة
تستكشف الدراسة العلاقة بين شدة الاكتئاب، ومخاوف الخصوصية، ونية استخدام العلاج بالموسيقى المدعوم بالذكاء الاصطناعي بين طلاب الجامعات، مما يعالج قضية حاسمة في التدخلات الرقمية للصحة النفسية. أجريت الدراسة على عينة من 612 طالبًا في الصين، واستخدمت مقياس PHQ-8 لتقييم مستويات الاكتئاب وفحصت مخاوف الخصوصية المتعلقة بالذكاء الاصطناعي جنبًا إلى جنب مع الفائدة المدركة ونوايا البحث عن المساعدة. كشفت النتائج أنه بينما توقع الاكتئاب بشكل إيجابي نية استخدام العلاج بالموسيقى المدعوم بالذكاء الاصطناعي (β = 0.128، p < 0.001)، فإن مخاوف الخصوصية قد وسّعت بشكل كبير هذه العلاقة (β = -0.086، p = 0.015). على وجه التحديد، كان التأثير المحفز للاكتئاب على نية الاستخدام واضحًا في الطلاب الذين لديهم مخاوف خصوصية منخفضة ولكنه تضاءل بالنسبة لأولئك الذين لديهم مخاوف خصوصية عالية. تؤكد الخاتمة على التناقض في حلول الصحة النفسية الرقمية: على الرغم من أن أعراض الاكتئاب تدفع الطلاب للبحث عن الدعم القائم على الذكاء الاصطناعي، فإن مخاوف الخصوصية يمكن أن تعيق هذه النية. يجادل المؤلفون بأن معالجة هذا التناقض تتطلب التركيز على "الخصوصية من خلال التصميم" وآليات الثقة الشفافة، بدلاً من مجرد تعزيز القدرات الخوارزمية. إن ضمان شعور المستخدمين بالأمان أمر أساسي لتقديم موارد الصحة النفسية الرقمية بشكل فعال لأولئك الذين يعانون من الضغوط النفسية.
مقدمة
في الدراسة، افترضت الفرضية H1 أن مستويات الاكتئاب لدى طلاب الجامعات ستؤثر إيجابيًا على نيتهم في استخدام العلاج بالموسيقى المدعوم بالذكاء الاصطناعي. بدأت التحليل بالنموذج 1، الذي شمل متغيرات التحكم مثل الجنس، والتخصص، والفائدة المدركة، موضحًا 30.5% من التباين في نية الاستخدام (ΔR² = 0.305). عند إضافة المتغير المستقل “مستوى الاكتئاب” في النموذج 2، أشارت النتائج إلى تأثير تنبؤي إيجابي كبير على نية الاستخدام (β = 0.128، p < 0.001)، مما زاد من قوة النموذج التفسيرية إلى 32.0% (ΔR² = 0.015)، مع تغيير ذو دلالة كبيرة (F-change = 11.21، p < 0.01). كانت المتبقيات في النموذج موزعة بالتساوي حول الصفر، مما يؤكد افتراضات الانحدار الخطي. أوضح مخطط الانتشار أنه مع زيادة درجات الاكتئاب، زادت أيضًا نية استخدام أداة العلاج بالموسيقى المدعوم بالذكاء الاصطناعي. بشكل عام، تدعم تحليل الانحدار بقوة الفرضية H1، مما يشير إلى وجود علاقة واضحة بين مستويات الاكتئاب ونية استخدام العلاج بالموسيقى المدعوم بالذكاء الاصطناعي بين طلاب الجامعات.
الطرق
توضح قسم المنهجية النهج المنظم المستخدم في البحث للتحقيق في الفرضيات المحددة. يتناول التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة إطارًا كميًا، يتضمن تحليلات إحصائية لضمان موثوقية وصلاحية النتائج.
تم تجنيد المشاركين بناءً على معايير محددة مسبقًا، وتم جمع البيانات من خلال استبيانات منظمة وتجارب محكومة. شمل التحليل تطبيق اختبارات إحصائية متنوعة، مثل تحليل الانحدار وANOVA، لتقييم العلاقات بين المتغيرات وتحديد دلالة النتائج. يدعم هذا الإطار المنهجي الصارم استنتاجات الدراسة ويعزز قوة النتائج.
النتائج
حللت الدراسة بيانات من العالم الحقيقي من 612 مشاركًا لاستكشاف العلاقة المعقدة بين المزاج الاكتئابي وقبول العلاج بالموسيقى المدعوم بالذكاء الاصطناعي. تؤكد النتائج على الاتصال القائم بين الضيق العاطفي والميول للبحث عن المساعدة، مما يشير إلى أن الأفراد الذين يعانون من أعراض الاكتئاب هم أكثر احتمالًا للنظر في التدخلات العلاجية.
علاوة على ذلك، تؤكد النتائج على التأثير الوسيط الكبير لمخاوف الخصوصية، التي ظهرت كحاجز حاسم أمام قبول العلاج بالموسيقى المدعوم بالذكاء الاصطناعي. وهذا يشير إلى أنه على الرغم من وجود استعداد للبحث عن المساعدة بين أولئك الذين يعانون من المزاج الاكتئابي، فإن المخاوف المتعلقة بالخصوصية قد تعيق اعتماد الحلول العلاجية القائمة على الذكاء الاصطناعي.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على ظهور وإمكانات العلاج بالموسيقى المدعوم بالذكاء الاصطناعي كأداة تحويلية في معالجة قضايا الصحة النفسية، لا سيما بين طلاب الجامعات الذين يعانون من الاكتئاب. من خلال الاستفادة من التقدم في الذكاء الاصطناعي التوليدي، يمكن لهذه الأنظمة إنشاء موسيقى علاجية مخصصة في الوقت الفعلي، استجابةً للحالات العاطفية للمستخدمين ومؤشراتهم الفسيولوجية. تقدم هذه الطريقة المبتكرة مزايا كبيرة مقارنة بالعلاج بالموسيقى التقليدي، بما في ذلك تحسين الوصول وبيئة غير حكمية تخفف من قلق التقييم، مما يجعلها جذابة بشكل خاص للطلاب الذين قد يواجهون صعوبة في التفاعلات الاجتماعية بسبب أعراض الاكتئاب. تفترض الدراسة أن العلاج بالموسيقى المدعوم بالذكاء الاصطناعي يمكن أن يكون تدخلًا فعالًا للأزمة المتزايدة في الصحة النفسية في الحرم الجامعي.
ومع ذلك، تتناول الورقة أيضًا مخاوف الخصوصية الحرجة المرتبطة بجمع البيانات الواسعة المطلوبة للعلاج بالموسيقى المدعوم بالذكاء الاصطناعي. إن الاعتماد على بيانات المستخدم الحساسة يثير أسئلة أخلاقية كبيرة، لا سيما بالنسبة للفئات الضعيفة مثل الطلاب المكتئبين، الذين قد يكونون حذرين من انتهاكات الخصوصية المحتملة. تقترح البحث إطارًا قائمًا على نظرية حساب الخصوصية، تفحص التوازن بين الفوائد المدركة للتخفيف العاطفي ومخاطر انتهاك الخصوصية. تهدف الدراسة إلى التحقيق فيما إذا كانت مخاوف الخصوصية تعدل العلاقة بين مستويات الاكتئاب ونية استخدام العلاج بالموسيقى المدعوم بالذكاء الاصطناعي، مما يوفر رؤى حول الحواجز النفسية التي قد تعيق اعتماد مثل هذه الأدوات الرقمية للصحة النفسية. في النهاية، من المتوقع أن تُعلم النتائج تطوير تدخلات الصحة النفسية القائمة على الذكاء الاصطناعي بشكل أكثر أمانًا وسهولة في الاستخدام، مما يضمن فعاليتها وموثوقيتها.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات رئيسية للبحث المستقبلي. أولاً، التصميم العرضي يحد من القدرة على إقامة علاقات سببية، حيث يحدد فقط الارتباطات بين الاكتئاب ونية استخدام العلاج بالموسيقى المدعوم بالذكاء الاصطناعي. وهذا يثير إمكانية السببية العكسية، حيث قد يُبلغ الأفراد المهيئون للبحث عن المساعدة عن أعراض اكتئاب أعلى. يجب أن تستخدم الدراسات المستقبلية تصاميم طولية أو تجريبية، مثل التجارب العشوائية المضبوطة، لتوضيح هذه الديناميات السببية (Fitzpatrick et al., 2017; Liu et al., 2025).
ثانيًا، طريقة أخذ العينات، التي جمعت بين أخذ العينات المريحة وأخذ العينات بالكرة الثلجية، تقدم انحياز اختيار محتمل. قد يكون المشاركون أكثر ميلًا للمشاركة بسبب اهتمامهم بالتكنولوجيا أو موقف أكثر انفتاحًا تجاه الصحة النفسية، مما قد يؤدي إلى تقدير مفرط لقبول العلاج بالموسيقى المدعوم بالذكاء الاصطناعي. لتعزيز الصلاحية الخارجية، يجب أن تستخدم الأبحاث المستقبلية طرق أخذ عينات احتمالية، مثل أخذ العينات العشوائية الطبقية. بالإضافة إلى ذلك، قد يؤدي الاعتماد على البيانات المبلغ عنها ذاتيًا إلى انحياز الرغبة الاجتماعية، مما يشير إلى أن الدراسات المستقبلية يمكن أن تستفيد من دمج مقاييس موضوعية، مثل بيانات استخدام التطبيقات أو الاستجابات الفسيولوجية (Kelly et al., 2022).
أخيرًا، قد تؤدي الطبيعة المفاهيمية لـ “العلاج بالموسيقى المدعوم بالذكاء الاصطناعي” إلى تفسيرات متنوعة بين المشاركين، مما يؤثر على دقة القياس. يمكن أن تحسن الأبحاث المستقبلية من الصلاحية البيئية من خلال توفير محفزات موحدة، مثل مقاطع فيديو تشغيلية لتطبيقات العلاج بالموسيقى المدعوم بالذكاء الاصطناعي. علاوة على ذلك، يحد تركيز الدراسة على عينة من البر الرئيسي للصين من تعميم النتائج عبر سياقات ثقافية مختلفة، مما يبرز الحاجة إلى دراسات عبر الثقافات لفحص كيفية تأثير العوامل الثقافية على سلوكيات البحث عن المساعدة ومخاوف الخصوصية (He et al., 2024; Li et al., 2025; Qi et al., 2025).
DOI: https://doi.org/10.3389/fpsyg.2026.1768759
PMID: https://pubmed.ncbi.nlm.nih.gov/41815242
Publication Date: 2026-02-24
Author(s): Yang Yong Zhu et al.
Primary Topic: Digital Mental Health Interventions
Overview
The study explores the relationship between depression severity, privacy concerns, and the intention to use AI-driven music therapy among university students, addressing a critical issue in digital mental health interventions. Conducted with a sample of 612 students in China, the research utilized the PHQ-8 to assess depression levels and examined AI-specific privacy concerns alongside perceived usefulness and help-seeking intentions. The findings revealed that while depression positively predicted the intention to use AI music therapy (β = 0.128, p < 0.001), privacy concerns significantly moderated this relationship (β = -0.086, p = 0.015). Specifically, the motivating effect of depression on usage intention was evident in students with low privacy concerns but diminished for those with high privacy concerns. The conclusion emphasizes the paradox of digital mental health solutions: although depressive symptoms drive students to seek AI-based support, privacy fears can inhibit this intention. The authors argue that addressing this contradiction requires a focus on "privacy by design" and transparent trust mechanisms, rather than merely enhancing algorithmic capabilities. Ensuring that users feel secure is essential for the effective delivery of digital mental health resources to those in psychological distress.
Introduction
In the study, Hypothesis H1 posited that university students’ levels of depression would positively influence their intention to use AI music therapy. The analysis began with Model 1, which included control variables such as gender, major, and perceived usefulness, explaining 30.5% of the variance in intention to use (ΔR² = 0.305). Upon adding the independent variable “Depression Level” in Model 2, the results indicated a significant positive predictive effect on intention to use (β = 0.128, p < 0.001), increasing the model's explanatory power to 32.0% (ΔR² = 0.015), with a highly significant change (F-change = 11.21, p < 0.01). The residuals of the model were evenly distributed around zero, confirming the assumptions of linear regression. A scatter plot illustrated that as depression scores increased, so did the intention to use the AI music therapy tool. Overall, the regression analysis strongly supports Hypothesis H1, indicating a clear relationship between depression levels and the intention to utilize AI music therapy among university students.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods used to interpret the results. The study utilized a quantitative framework, incorporating statistical analyses to ensure the reliability and validity of the findings.
Participants were recruited based on predetermined criteria, and data were gathered through structured surveys and controlled experiments. The analysis involved the application of various statistical tests, such as regression analysis and ANOVA, to assess the relationships between variables and to determine the significance of the results. This rigorous methodological framework underpins the study’s conclusions and enhances the robustness of the findings.
Results
The study analyzed real-world data from 612 participants to explore the intricate relationship between depressive mood and the acceptance of AI music therapy. The findings corroborate the established connection between emotional distress and the propensity to seek help, indicating that individuals experiencing depressive symptoms are more likely to consider therapeutic interventions.
Moreover, the results underscore the significant moderating effect of privacy concerns, which emerged as a critical barrier to the acceptance of AI music therapy. This suggests that while there is a willingness to seek help among those with depressive moods, apprehensions regarding privacy may hinder the adoption of AI-based therapeutic solutions.
Discussion
The discussion section of the research paper highlights the emergence and potential of AI music therapy as a transformative tool in addressing mental health issues, particularly among university students experiencing depression. Leveraging advancements in Generative AI, these systems can create personalized therapeutic music in real-time, responding to users’ emotional states and physiological indicators. This innovative approach offers significant advantages over traditional music therapy, including enhanced accessibility and a non-judgmental environment that alleviates evaluation anxiety, making it particularly appealing for students who may struggle with social interactions due to depressive symptoms. The study posits that AI music therapy could serve as an effective intervention for the escalating mental health crisis on campuses.
However, the paper also addresses critical privacy concerns associated with the extensive data collection required for personalized AI music therapy. The reliance on sensitive user data raises significant ethical questions, particularly for vulnerable populations like depressed students, who may be wary of potential privacy breaches. The research proposes a framework based on Privacy Calculus Theory, examining the trade-off between the perceived benefits of emotional relief and the risks of privacy invasion. The study aims to investigate whether privacy concerns moderate the relationship between depression levels and the intention to use AI music therapy, thereby providing insights into the psychological barriers that may hinder the adoption of such digital mental health tools. Ultimately, the findings are expected to inform the development of more secure and user-friendly AI mental health interventions, ensuring they are both effective and trustworthy.
Limitations
The limitations of this study highlight several key areas for future research. Firstly, the cross-sectional design restricts the ability to establish causal relationships, as it only identifies correlations between depression and the intention to use AI music therapy. This raises the possibility of reverse causality, where individuals predisposed to seek help may report higher depressive symptoms. Future studies should employ longitudinal or experimental designs, such as randomized controlled trials, to clarify these causal dynamics (Fitzpatrick et al., 2017; Liu et al., 2025).
Secondly, the sampling method, which combined convenience and snowball sampling, introduces potential selection bias. Participants may have been more inclined to engage due to their interest in technology or a more open attitude toward mental health, potentially leading to an overestimation of AI music therapy acceptance. To enhance external validity, future research should utilize probability sampling methods, such as stratified random sampling. Additionally, reliance on self-reported data may introduce social desirability bias, suggesting that future studies could benefit from integrating objective measures, such as app usage data or physiological responses (Kelly et al., 2022).
Finally, the conceptual nature of “AI music therapy” may lead to varied interpretations among participants, affecting measurement accuracy. Future research could improve ecological validity by providing standardized stimuli, such as operational videos of AI music therapy applications. Furthermore, the study’s focus on a sample from mainland China limits the generalizability of findings across different cultural contexts, underscoring the need for cross-cultural studies to examine how cultural factors influence help-seeking behaviors and privacy concerns (He et al., 2024; Li et al., 2025; Qi et al., 2025).