这篇文档属于类型a，以下是针对该研究的学术报告：
主要作者及研究机构
该研究由Hyeshin Chu、Joohee Kim、Seongouk Kim、Hongkyu Lim、Hyunwook Lee、Seungmin Jin、Jongeun Lee、Taehwan Kim和Sungahn Ko共同完成，所有作者均来自韩国蔚山国立科学技术院（UNIST）。该研究于2022年10月17日至21日在第31届ACM国际信息与知识管理会议（CIKM ‘22）上发表。
学术背景
该研究属于人工智能（AI）与音乐生成领域的交叉研究，主要关注深度学习技术在音乐生成中的应用，尤其是如何通过AI生成符号音乐（symbolic music）并评估人类对其的主观满意度。音乐创作不仅需要创造力，还需遵循严格的规则，这使得音乐生成成为一个复杂的过程。近年来，深度学习技术的发展为自动化音乐生成提供了多样化的方法，但以往的研究较少关注听众的主观满意度，而这恰恰是衡量音乐价值的重要标准。因此，本研究旨在填补这一空白，通过实证研究探讨人类对AI生成音乐的主观感知，并提出一套主观评估指标，以改进音乐生成模型。
研究流程
研究分为以下几个主要步骤：
1. 文献综述与模型分类
研究团队首先对现有的符号音乐生成模型进行了全面调研，并根据生成任务、音乐类型、模型架构等标准对这些模型进行了分类。通过对40个音乐生成模型的分析，研究团队确定了实验中使用的基础模型，包括Music Transformer、Compound Word Transformer、Transformer-GANs和Theme Transformer。
主观评估指标的提出
基于文献综述，研究团队提出了九项主观评估指标，包括整体满意度（overall）、创造力（creativity）、自然度（naturalness）、旋律性（melodiousness）、丰富性（richness）、节奏性（rhythmicity）、正确性（correctness）、结构性（structureness）和连贯性（coherence）。这些指标旨在全面评估AI生成音乐的各个方面，尤其是针对非专业听众的感知。
实验设计与实施
研究团队设计了一项在线用户研究，招募了100名参与者。参与者被随机分配到无条件音乐生成（unconditional music generation）或有条件音乐生成（conditional music generation）实验中。实验要求参与者聆听由不同模型生成的音乐片段，并根据上述九项指标进行评分。每个模型生成10首音乐片段，从中选出3首用于实验。
数据收集与分析
研究团队收集了超过700份评估数据，并对结果进行了定量和定性分析。定量分析通过统计方法（如单因素方差分析和Tukey事后检验）比较了不同模型在各项指标上的表现。定性分析则通过对参与者开放式反馈的编码和归类，进一步探讨了AI生成音乐对人类感知的影响。
主要结果
1. 模型表现差异
定量分析表明，不同模型在各项指标上的表现存在显著差异。例如，Compound Word Transformer在旋律性（melodiousness）上表现最佳，而Music Transformer在丰富性（richness）和自然度（naturalness）上得分较高。Transformer-GANs在连贯性（coherence）上表现突出，而Theme Transformer在结构性（structureness）和旋律性上表现优异。
主观感知的影响因素
研究结果还表明，音乐生成模型的特征（如token表示方法和模型架构）显著影响了人类的主观满意度。例如，Compound Word Transformer通过捕捉不同类型token之间的共现关系，生成了更具旋律性的音乐；而Music Transformer通过反映音乐元素之间的相对差异，生成了更丰富且自然的音乐。
定性分析发现
定性分析进一步揭示了AI生成音乐对人类创造力的激发作用。参与者表示，AI生成的音乐不仅激发了他们的音乐创作灵感，还帮助他们集中注意力，尤其是在工作或学习时。此外，参与者还表达了对音乐生成模型的更高可控性的需求，例如能够选择音乐的节奏、音高和乐器类型。
结论与意义
该研究首次通过实证研究系统探讨了人类对AI生成音乐的主观感知，并提出了一套全面的主观评估指标。研究结果表明，音乐生成模型的特征对人类满意度有重要影响，尤其是旋律性、自然度和连贯性等指标。这些发现为改进音乐生成模型提供了重要参考，同时也为未来研究指明了方向，例如如何通过交互界面增强用户对音乐生成过程的控制。该研究不仅具有重要的科学价值，还为AI在音乐创作中的应用提供了实践指导。
研究亮点
1. 首次系统性评估
该研究是首次通过大规模用户实验系统评估人类对AI生成音乐的主观感知，填补了该领域的研究空白。
2. 全面的评估指标
研究提出的九项主观评估指标涵盖了音乐生成的多方面特征，为非专业听众提供了一套易于理解的评估工具。
3. 模型特征的深入分析
研究揭示了音乐生成模型的特征（如token表示方法和模型架构）对人类满意度的影响，为改进模型提供了重要依据。
4. 定性分析的丰富发现
通过对参与者反馈的定性分析，研究不仅探讨了AI生成音乐的技术表现，还揭示了其在激发人类创造力和丰富多媒体体验方面的潜力。
其他有价值的内容
研究团队还提出了一些未来研究的方向，例如如何通过交互界面增强用户对音乐生成过程的控制，以及如何将AI生成的音乐应用于视频、游戏等多媒体内容中，以进一步丰富用户体验。
以上是对该研究的全面报告，涵盖了其背景、流程、结果、结论及亮点。