Auswahl KI-gestützter Musiklerntechnologien in der Hochschulbildung mithilfe von AHP und TOPSIS

Warum die richtige Wahl von Musiktechnologie jetzt wichtig ist

Von Notations-Apps bis zu KI-gestützten Übungspartnern verändern digitale Werkzeuge schnell, wie Studierende an Universitäten Musik lernen. Dennoch entscheiden Hochschulen häufig nach Gewohnheit, Hype oder dem lautesten Fürsprecher statt anhand klarer Belege. Diese Studie stellt eine einfache, aber folgenreiche Frage: Wie können Hochschulen KI-fähige Musiklerntechnologien so auswählen, dass der Prozess fair, transparent und auf Lehre sowie Studierende ausgerichtet ist – und nicht auf Verkaufsargumente?

Viele Werkzeuge, keine einzige beste Wahl

Musikprogramme von heute müssen sehr unterschiedliche Bedürfnisse abdecken: Einzelübung, Ensemblespiel, Theorie, Komposition und Studio-Produktion. Das Angebot an Werkzeugen ist ebenso vielfältig – Notations- und Partiturplattformen, digitale Audio-Workstations, Gehörbildungs-Apps, KI-Begleitsysteme, Lernmanagement-Add-ons und KI-Kompositionstools. Forschung deutet darauf hin, dass diese Technologien Lernen und Motivation fördern können, doch der Nutzen hängt stark vom Kontext ab: wer die Lernenden sind, welche Ziele der Kurs verfolgt und wie gut das Werkzeug zur lokalen Infrastruktur und den Richtlinien passt. Der Autor argumentiert, dass eine informelle Auswahl nach Vertrautheit oder Marketing leicht mit Kurszielen, Zugangsanforderungen der Studierenden oder Verantwortlichkeiten in Bezug auf Daten, Datenschutz und Bewertungskohärenz in Konflikt geraten kann.

Ein strukturiertes Verfahren zum Vergleich von Optionen

Um diese Komplexität zu bewältigen, entwickelt die Studie einen Entscheidungsrahmen, der zwei etablierte Multi-Kriterien-Methoden aus der Entscheidungswissenschaft kombiniert. Zuerst wird der Analytic Hierarchy Process eingesetzt, um ein Gremium von 20 Expertinnen und Experten – von Performance-Lehrenden über Studioingenieur:innen bis zu Learning-Technologists und Governance-Beauftragten – vergleichend zu fragen, was bei der Auswahl von Werkzeugen am wichtigsten ist. Ihre Urteile werden auf interne Konsistenz geprüft und in Gewichte für fünf Hauptdimensionen umgewandelt: pädagogischer Wert, Lernerfahrung, technische Anpassung an bestehende Systeme, praktische Durchführbarkeit sowie Governance und Ethik. Zweitens ordnet die TOPSIS-Methode sechs breite Kategorien von Musiklerntechnologien, indem sie ermessen lässt, wie nah jede Kategorie an einem „idealen“ Werkzeug liegt, das in allen diesen Dimensionen hoch bewertet ist und schwerwiegende Nachteile vermeidet.

Studierende und Expertinnen am selben Tisch

Der Rahmen stützt sich nicht ausschließlich auf Expertenmeinungen. Hundert Studierende aus der Hochschulmusik nahmen an strukturierten Demonstrationen und kurzen, praktischen Aufgaben mit jedem Werkzeugtyp teil. Unmittelbar danach bewerteten sie Bedienfreundlichkeit, Zugänglichkeit, Engagement, Nützlichkeit für ihr Lernen, Qualität der Rückmeldungen und wahrgenommene Personalisierung. Diese Lernendenbewertungen wurden mit Expertenurteilen zu Aspekten kombiniert, die Studierende weniger klar einschätzen können, etwa Datenschutz, Integration in Campus-Systeme, langfristige Kosten und Unterstützungsaufwand. Bei gemeinsamen Fragestellungen – etwa wie nützlich Rückmeldungen sind – gewichtet das Modell Studierenden- und Expert:innenperspektiven gleich und speist diese Werte dann in den Rangalgorithmus ein.

Welche Werkzeuge an die Spitze gelangen

Wenn alle 25 Unterkriterien zusammengeführt werden, zeigen sich Notations- und partiturbasierte Lernplattformen als insgesamt führende Wahl. Sie vereinen starken didaktischen Wert, solide Lernerfahrung und gute technische Anpassung über viele Arten von Musikkursen hinweg. Assessment- und Feedback-Tools im Lernmanagementsystem bilden einen knappen zweiten Platz, vorangetrieben durch ihre starke Übereinstimmung mit institutionellen Vorgaben zu Datenschutz, Sicherheit und akademischer Integrität. Gehörbildungs- und Musizier-Apps belegen den dritten Platz, gestützt auf hohe Studierendenbewertungen sowie vergleichsweise geringe Kosten und Supportanforderungen. Im Gegensatz dazu landen KI-unterstützte Kompositionstools durchgängig am Ende des Rankings, vor allem aufgrund schwächerer Bewertungen in den Bereichen Governance und technische Passung – Expertinnen und Experten äußern Bedenken zu Transparenz, Verzerrungen, Datenpraktiken und dem Risiko, die Bewertungsgerechtigkeit zu untergraben, wenn solche Werkzeuge ohne starke Schutzmaßnahmen eingeführt werden.

Prüfen, was passiert, wenn Prioritäten sich ändern

Die Studie untersucht auch, wie stabil diese Rangfolgen sind. Durch Neubewertung des Modells unter verschiedenen „Was-wäre-wenn“-Szenarien – etwa einer Einrichtung mit hoher Risikoaversion gegenüber KI oder einer unter stärkerem Haushaltsdruck – zeigt der Autor, dass dieselben drei Kategorien in der Spitzengruppe bleiben, aber ihre Reihenfolge verschieben kann. In governance-geprägten Szenarien werden Lernmanagement-Tools zur ersten Wahl; bei knapperen Ressourcen rücken Gehörbildungs-Apps in Führung. Wichtig ist, dass die am niedrigsten platzierte Kategorie der KI-Komposition in allen Szenarien auf dem letzten Platz verbleibt, was darauf hindeutet, dass sie in ihrer gegenwärtigen Form erst dann attraktiv wird, wenn starke Aufsicht und technische Zusicherungen vorhanden sind.

Was das für Musikprogramme bedeutet

Für Nicht-Fachleute lautet die Kernbotschaft, dass es kein einzelnes „magisches“ KI-Musikwerkzeug gibt. Gute Entscheidungen beruhen vielmehr auf dem Ausbalancieren von Lehrvorteilen, Lernerfahrung, praktischen Realitäten und institutionellen Verantwortungen. Der hier entwickelte Rahmen bietet Hochschulen ein reproduzierbares Verfahren, diese Abwägungen sichtbar zu machen, zu begründen, warum bestimmte Kategorien – wie Notationsplattformen, lernmanagementbasierte Feedback-Tools oder Gehörbildungs-Apps – vorrangige Investitionen verdienen, und kontroversere Optionen wie KI-Komposition vorsichtig anzugehen. Anstatt menschliches Urteil zu ersetzen, liefert das Modell Lehrenden, Technolog:innen und Führungskräften eine gemeinsame Evidenzgrundlage dafür, welche Technologien die Zukunft des Musiklernens gestalten sollten.

Zitation: Xu, M. Selecting AI-enabled music learning technologies in higher education using AHP and TOPSIS. Sci Rep 16, 12979 (2026). https://doi.org/10.1038/s41598-026-43769-1

Schlüsselwörter: Technologie in der Musikausbildung, Künstliche Intelligenz in der Bildung, Entscheidungsfindung in der Hochschulbildung, Lernanalytik und Leistungsbewertung, Governance von Bildungstechnologien