Gestaltung von Unterrichtsaktivitäten und psychologische Praxis von Musikstudierenden unter einem Faltungsneuronalen Netz und Transformer-Modul

Intelligente Technologie in den Musikunterricht bringen

Für viele Musikstudierende wirken Unterrichtsstunden wie ein Einheitsprogramm: dieselben Stücke, dieselben Übungen und wenig Aufmerksamkeit für Nervosität vor Auftritten. Diese Studie untersucht, wie moderne künstliche Intelligenz das Musizierenlernen persönlicher und unterstützender machen kann. Indem Ideen aus Wissenschaft, Technik, Ingenieurwesen, Kunst und Mathematik (häufig STEAM genannt) mit einem intelligenten Empfehlungssystem verknüpft werden, wollen die Forschenden Musikstudierenden helfen, zur richtigen Zeit die passenden Stücke und Aktivitäten zu finden – und zugleich Ängste zu lindern und Selbstvertrauen aufzubauen.

Warum Musikstudierende mehr als Tonleitern brauchen

Traditioneller Hochschulunterricht in der Musik beruht oft auf festen Lehrplänen, vom Lehrenden ausgewähltem Repertoire und wenig Beachtung der Gefühlslage der Studierenden. Das kann dazu führen, dass individuelle Interessen, Lerntempo und Lampenfieber weitgehend unberücksichtigt bleiben. Gleichzeitig erfassen Online-Lernplattformen inzwischen, worauf Studierende klicken, wie lange sie zuhören und welche Stücke sie wiederholt aufrufen. Die Forschenden sahen darin eine Chance: diese reichhaltigen digitalen Spuren zusammen mit psychologischen Fragebögen zu nutzen, um den Musikunterricht an jede:n einzelne:n Studierende:n anzupassen, statt alle durch denselben Weg zu schicken.

Ein intelligenter Leitfaden, der aus Klang, Noten und Gefühlen lernt

Der Kern des Projekts ist ein personalisiertes Empfehlungssystem, das auf zwei mächtigen KI-Werkzeugen basiert: Faltungsneuronalen Netzen und Transformer-Modulen. Vereinfacht gesagt „hört“ das System Aufnahmen von Unterrichtsstücken und wandelt sie in farbige Klangkarten um, die Tonfarbe und Rhythmus erfassen. Es „liest“ außerdem digitale Partituren und erkennt Elemente wie Harmonie, Tempowechsel und technische Schwierigkeit. Darüber hinaus füllen Studierende Fragebögen zu Auftrittsangst, alltäglichem Lernstress und Selbstvertrauen aus. All diese Informationen werden in numerische Merkmale überführt und zu einem einheitlichen Bild verschmolzen, das angibt, wie gut ein Stück zu einer bestimmten Person zu einem bestimmten Zeitpunkt passen könnte.

Projekte, STEAM-Ideen und personalisierte Auswahl verknüpfen

Um den realen Unterrichtsbedarf zu decken, ist das System in ein vierstufiges, projektbasiertes Lehrmodell eingebettet: Thema starten, Ideen erkunden, ein Werk schaffen und Ergebnisse präsentieren. Jedes Musikstück wird mit Angaben versehen, wie es sich auf Wissenschaft, Technik, Ingenieurwesen, Kunst und Mathematik bezieht – etwa Schallphysik, Aufnahmetechnik oder rhythmische Muster. Je nach Phase verschiebt das System seine Prioritäten. Zu Beginn empfiehlt es breites, neugierig machendes Material; später stehen technische Tutorials, kreative Werkzeuge oder Performance-Beispiele stärker im Vordergrund. Bei Gruppenprojekten kombiniert es die Vorlieben und Rollen der Mitglieder, sodass sowohl „technikaffine“ als auch „kunstorientierte“ Studierende Ressourcen erhalten, die zu ihnen passen und zugleich die Gruppe auf gemeinsame Ziele ausrichten.

Was geschah, als Studierende es ausprobierten

Die Forschenden testeten das System mit 112 Musikstudierenden und verglichen eine Experimentalgruppe, die die intelligenten Empfehlungen nutzte, mit einer Kontrollgruppe im traditionellen Unterricht. Das KI-Modell erwies sich als genauer als mehrere konkurrierende Algorithmen darin, vorherzusagen, welche Ressourcen Studierende tatsächlich nutzen würden, und erreichte eine Genauigkeit von etwa 96 Prozent. Wichtiger für den Unterricht war, dass Studierende mit dem System auf mehr Ressourcen klickten, länger auf Lernseiten blieben und mehr Kommentare hinterließen – Hinweise auf tiefere Beteiligung. Auch psychologische Messwerte verbesserten sich: Die Auftrittsangst bei Musik und die allgemeine Lernangst sanken in der Experimentalgruppe stärker, während das Selbstvertrauen im Vergleich zur Kontrollgruppe deutlich zunahm.

Was das für zukünftigen Musikunterricht bedeutet

Alltagsnah zeigt die Studie, dass ein gut gestalteter smarter Assistent wie ein besonders sensibler Tutor wirken kann: einer, der der Musik zuhört, die Partitur liest, das Online-Verhalten der Studierenden beobachtet und ihre Gefühlslage im Blick behält. Er kann dann Stücke und Aktivitäten vorschlagen, die nicht nur dem Leistungsstand entsprechen, sondern auch die emotionalen Bedürfnisse der Studierenden und breitere STEAM-Lernziele unterstützen. Zwar ist das aktuelle System noch ein Konzeptnachweis, doch es weist in eine Zukunft, in der Musikstudierende mit Playlists üben, die ihre Nerven beruhigen, ihre Fertigkeiten fordern und Türen zu Wissenschaft und Technik öffnen – alles automatisch auf die Person und ihre Lernweise abgestimmt.

Zitation: Zhuang, T., Wang, X. & Chang, D. Teaching activity design and psychological practice of music majors under a convolutional neural network and transformer module. Sci Rep 16, 14534 (2026). https://doi.org/10.1038/s41598-026-45673-0

Schlüsselwörter: Musikpädagogik, personalisierter Unterricht, STEAM, Empfehlungssystem, Prüfungsangst von Studierenden