Selección de tecnologías de aprendizaje musical con IA en educación superior usando AHP y TOPSIS

Por qué importa elegir la tecnología musical adecuada ahora

Desde aplicaciones de notación hasta compañeros de práctica impulsados por IA, las herramientas digitales están transformando rápidamente la forma en que los estudiantes universitarios aprenden música. Pero los campus con frecuencia eligen herramientas por costumbre, por publicidad o por la voz más ruidosa en la sala, en lugar de basarse en pruebas claras. Este estudio plantea una pregunta sencilla con grandes consecuencias: ¿cómo puede la educación superior seleccionar tecnologías de aprendizaje musical con IA de manera justa, transparente y centrada en la enseñanza y en los estudiantes, en lugar de en argumentos de venta?

Muchas herramientas, sin una mejor opción única

Los programas de música actuales equilibran necesidades muy distintas: práctica individual, trabajo de conjunto, teoría, composición y producción de estudio. Las herramientas disponibles son igualmente variadas: plataformas de notación y partituras, estaciones de trabajo de audio digital, aplicaciones de entrenamiento auditivo, sistemas de acompañamiento con IA, complementos para sistemas de gestión del aprendizaje y herramientas de composición asistida por IA. Las investigaciones sugieren que estas tecnologías pueden mejorar el aprendizaje y la motivación, pero los beneficios dependen mucho del contexto: quiénes son los aprendices, qué pretende lograr el curso y cómo encaja la herramienta con la infraestructura y las políticas locales. El autor sostiene que una selección informal basada en la familiaridad o el marketing puede chocar fácilmente con los objetivos del curso, las necesidades de acceso de los estudiantes o las responsabilidades relacionadas con datos, privacidad e integridad de la evaluación.

Una forma estructurada de comparar opciones

Para abordar esta complejidad, el estudio construye un marco de decisión usando dos métodos multicriterio bien establecidos provenientes de la ciencia de decisiones. Primero, el Proceso Analítico Jerárquico se utiliza para pedir a un panel de 20 expertos —desde profesores de interpretación hasta ingenieros de estudio, tecnólogos del aprendizaje y responsables de gobernanza— que comparen qué es lo más importante al elegir herramientas. Sus juicios se verifican para consistencia interna y se convierten en ponderaciones para cinco dimensiones principales: valor pedagógico, experiencia del aprendiz, ajuste técnico con los sistemas existentes, viabilidad práctica y gobernanza y ética. En segundo lugar, el método TOPSIS clasifica seis categorías amplias de tecnología para el aprendizaje musical al medir qué tan cerca está cada una de una herramienta “ideal” que puntúe alto en todas estas dimensiones mientras evita desventajas graves.

Reunir a estudiantes y expertos en la misma mesa

El marco no se basa únicamente en la opinión de expertos. Cien estudiantes de música de educación superior participaron en demostraciones estructuradas y tareas prácticas cortas con cada tipo de herramienta. Inmediatamente después valoraron la facilidad de uso, la accesibilidad, el grado de implicación, la utilidad para su aprendizaje, la calidad de la retroalimentación y la personalización percibida. Estas valoraciones de los aprendices se combinaron con los juicios de los expertos sobre cuestiones que los estudiantes no pueden ver con la misma claridad, como la protección de datos, la integración con los sistemas del campus, los costes a largo plazo y la carga de soporte. Para preguntas compartidas —como cuán útil es la retroalimentación— el modelo da el mismo peso a las perspectivas estudiantiles y de expertos, y luego alimenta esas puntuaciones en el algoritmo de clasificación.

Qué herramientas se sitúan en la cima

Cuando se combinan los 25 subcriterios, las plataformas de aprendizaje basadas en notación y partituras resultan la opción líder en general. Equilibran un fuerte valor docente, una sólida experiencia estudiantil y un buen ajuste técnico en muchos tipos de cursos de música. Las herramientas de evaluación y retroalimentación integradas en sistemas de gestión del aprendizaje ocupan un cercano segundo puesto, impulsadas por su fuerte alineación con normas institucionales sobre privacidad, seguridad e integridad académica. Las aplicaciones de entrenamiento auditivo y musicalidad quedan en tercer lugar, gracias a altas valoraciones estudiantiles y a costes y demandas de soporte relativamente bajos. En contraste, las herramientas de composición asistida por IA descienden consistentemente hasta el fondo de la clasificación, principalmente por puntuaciones más débiles en gobernanza y ajuste técnico: los expertos se preocupan por la transparencia, el sesgo, las prácticas de datos y el riesgo de socavar la equidad en la evaluación si se introducen estas herramientas sin salvaguardias sólidas.

Probar qué ocurre cuando cambian las prioridades

El estudio también pregunta cuán frágiles son estas clasificaciones. Al volver a ejecutar el modelo bajo distintos escenarios hipotéticos —como una institución muy aversa al riesgo respecto a la IA, o una con presión presupuestaria más intensa— el autor muestra que las mismas tres categorías permanecen en el nivel superior, pero su orden puede cambiar. En escenarios liderados por la gobernanza, las herramientas del sistema de gestión del aprendizaje se convierten en la primera elección; cuando los recursos son limitados, las aplicaciones de entrenamiento auditivo pasan a liderar. Es importante destacar que la categoría de composición asistida por IA, la peor clasificada, permanece última en todos los escenarios, lo que sugiere que, en su forma actual, solo se vuelve atractiva una vez que existen supervisión fuerte y garantías técnicas.

Qué significa esto para los programas de música

Para los no especialistas, el mensaje clave es que no existe una sola herramienta de IA musical “mágica”. En su lugar, las buenas decisiones dependen de equilibrar beneficios docentes, experiencia estudiantil, realidades prácticas y responsabilidades institucionales. El marco desarrollado aquí ofrece a las universidades una forma repetible de visibilizar esos compromisos, de justificar por qué ciertas categorías —como plataformas de notación, herramientas de retroalimentación integradas en sistemas de gestión del aprendizaje o aplicaciones de entrenamiento auditivo— merecen inversión temprana, y de abordar con cautela opciones más controvertidas como la composición con IA. En lugar de reemplazar el juicio humano, el modelo ofrece a educadores, tecnólogos y responsables una base de evidencia compartida para decidir qué tecnologías deben dar forma al futuro del aprendizaje musical.

Cita: 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

Palabras clave: tecnología para la educación musical, inteligencia artificial en la educación, toma de decisiones en educación superior, analítica del aprendizaje y evaluación, gobernanza de la tecnología educativa