Selectie van AI-gestuurde muziekleer-technologieën in het hoger onderwijs met AHP en TOPSIS

Waarom het nu belangrijk is de juiste muziektechnologie te kiezen

Van notatie-apps tot AI-gestuurde oefenpartners: digitale hulpmiddelen veranderen snel hoe studenten aan universiteiten muziek leren. Campussen kiezen echter vaak op basis van gewoonte, hype of de luidste mening in de kamer in plaats van op duidelijke bewijzen. Deze studie stelt een eenvoudige maar ingrijpende vraag: hoe kan het hoger onderwijs AI-gestuurde muziekleer-technologieën selecteren op een manier die eerlijk, transparant en gericht is op onderwijs en studenten, in plaats van op verkoopargumenten?

Veel hulpmiddelen, geen eenduidige beste keuze

Huidige muziekprogramma’s combineren heel verschillende behoeften: solo-oefening, ensemblewerk, theorie, compositie en studio‑productie. De aangeboden tools zijn even gevarieerd—notatie- en partituurplatforms, digitale audio-werkstations, gehoortrainingsapps, AI‑begeleidingssystemen, learning‑management add-ons en AI‑compositietools. Onderzoek suggereert dat deze technologieën leren en motivatie kunnen versterken, maar de voordelen hangen sterk van de context af: wie de lerenden zijn, wat het cursusdoel is en hoe goed het hulpmiddel past bij lokale infrastructuur en beleid. De auteur betoogt dat informele selectie op basis van vertrouwdheid of marketing gemakkelijk kan botsen met cursusdoelen, de toegankelijkheid voor studenten of verantwoordelijkheden rondom gegevens, privacy en beoordelingsintegriteit.

Een gestructureerde manier om opties te vergelijken

Om deze complexiteit aan te pakken bouwt de studie een besliskader met twee goed gevestigde multicriteria-methoden uit de besluitvormingstheorie. Ten eerste wordt het Analytic Hierarchy Process gebruikt om een panel van 20 experts—van uitvoeringsdocenten tot studio‑engineers, learning technologists en governance‑functionarissen—te laten vergelijken wat het meest telt bij het kiezen van tools. Hun oordelen worden gecontroleerd op interne consistentie en omgezet in gewichten voor vijf hoofddimensies: pedagogische waarde, leerervaring, technische aansluiting op bestaande systemen, praktische haalbaarheid en governance en ethiek. Ten tweede rangschikt de TOPSIS‑methode zes brede categorieën van muziekleer‑technologie door te bepalen hoe dicht elke categorie bij een “ideaal” hulpmiddel komt dat hoog scoort op al deze dimensies en ernstige tekortkomingen vermijdt.

Studenten en experts aan dezelfde tafel brengen

Het kader leunt niet uitsluitend op deskundigenoordeel. Honderd afgestudeerde en bachelorstudenten uit het hoger muziekonderwijs namen deel aan gestructureerde demonstraties en korte, praktische taken met elk type tool. Direct daarna beoordeelden zij gebruiksgemak, toegankelijkheid, betrokkenheid, bruikbaarheid voor hun leren, feedbackkwaliteit en waargenomen personalisatie. Deze leerlingbeoordelingen werden gecombineerd met deskundigenoordelen over kwesties die studenten minder helder kunnen inschatten, zoals gegevensbescherming, integratie met campus‑systemen, langetermijnkosten en ondersteuningslast. Voor gedeelde vragen—zoals hoe nuttig feedback is—geeft het model gelijke betekenis aan student‑ en expertperspectieven en voert deze scores vervolgens in het rangschikkingsalgoritme.

Welke tools bovenaan komen

Wanneer alle 25 subcriteria samen worden genomen, komen notatie- en partituurgebaseerde leerplatforms als de overall voorkeur naar voren. Ze brengen sterke onderwijskundige waarde, een solide studentenervaring en goede technische aansluiting voor veel soorten muziekvakken in balans. Assessment- en feedbacktools binnen learning management systemen vormen een nauwe tweede plaats, gedreven door hun sterke afstemming op institutionele regels rond privacy, veiligheid en academische integriteit. Gehoortrainings- en musicianship‑apps eindigen als derde, dankzij hoge studentwaarderingen en relatief lage kosten en ondersteuningsbehoeften. Daarentegen zinken AI‑geassisteerde compositietools consequent naar de onderkant van de ranglijst, vooral door zwakkere scores op governance en technische aansluiting—experts maken zich zorgen over transparantie, bias, gegevenspraktijken en het risico dat beoordelingsrechtvaardigheid wordt ondermijnd als zulke tools zonder sterke waarborgen worden ingevoerd.

Testen wat er gebeurt als prioriteiten veranderen

De studie onderzoekt ook hoe fragiel deze ranglijsten zijn. Door het model opnieuw te draaien onder verschillende “wat‑als” scenario’s—zoals een instelling die zeer risicomijdend is ten aanzien van AI of een instelling met krapper wordende budgetten—laat de auteur zien dat dezelfde drie categorieën in de bovenste laag blijven, maar hun onderlinge volgorde kan verschuiven. In governance‑gedreven scenario’s worden learning management tools de eerste keuze; wanneer middelen beperkt zijn, schuiven gehoortrainingsapps naar de leiding. Belangrijk is dat de laagst gerangschikte AI‑compositiecategorie in alle scenario’s onderaan blijft, wat suggereert dat deze in zijn huidige vorm pas aantrekkelijk wordt zodra er sterke toezichtsmiddelen en technische garanties bestaan.

Wat dit betekent voor muziekprogramma’s

Voor niet‑specialisten is de kernboodschap dat er geen enkel “magisch” AI‑muziekhulpmiddel bestaat. Goede keuzes hangen af van het afwegen van onderwijskundige voordelen, studentenervaring, praktische realiteiten en institutionele verantwoordelijkheden. Het hier ontwikkelde kader biedt universiteiten een herhaalbare manier om die afwegingen zichtbaar te maken, om te onderbouwen waarom bepaalde categorieën—zoals notatieplatforms, LMS‑gebaseerde feedbacktools of gehoortrainingsapps—een vroege investering verdienen, en om meer controversiële opties zoals AI‑compositie voorzichtig te benaderen. In plaats van menselijke oordelen te vervangen, geeft het model opvoeders, technologen en leidinggevenden een gedeelde bewijskracht om te bepalen welke technologieën de toekomst van muziekleren zouden moeten vormgeven.

Bronvermelding: 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

Trefwoorden: muziekonderwijstechnologie, kunstmatige intelligentie in onderwijs, besluitvorming in het hoger onderwijs, learning analytics en assessment, governance van onderwijstechnologie