Wybór technologii do nauki muzyki z wbudowanym AI w szkolnictwie wyższym z użyciem AHP i TOPSIS

Dlaczego wybór odpowiedniej technologii muzycznej ma dziś znaczenie

Od aplikacji do notacji po wspierających ćwiczenia partnerów opartych na AI — narzędzia cyfrowe szybko przekształcają sposób, w jaki studenci na uczelniach uczą się muzyki. Jednak kampusy często wybierają narzędzia kierując się przyzwyczajeniem, szumem medialnym lub najsilniejszym głosem na sali, zamiast jasnymi dowodami. To badanie stawia proste, lecz dalekosiężne pytanie: jak szkolnictwo wyższe może wybierać technologie do nauki muzyki z AI w sposób sprawiedliwy, przejrzysty i skoncentrowany na nauczaniu oraz studentach, zamiast na ofertach handlowych?

Wiele narzędzi, brak jednego najlepszego wyboru

Programy muzyczne muszą dziś pogodzić bardzo różne potrzeby: ćwiczenia solowe, pracę w zespole, teorię, kompozycję i produkcję studyjną. Dostępne narzędzia są równie zróżnicowane — platformy do notacji i partytur, cyfrowe stacje robocze audio, aplikacje do treningu słuchu, systemy akompaniamentu oparte na AI, dodatki do systemów zarządzania nauczaniem i narzędzia do kompozycji wspomaganej AI. Badania sugerują, że te technologie mogą zwiększać uczenie się i motywację, ale korzyści zależą w dużej mierze od kontekstu: kim są uczący się, co kurs ma osiągnąć i jak dobrze narzędzie pasuje do lokalnej infrastruktury i polityk. Autor argumentuje, że nieformalne wybory oparte na znajomości lub marketingu łatwo mogą kolidować z celami kursu, potrzebami dostępu studentów czy obowiązkami związanymi z danymi, prywatnością i integralnością oceniania.

Ustrukturyzowany sposób porównania opcji

Aby poradzić sobie z tą złożonością, badanie buduje ramy decyzyjne wykorzystujące dwie dobrze ugruntowane metody wielokryteriowe zapożyczone z nauki o decyzjach. Po pierwsze, Proces Analizy Hierarchicznej (AHP) został użyty, aby poprosić panel 20 ekspertów — od nauczycieli wykonawstwa po inżynierów studyjnych, specjalistów od technologii nauczania i oficerów ds. zarządzania — o porównanie tego, co jest najważniejsze przy wyborze narzędzi. Ich oceny są sprawdzane pod kątem wewnętrznej spójności i przekształcane w wagi dla pięciu głównych wymiarów: wartość pedagogiczna, doświadczenie ucznia, dopasowanie techniczne do istniejących systemów, wykonalność praktyczna oraz zarządzanie i etyka. Po drugie, metoda TOPSIS klasyfikuje sześć szerokich kategorii technologii do nauki muzyki, oceniając, jak blisko każda z nich znajduje się idealnego narzędzia, które osiąga wysokie wyniki we wszystkich tych wymiarach, unikając jednocześnie poważnych wad.

Postawienie studentów i ekspertów przy jednym stole

Ramy nie opierają się wyłącznie na opiniach ekspertów. Sto osób studiujących muzykę w szkolnictwie wyższym wzięło udział w ustrukturyzowanych demonstracjach i krótkich zadaniach praktycznych z każdym typem narzędzia. Bezpośrednio po nich oceniali łatwość użycia, dostępność, zaangażowanie, przydatność dla ich nauki, jakość informacji zwrotnej oraz postrzeganą personalizację. Oceny uczniów zostały połączone z ocenami ekspertów w kwestiach, których studenci nie widzą tak wyraźnie, takich jak ochrona danych, integracja z systemami uczelni, koszty długoterminowe i obciążenie wsparciem. Dla wspólnych pytań — np. jak użyteczna jest informacja zwrotna — model nadaje równą wagę perspektywom studentów i ekspertów, a następnie przekazuje te oceny do algorytmu rankującego.

Które narzędzia wychodzą na prowadzenie

Gdy wszystkie 25 podkryteriów zostanie złożonych razem, platformy do nauki oparte na notacji i partyturach wychodzą jako ogólny lider. Łączą silną wartość dydaktyczną, solidne doświadczenie studenta i dobre dopasowanie techniczne w wielu typach kursów muzycznych. Narzędzia oceniania i informacji zwrotnej oparte na systemach zarządzania nauczaniem zajmują bliskie drugie miejsce, napędzane silnym dopasowaniem do instytucjonalnych zasad dotyczących prywatności, bezpieczeństwa i integralności akademickiej. Aplikacje do treningu słuchu i muzykalności plasują się na trzecim miejscu dzięki wysokim ocenom studentów oraz stosunkowo niskim kosztom i wymaganiom wsparcia. Z kolei narzędzia do kompozycji wspomaganej AI konsekwentnie trafiają na dno rankingu, głównie z powodu słabszych wyników w obszarze zarządzania i dopasowania technicznego — eksperci obawiają się o przejrzystość, uprzedzenia, praktyki dotyczące danych oraz ryzyko podważenia uczciwości oceniania, jeśli takie narzędzia zostaną wprowadzone bez silnych zabezpieczeń.

Testowanie, co się dzieje, gdy priorytety się zmieniają

Badanie analizuje także, jak kruche są te rankingi. Przez ponowne uruchomienie modelu w różnych scenariuszach „co jeśli” — na przykład instytucji wyjątkowo niechętnej ryzyku związanemu z AI lub takiej borykającej się z większą presją budżetową — autor pokazuje, że te same trzy kategorie pozostają w górnym wachlarzu, choć ich kolejność może się zmieniać. W scenariuszach z naciskiem na zarządzanie to narzędzia LMS stają się wyborem pierwszym; gdy zasoby są ograniczone, aplikacje do treningu słuchu przejmują prowadzenie. Co istotne, najniżej oceniana kategoria kompozycji AI pozostaje ostatnia we wszystkich scenariuszach, co sugeruje, że w obecnej formie staje się atrakcyjna dopiero po wprowadzeniu silnego nadzoru i zapewnień technicznych.

Co to oznacza dla programów muzycznych

Dla osób niebędących specjalistami kluczowy przekaz jest taki, że nie istnieje jedno „magiczne” narzędzie AI do muzyki. Zamiast tego dobre wybory zależą od wyważenia korzyści dydaktycznych, doświadczenia studenta, realiów praktycznych i obowiązków instytucjonalnych. Opracowane tutaj ramy oferują uczelniom powtarzalny sposób uczynienia tych kompromisów widocznymi, uzasadnienia, dlaczego pewne kategorie — takie jak platformy notacyjne, narzędzia informacji zwrotnej oparte na systemach zarządzania nauczaniem czy aplikacje do treningu słuchu — zasługują na wczesne inwestycje, oraz podchodzenia z ostrożnością do bardziej kontrowersyjnych opcji, jak kompozycja AI. Model nie zastępuje ludzkiego osądu, lecz daje edukatorom, technikom i liderom wspólną bazę dowodową do decydowania, które technologie powinny kształtować przyszłość nauki muzyki.

Cytowanie: 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

Słowa kluczowe: technologia w edukacji muzycznej, sztuczna inteligencja w edukacji, podejmowanie decyzji w szkolnictwie wyższym, analityka uczenia się i ocena, zarządzanie technologią edukacyjną