Projektowanie działań dydaktycznych i praktyka psychologiczna studentów kierunków muzycznych pod kontrolą sieci konwolucyjnej i modułu Transformer

Wprowadzanie inteligentnej technologii na lekcje muzyki

Dla wielu studentów muzyki zajęcia mogą wydawać się rutyną „uniwersalnego rozmiaru”: te same utwory, te same ćwiczenia i niewiele uwagi poświęconej tremie przed występem. Badanie to analizuje, jak współczesna sztuczna inteligencja może uczynić naukę muzyki bardziej osobistą i wspierającą. Łącząc idee z nauki, technologii, inżynierii, sztuki i matematyki (często określane jako STEAM) ze smart systemem rekomendacyjnym, badacze dążą do tego, by pomóc studentom muzyki wybierać odpowiednie utwory i aktywności w odpowiednim czasie — jednocześnie łagodząc lęk i budując pewność siebie.

Dlaczego studenci muzyki potrzebują więcej niż gam

Tradycyjne nauczanie muzyki na uczelniach często opiera się na stałych sylabusach, repertuarze wybieranym przez nauczyciela i ograniczonym zwracaniu uwagi na emocje uczniów. Może to sprawiać, że indywidualne zainteresowania, tempo nauki i tremę występu pozostają w dużej mierze pominięte. Równocześnie platformy e-learningowe śledzą dziś, co uczniowie klikają, jak długo słuchają i do których utworów wracają. Badacze dostrzegli okazję: wykorzystać ten bogaty ślad cyfrowy wraz z badaniami psychologicznymi, aby dostosować nauczanie muzyki do każdego studenta, zamiast zmuszać wszystkich do tej samej ścieżki.

Inteligentny przewodnik, który uczy się z dźwięku, nut i uczuć

Rdzeniem projektu jest system rekomendacji spersonalizowanych zbudowany na dwóch potężnych narzędziach AI: sieciach konwolucyjnych i modułach Transformer. Mówiąc prościej, system „słucha” nagrań utworów dydaktycznych, przekształcając je w barwne mapy dźwięku, które uchwytują brzmienie i rytm. „Czyta” też cyfrowe zapisy nutowe, odnotowując elementy takie jak harmonia, zmiany tempa czy trudności techniczne. Dodatkowo studenci wypełniają kwestionariusze dotyczące tremy scenicznej, codziennego stresu związanego z nauką oraz pewności siebie. Wszystkie te informacje są zamieniane na cechy liczbowe i łączone w jedną całość opisującą, na ile dany utwór może być odpowiedni dla konkretnego studenta w określonym czasie.

Powiązanie projektów, idei STEAM i wyborów spersonalizowanych

Aby dopasować się do realnych potrzeb zajęć, system został wpisany w czterofazowy model nauczania oparty na projektach: rozpoczęcie tematu, eksploracja pomysłów, tworzenie dzieła i prezentacja rezultatów. Każdy utwór jest oznaczony pod kątem powiązań ze sferami nauki, technologii, inżynierii, sztuki i matematyki — na przykład fizyką dźwięku, praktyką nagraniową czy wzorcami rytmicznymi. W zależności od etapu system zmienia swoje priorytety. Na początku rekomenduje szerokie materiały pobudzające ciekawość; później koncentruje się bardziej na tutorialach technicznych, narzędziach kreatywnych czy przykładach wykonawczych. W projektach grupowych łączy gusta i role różnych członków, tak by zarówno studenci „techniczni”, jak i „artystyczni” otrzymywali zasoby dopasowane do nich, a jednocześnie grupa zmierzała ku wspólnym celom.

Co się stało, gdy studenci przetestowali system

Badacze przetestowali system na 112 studentach kierunków muzycznych, porównując grupę eksperymentalną korzystającą z inteligentnych rekomendacji z grupą kontrolną uczoną w sposób tradycyjny. Model AI okazał się dokładniejszy niż kilka konkurencyjnych algorytmów w przewidywaniu, z jakich zasobów studenci faktycznie skorzystają, osiągając około 96 procent trafności. Co ważniejsze z punktu widzenia nauczania, studenci korzystający z systemu klikali więcej zasobów, spędzali więcej czasu na stronach edukacyjnych i zostawiali więcej komentarzy — oznaki głębszego zaangażowania. Poprawiły się też miary psychologiczne: tremor sceniczny i ogólny lęk związany z nauką spadły bardziej w grupie eksperymentalnej, natomiast pewność siebie wzrosła wyraźnie w porównaniu z grupą kontrolną.

Co to oznacza dla przyszłych lekcji muzyki

Mówiąc prosto, badanie pokazuje, że dobrze zaprojektowany inteligentny asystent może działać jak wyjątkowo wrażliwy korepetytor: taki, który słucha muzyki, czyta nuty, obserwuje, jak uczniowie zachowują się online i monitoruje, jak się czują. Może następnie proponować utwory i aktywności, które nie tylko odpowiadają poziomowi, lecz także wspierają potrzeby emocjonalne uczniów i szersze cele nauczania STEAM. Choć obecny system jest nadal dowodem koncepcji, wskazuje kierunek ku przyszłości, w której studenci muzyki ćwiczą z listami odtwarzania, które uspokajają ich nerwy, angażują umiejętności i otwierają drzwi do nauki i technologii — wszystko automatycznie dopasowane do tego, kim są i jak się uczą.

Cytowanie: 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

Słowa kluczowe: edukacja muzyczna, uczenie spersonalizowane, STEAM, system rekomendacyjny, lęk u uczniów