Выбор технологий обучения музыке с поддержкой ИИ в вузе с использованием AHP и TOPSIS

Почему сейчас важно правильно выбирать музыкальные технологии

От приложений для нотной записи до партнеров для практики на базе ИИ — цифровые инструменты быстро меняют то, как студенты в университете изучают музыку. Однако кампусы часто выбирают инструменты из привычки, под влиянием хайпа или самого громкого голоса в зале, а не на основании ясных доказательств. В этом исследовании задаётся простой вопрос с серьёзными последствиями: как высшие учебные заведения могут выбирать технологии обучения музыке с поддержкой ИИ справедливо, прозрачно и в интересах преподавания и студентов, а не в интересах коммерческих презентаций?

Много инструментов, нет единственно лучшего варианта

Музыкальные программы сегодня одновременно решают очень разные задачи: индивидуальная практика, ансамблевая работа, теория, композиция и студийное производство. Предлагаемые инструменты столь же разнообразны — платформы для нот и партитур, цифровые аудиостанции, приложения для тренировки слуха, системы сопровождения на базе ИИ, дополнения для систем управления обучением и инструменты ИИ для композиции. Исследования показывают, что эти технологии могут повышать обучение и мотивацию, но выгода сильно зависит от контекста: кто обучающиеся, каких целей стремится достичь курс и насколько инструмент подходит под локальную инфраструктуру и политики. Автор утверждает, что неформальный выбор на основе знакомости или маркетинга легко может противоречить целям курса, потребностям доступа студентов или обязанностям в области данных, конфиденциальности и целостности оценивания.

Структурированный способ сравнить варианты

Чтобы справиться с этой сложностью, исследование строит рамочную модель принятия решений, используя два хорошо известных многокритериальных метода из теории принятия решений. Во-первых, метод аналитической иерархии (AHP) применяется к панели из 20 экспертов — от преподавателей исполнительства до студийных инженеров, специалистов по образовательным технологиям и сотрудников по управлению — чтобы сравнить, что важно при выборе инструментов. Их суждения проверяются на внутреннюю согласованность и преобразуются в веса для пяти основных измерений: педагогическая ценность, опыт обучающегося, техническая совместимость с существующими системами, практическая осуществимость и управление с этической составляющей. Во-вторых, метод TOPSIS ранжирует шесть широких категорий технологий обучения музыке, оценивая, насколько каждая приближена к «идеальному» инструменту, который получает высокие баллы по всем этим измерениям и избегает серьёзных недостатков.

Объединение студентов и экспертов за одним столом

Рамочная модель не полагается только на экспертные мнения. В исследовании приняли участие сто студентов музыкальных программ вузов, которые участвовали в структурированных демонстрациях и кратких практических заданиях с каждым типом инструментов. Сразу после этого они оценивали простоту использования, доступность, вовлечённость, полезность для их обучения, качество обратной связи и воспринимаемую персонализацию. Эти оценки обучающихся были объединены с суждениями экспертов по вопросам, которые студентам видно менее отчётливо, таким как защита данных, интеграция с кампусными системами, долгосрочные затраты и нагрузка на поддержку. Для общих вопросов — например, насколько полезна обратная связь — модель даёт равный вес перспективам студентов и экспертов, а затем подаёт эти оценки в алгоритм ранжирования.

Какие инструменты выходят в лидеры

Когда все 25 под-критериев объединены, платформы для обучения на основе нот и партитур оказываются лидером в целом. Они сочетают высокую педагогическую ценность, солидный опыт студентов и хорошую техническую совместимость для многих типов музыкальных курсов. Инструменты оценки и обратной связи в системах управления обучением занимают близкое второе место, чему способствует их сильное соответствие институциональным правилам по конфиденциальности, безопасности и академической честности. Приложения для тренировки слуха и музыкальности занимают третье место благодаря высоким оценкам студентов и относительно низким требованиям по затратам и поддержке. Напротив, инструменты для композиции с поддержкой ИИ последовательно оказываются внизу рейтинга, главным образом из-за более слабых показателей по управлению и технической совместимости — эксперты обеспокоены прозрачностью, смещениями, практиками обработки данных и риском подрыва справедливости оценивания, если такие инструменты вводятся без надёжных мер контроля.

Проверка устойчивости при смене приоритетов

Исследование также проверяет, насколько уязвимы эти ранжирования. Повторяя модель в различных «а что если» сценариях — например, в учреждении с высокой осторожностью по отношению к ИИ или при более жёстком бюджетном давлении — автор показывает, что те же три категории остаются в верхнем эшелоне, но их порядок может меняться. В сценариях, где доминирует управление, инструменты СУО становятся первым выбором; при ограниченных ресурсах приложения для тренировки слуха выходят в лидеры. Важно, что наихудшая по рангу категория — ИИ-композиция — остаётся последней во всех сценариях, что указывает на то, что в текущей форме она станет привлекательной только при наличии жёсткого надзора и технических гарантий.

Что это значит для музыкальных программ

Для неспециалистов ключевой вывод в том, что не существует единого «волшебного» ИИ-инструмента для музыки. Скорее, хорошие решения зависят от баланса педагогических преимуществ, опыта студентов, практических реалий и институциональных обязанностей. Разработанная здесь рамочная модель предлагает вузам воспроизводимый способ сделать эти компромиссы видимыми, обосновать, почему определённые категории — такие как платформы для нотной записи, инструменты обратной связи на базе систем управления обучением или приложения для тренировки слуха — заслуживают ранних инвестиций, и подходить к более спорным вариантам, таким как ИИ-композиция, с осторожностью. Модель не заменяет человеческое суждение, а даёт преподавателям, технологам и руководителям общую базу доказательств для принятия решения о том, какие технологии должны формировать будущее обучения музыке.

Цитирование: 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

Ключевые слова: технологии музыкального образования, искусственный интеллект в образовании, принятие решений в высшем образовании, аналитика обучения и оценивание, управление образовательными технологиями