Проектирование учебной деятельности и психологическая практика студентов музыкальных специальностей на основе сверточной нейронной сети и модуля Transformer

Внедрение «умных» технологий в уроки музыки

Для многих студентов музыкальные занятия кажутся стандартизированной рутиной: одни и те же пьесы, одни и те же упражнения и мало внимания к волнению перед выступлением. В этом исследовании изучается, как современные методы искусственного интеллекта могут сделать музыкальное обучение более персональным и поддерживающим. Соединив идеи из науки, технологий, инженерии, искусства и математики (STEAM) с интеллектуальной системой рекомендаций, авторы стремятся помочь студентам-музыкальным специальностям находить подходящие произведения и задания в нужный момент — а также снизить тревогу и повысить уверенность в себе.

Почему студентам музыки нужно больше, чем гаммы

Традиционное обучение в вузах музыке часто опирается на фиксированные учебные планы, репертуар, выбранный преподавателем, и ограниченное внимание к эмоциональному состоянию студентов. Это может приводить к тому, что индивидуальные интересы, темп усвоения и страх сцены остаются вне поля зрения. В то же время онлайн-платформы отслеживают, что студенты кликают, сколько времени слушают и к каким произведениям возвращаются. Исследователи увидели возможность: использовать этот богатый цифровой след вместе с психологическими опросниками, чтобы адаптировать музыкальное обучение под каждого студента, а не заставлять всех идти по одному пути.

Умный гид, который учится на звуке, нотах и чувствах

Суть проекта — персонализированная система рекомендаций на основе двух мощных инструментов ИИ: сверточных нейронных сетей и модулей Transformer. Проще говоря, система «слушает» записи учебных произведений, преобразуя их в цветовые звуковые карты, фиксирующие тон и ритм. Она также «читает» цифровые партитуры, отмечая такие элементы, как гармония, изменения темпа и техническая сложность. Помимо этого, студенты заполняют анкеты о сценической тревоге, повседневном учебном стрессе и самооценке. Вся эта информация переводится в численные признаки и объединяется в единое представление о том, насколько каждое произведение подходит конкретному студенту в конкретный момент.

Связывая проекты, идеи STEAM и персональные выборы

Чтобы соответствовать реальным потребностям класса, система встроена в четырёхэтапную проектно-ориентированную модель обучения: постановка темы, исследование идей, создание работы и представление результатов. Каждое музыкальное произведение помечается по связям с наукой, технологиями, инженерией, искусством и математикой — например, акустика звука, техника записи или ритмические структуры. В зависимости от этапа система меняет приоритеты. На ранних стадиях она рекомендует широкий материал, пробуждающий любопытство; позже фокус смещается на технические уроки, творческие инструменты или примеры исполнения. Для групповых проектов она объединяет вкусы и роли разных участников, так что как «технически мыслящие», так и «художественно ориентированные» студенты получают ресурсы, соответствующие им, при этом продвигая группу к общим целям.

Что произошло, когда студенты попробовали систему

Исследователи протестировали систему на 112 студентах музыкальных специальностей, сравнив экспериментальную группу, использовавшую интеллектуальные рекомендации, с контрольной группой, обучаемой традиционно. Модель ИИ показала лучшую точность по сравнению с несколькими конкурирующими алгоритмами, достигая примерно 96% в предсказании ресурсов, которые студенты действительно использовали. Важнее для практики — студенты в экспериментальной группе чаще открывали рекомендованные материалы, дольше оставались на учебных страницах и оставляли больше комментариев — признаки более глубокого вовлечения. Психологические показатели также улучшились: тревога, связанная с музыкальными выступлениями, и общая учебная тревожность снизились сильнее в экспериментальной группе, а уверенность в себе заметно возросла по сравнению с контролем.

Что это означает для будущих музыкальных занятий

На практике исследование показывает, что грамотно спроектированный «умный» ассистент может выступать как сверхчувствительный репетитор: он слушает музыку, читает партитуру, наблюдает за поведением студентов онлайн и учитывает их эмоциональное состояние. Затем он предлагает произведения и задания, которые соответствуют не только уровню подготовки, но и эмоциональным потребностям студентов и целям STEAM-обучения. Хотя текущая система является пока доказательством концепции, она указывает на будущее, в котором студенты музыкальных специальностей будут практиковаться с плейлистами, которые успокаивают их, бросают вызов навыкам и открывают путь к науке и технологиям — всё автоматически настроенное под индивидуальные особенности и стиль обучения.

Цитирование: 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

Ключевые слова: музыкальное образование, персонализированное обучение, STEAM, система рекомендаций, тревожность студентов