Val av AI-drivna teknologier för musiklärande i högre utbildning med AHP och TOPSIS

Varför det är viktigt att välja rätt musikteknik nu

Från notationsappar till AI-drivna övningspartners omformar digitala verktyg snabbt hur universitetsstudenter lär sig musik. Men campus väljer ofta verktyg utifrån vana, hypen eller den högsta rösten i rummet snarare än tydliga bevis. Denna studie ställer en enkel fråga med stora konsekvenser: hur kan högre utbildning välja AI-aktiverade teknologier för musiklärande på ett sätt som är rättvist, transparent och fokuserat på undervisning och studenter, snarare än på säljpitchar?

Många verktyg, inget enda bästa val

Dagens musikprogram jonglerar mycket olika behov: ensamövning, ensemblearbete, teori, komposition och studioproduktion. De tillgängliga verktygen är lika varierande—notations- och partitursplattformar, digitala ljudarbetsstationer, gehörsträningsappar, AI-akompanjemangssystem, tillägg för lärplattformar och AI-kompositionsverktyg. Forskning tyder på att dessa teknologier kan förbättra lärande och motivation, men nyttan beror starkt på kontext: vilka lärande det handlar om, vad kursen syftar till och hur väl verktyget passar lokal infrastruktur och policyer. Författaren menar att informellt val baserat på kännedom eller marknadsföring lätt kan stå i konflikt med kursmål, studenters tillgångsbehov eller ansvar kring data, integritet och bedömningsintegritet.

Ett strukturerat sätt att jämföra alternativ

För att hantera denna komplexitet bygger studien ett beslutsramverk med två väletablerade flerkriteriemetoder hämtade från beslutsvetenskap. Först används Analytic Hierarchy Process för att låta en panel om 20 experter—from ensemblerlärare till studioingenjörer, lärandeteknologer och styrningsansvariga—jämföra vad som är viktigast vid val av verktyg. Deras omdömen kontrolleras för intern konsistens och omvandlas till vikter för fem huvuddimensioner: pedagogiskt värde, lärarupplevelse, teknisk passform med befintliga system, praktisk genomförbarhet samt styrning och etik. Sedan rankar TOPSIS-metoden sex breda kategorier av musiklärandeteknik genom att se hur nära var och en kommer ett ”idealt” verktyg som får höga poäng i alla dessa dimensioner samtidigt som det undviker allvarliga nackdelar.

Att föra studenter och experter till samma bord

Ramverket förlitar sig inte enbart på expertbedömningar. Hundra musikhögskolestudenter deltog i strukturerade demonstrationer och korta, praktiska uppgifter med varje typ av verktyg. Omedelbart efteråt bedömde de användarvänlighet, tillgänglighet, engagemang, användbarhet för deras lärande, feedbackkvalitet och upplevd personalisering. Dessa studentbedömningar kombinerades med experters omdömen i frågor som studenter inte ser lika tydligt, såsom dataskydd, integration med campusystem, långsiktiga kostnader och supportbörda. För gemensamma frågor—som hur användbar feedback är—ger modellen lika vikt åt student- och expertperspektiv, för att sedan mata in dessa poäng i rankningsalgoritmen.

Vilka verktyg som klättrar högst

När alla 25 underkriterier vägs samman framträder notations- och partiturbaserade lärplattformar som det ledande valet totalt sett. De balanserar starkt undervisningsvärde, god studentupplevelse och bra teknisk passform över många typer av musikkurser. Bedömnings- och feedbackverktyg i lärplattformar placerar sig tätt efter, drivet av deras starka överensstämmelse med institutionella regler kring integritet, säkerhet och akademisk integritet. Gehörstränings- och musikerskapsappar får tredje plats, tack vare höga studentbetyg och relativt låga kostnader och supportkrav. Däremot hamnar AI-assisterade kompositionsverktyg konsekvent längst ner i rankningen, huvudsakligen på grund av svagare poäng i styrning och teknisk passform—experter oroar sig för transparens, bias, datapraxis och risken att undergräva bedömningsrättvisa om sådana verktyg införs utan starka skyddsåtgärder.

Test av vad som händer när prioriteringar ändras

Studien undersöker också hur bräckliga dessa rangordningar är. Genom att köra om modellen under olika ”tänk om”-scenarier—som en institution som är mycket riskavert mot AI eller en under starkare budgetpress—visar författaren att samma tre kategorier förblir i toppskiktet, men deras ordning kan skifta. I styrningsdrivna scenarier blir lärplattformarnas verktyg första valet; när resurser är knappa går gehörsträningsappar om till ledningen. Viktigt är att den lägst rankade kategorin för AI-komposition förblir sist i alla scenarier, vilket tyder på att den i sin nuvarande form först blir attraktiv när stark tillsyn och tekniska garantier är på plats.

Vad detta betyder för musikprogram

För icke-specialister är huvudbudskapet att det inte finns ett enda ”magiskt” AI-musikverktyg. Istället beror goda val på att balansera undervisningsfördelar, studentupplevelse, praktiska realiteter och institutionella ansvar. Det här ramverket erbjuder universitet ett upprepningsbart sätt att synliggöra dessa avvägningar, motivera varför vissa kategorier—som notationsplattformar, lärplattformbaserade feedbackverktyg eller gehörsträningsappar—förtjänar tidig investering, och att närma sig mer kontroversiella alternativ som AI-komposition med försiktighet. Istället för att ersätta mänsklig bedömning ger modellen pedagoger, teknologer och ledare en gemensam evidensbas för att avgöra vilka teknologier som bör forma framtidens musiklärande.

Citering: 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

Nyckelord: musikutbildningsteknik, artificiell intelligens i utbildning, beslutsfattande i högre utbildning, lärandeanalys och bedömning, styrning av utbildningsteknik