使用 AHP 和 TOPSIS 在高等教育中选择支持人工智能的音乐学习技术

为何此刻选择合适的音乐技术至关重要

从记谱应用到由 AI 驱动的练习伴奏者，数字工具正在迅速重塑大学生的音乐学习方式。但校园常常根据习惯、炒作或房间里最响亮的声音来挑选工具，而非基于明确证据。本研究提出了一个简单却影响深远的问题：高等教育如何以公平、透明、以教学和学生为中心（而非销售陈述为主）的方式选择支持人工智能的音乐学习技术？

工具众多，但无单一最佳选择

当今的音乐课程需兼顾多种不同需求：独奏练习、合奏、乐理、作曲和录音制作。可选工具同样多样——记谱与乐谱平台、数字音频工作站、听力训练应用、AI 伴奏系统、学习管理系统插件以及 AI 作曲工具。研究表明，这些技术可以提升学习与动机，但收益高度依赖情境：学习者是谁、课程旨在达成什么目标、以及工具与本地基础设施和政策的匹配程度。作者认为，基于熟悉度或营销的非正式选择，容易与课程目标、学生可及性或数据、隐私与评估诚信等责任发生冲突。

一种结构化的比较方法

为应对这种复杂性，研究构建了一个决策框架，采用了决策科学中两种成熟的多准则方法。首先，层次分析法（AHP）用于让由 20 名专家组成的小组——包括表演教师、录音工程师、学习技术专家和治理官——比较在选择工具时哪些因素最为重要。他们的判断经过内部一致性检验并被转化为五个主要维度的权重：教学价值、学习者体验、与现有系统的技术匹配、实际可行性以及治理与伦理。其次，TOPSIS 方法通过评估六大类音乐学习技术与“理想”工具（即在所有维度上得分高且避免严重缺陷）之间的接近度，对这些类别进行排名。

将学生和专家置于同一桌面

该框架并不单纯依赖专家意见。100 名高等教育音乐学生参加了针对每类工具的结构化演示和简短的实践任务。演示结束后，他们评估了易用性、可及性、参与度、对其学习的有用性、反馈质量以及感知到的个性化程度。这些学习者评分与专家对学生不易直接判断的问题（如数据保护、与校园系统的集成、长期成本和支持负担）的判断相结合。对于共享问题——例如反馈有多有用——模型对学生和专家的观点给予同等权重，然后将这些分数输入排名算法。

哪些工具脱颖而出

当将全部 25 项子准则综合考虑后，基于记谱与乐谱的学习平台在整体上成为首选。它们在较多类型的音乐课程中平衡了强有力的教学价值、良好的学生体验和良好的技术匹配。学习管理系统内的评估与反馈工具位居紧随其后，主要因为它们在隐私、安全和学术诚信等制度性规则方面高度一致。听力训练与音乐感知应用排在第三，得益于学生评分高且成本与支持需求相对较低。相比之下，AI 辅助作曲工具持续位居排名末端，主要因为在治理和技术匹配方面得分较弱——专家担心透明度、偏见、数据实践以及若在缺乏强有力保障的情况下引入此类工具可能损害评估公正性。

优先级变化时的稳健性测试

研究还探讨了这些排名的脆弱性。通过在不同“假设情景”下重新运行模型——例如对 AI 高度规避风险的机构，或预算更紧张的机构——作者显示相同的三类工具仍然位于顶层，但其顺序可能变化。在以治理为主的情景中，学习管理工具成为首选；当资源紧张时，听力训练应用则跃居首位。重要的是，被列为最低的 AI 作曲类别在所有情景下均保持在末位，这表明在其当前形式下，只有在建立强有力的监督与技术保障后，该类别才可能具有吸引力。

这对音乐课程意味着什么

对非专业人士而言，核心信息是不存在单一“魔法”AI 音乐工具。相反，良好的选择取决于平衡教学效益、学生体验、现实可行性与机构责任。本文所开发的框架为大学提供了一种可重复的方法，使这些权衡变得可见，能够为为何某些类别——例如记谱平台、基于学习管理系统的反馈工具或听力训练应用——值得优先投资提供理由，并以审慎态度对待如 AI 作曲等更具争议的选项。该模型并非取代人类判断，而是为教育者、技术人员与决策者提供了一个共享的证据基础，以决定哪些技术应当塑造未来的音乐学习。

引用: 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

关键词: 音乐教育技术, 教育中的人工智能, 高等教育决策, 学习分析与评估, 教育技术治理