基于卷积神经网络与Transformer模块的音乐专业教学活动设计与心理实践

将智能技术引入音乐课堂

对许多音乐学生来说，课程常常像千篇一律的套路：相同的曲目、相同的练习，演出前的紧张很少得到关注。本研究探讨了现代人工智能如何让音乐学习更具个性化和支持性。研究者将科学、技术、工程、艺术与数学（通常称为STEAM）的理念与智能推荐系统相结合，旨在帮助音乐专业学生在恰当的时间找到合适的曲目和活动——同时缓解焦虑并建立自信。

为何音乐学生需要的不只是音阶练习

传统大学音乐教学往往依赖固定教学大纲、教师挑选的曲目，并且对学生情绪关注有限。这可能导致个人兴趣、学习节奏和舞台恐惧被忽视。与此同时，在线学习平台现在可以跟踪学生的点击、聆听时长以及重复访问的曲目。研究者看到了一个机会：利用这些丰富的数字痕迹，结合心理问卷，将音乐教学为每个学生量身定制，而不是强制所有人走同一条路。

一个从声音、乐谱与情感中学习的智能导引

项目核心是一个基于两种强大AI工具的个性化推荐系统：卷积神经网络和Transformer模块。简单来说，系统“听”教学曲目的录音，将其转成能捕捉音色与节奏的彩色声谱图。它也“读”数字乐谱，记录和声、速度变化与技术难点等要素。此外，学生还填写关于演奏焦虑、日常学习压力与自信心的问卷。所有这些信息被转化为数值特征并融合成对某一学生在特定时刻适合程度的综合画像。

连接项目、STEAM理念与个性化选择

为适应真实课堂需求，系统被嵌入到四阶段的项目式教学模型中：选题、探索、创作与展示成果。每首曲目都会被标注其与科学、技术、工程、艺术和数学的关联——例如声学原理、录音实践或节奏模式。根据教学阶段，系统会调整推荐重点。早期它推荐更广泛、激发好奇心的材料；后期则更侧重技术教程、创作工具或表演示例。对于小组项目，它会融合不同成员的兴趣与角色，使“偏技术”的与“偏艺术”的学生都能获得适合自身的资源，同时推动团队朝共同目标前进。

学生试用后的效果如何

研究者在112名音乐专业学生中测试了该系统，将使用智能推荐的实验组与传统教学的对照组进行比较。与几种竞争算法相比，该AI模型在预测学生实际会使用哪些资源方面更为准确，准确率约为96%。对教学更重要的是，使用系统的学生点击更多资源，在学习页面停留更久并留下更多评论——这些都是更深度参与的迹象。心理测量也有改善：实验组的音乐表演焦虑和一般学习焦虑下降更多，自信心较对照组明显上升。

这对未来音乐课程意味着什么

通俗来说，研究表明一个设计良好的智能助理可以像一个高度敏感的导师：它能听音乐、读乐谱、观察学生在线行为并关注他们的情绪。然后它可以建议不仅难度合适、而且在情感上支持学生并符合更广泛STEAM学习目标的曲目与活动。尽管当前系统仍处于概念验证阶段，但它指向一个未来：音乐专业学生的练习曲单将能自动根据个人与学习方式进行调节，既能平复紧张、挑战技能，又能开启与科学和技术相关的学习路径。

引用: 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

关键词: 音乐教育, 个性化学习, STEAM, 推荐系统, 学生焦虑