人工智能在音乐教育中的应用
人工智能在音乐教育中的应用
人工智能在音乐教育中的应用
（ Artificial Intelligence in Music Education ）
International Journal of Human–Computer Interaction(18May2023)
一、概念解析
三层神经网络 ： 它包含三个主要部分：输入层（input layer）、隐藏层（hidden layer）和输出层（output layer）。这种网络结构是深度学习和人工智能中常见的模型，用于处理各种类型的数据和任务。基本结构：
输入层 ： 这一层接收原始数据，每个节点代表一个特征或输入变量。
隐藏层： 这一层或多层包含多个神经元，每个神经元都与输入层的所有节点相连。隐藏层的目的是提取输入数据的特征和模式。
输出层： 这一层生成最终的预测结果或分类标签
神经网络在本次实验中的作用包括：
信息处理： 神经网络接收学生练习的数据，包括演奏的录音、练习的频率、准确性等。这些信息被用作神经网络的 输入层 。
决策制定： 神经网络通过其 隐藏层 处理输入数据，提取关键特征，并在输出层生成决策。包括学生的表现评估、下一步训练的建议等。
动态调整： 神经网络能够根据学生的表现动态调整训练计划。例如，如果学生在某个练习中表现良好，神经网络可能会建议进行更复杂的练习；如果表现不佳，可能会建议重复当前或更基础的练习。
个性化学习路径： 神经网络的 输出层 可以用来为每个学生定制个性化的学习路径，确保每个学生都能根据自己的进度和能力得到支持。
AHP（AnalyticHierarchyProcess—— 层次分析法 ） ： AHP是一种多准则决策分析方法，它 通过构建层次结构模型，将复杂的决策问题分解为目标、准则和备选方案等不同层次。 然后，通过 成对比较 的方式，确定各因素之间的相对重要性，并计算出权重。在本篇文献中，通过构建判断矩阵，对影响音乐教育效果的各种因素（如教学方法、内容质量、学习目标等）进行成对比较，从而确定它们在决策中的相对重要性。矩阵如下所示：
权重序列为：W={0.28;0.16;0.7;0.3;0.2;0.3;0.12} ，其中考虑了以下指标的权重：教学方法（0.28）、内容质量（0.16）、学习目标（0.7）、教学语气（0.3）、教学条件（0.2）、包容性前景（0.3）以及教学效果（0.12）。
二、摘要
研究目的： 人工智能(AI)技术可以重塑音乐教育，让学生轻松有趣地学习乐器和作曲。本文探讨了人工智能音乐教学的有效性。该研究试图将人工智能聊天机器人纳入七所音乐学校的钢琴课，并评估它们对学生表现的影响。
研究对象： 研究对象包括来自中国七所音乐学校的98名14-17岁的钢琴学生。此外，研究还包括了来自中国、美国、英国、香港、泰国、澳大利亚、西班牙、日本、新加坡和马来西亚的钢琴学习应用程序用户，以确保研究结果的可靠性。
图1按照国家划分的钢琴学习APP用户百分比
实验结果： 使用给定应用程序的学生比那些参加传统课程的学生取得了更好的成绩。总的来说，利用人工智能使学习成绩提高了15%，但训练的强度导致了成绩的变化。基于目前的研究结果，人工智能可以成功地融入音乐教育。
三、研究重点
本研究旨在将AI元素纳入音乐教育，并看看它会带来什么不同。 本研究的贡献在于同时集成了两种人工智能技术:聊天机器人和 用于评估个人学习路径决策过程的神经网络 （ 在学生完成一个练习或者完成与聊天机器人的对话后人工智能处理在三层神经网络框架内获得的信息，以决定下一步的训练。通过突出老师给出的高分，并识别与最佳加权结果相对应的录音，从而做出最佳选择。 ） 。 采用双重AI技术的研究较为稀少;因此，本文试图部分缩小这一研究差距。通过数学算法进行统计评估，并采用AI辅助应用程序来优化教育过程。
四、研究设计
（一）实验工具
AI驱动的聊天机器人 ： 是在PCWORX和OPCDATestClient的基础上建构的，用于进行数据收集和实时监控，为学生提供互动式学习体验和个性化反馈。
Telegram平台 ： 钢琴学习聊天机器人被集成到Telegram平台上，以便学生能够轻松访问。
AHP（AnalyticHierarchyProcess—— 层次分析法 ） ： 是一种准确的，并且经过时间考验的方法来量化单个标准的权重，通过两两比较来评估因素的相对程度。研究结果通过标准AHP权重和灰色聚类算法进行分析，最终评估了AI对教学过程的影响。
（二）实验对象与方法
这项研究在 中国七所音乐学校中评估了98名14至17岁的钢琴学生 ，实验持续了两个8周的学习项目。 实验中 分别 使用了AI辅助的学习应用程序 和 传统的教学方法。 传统教育包括乐器技巧表演、视唱练耳、钢琴伴奏、声乐与合唱演唱，以及音乐文学和视唱练耳课程。AI技术辅助的课程学习，通过AI聊天机器人给学生提供个性化的反馈和指导，同时跟踪学生的学习进度，用于评估和提高学生的学习效果。
研究通过多个指标权衡学习的影响，包括 教学方法、内容质量、学习目标、教学语气、教学条件、包容性前景以及教学效果。 这些指标的选择基于AI在音乐教育中的应用要求，并通过AI在不同迭代中进行评估。其中教学方法涉及适龄的练习和预定的重复次数；内容质量评估音乐和歌词的复杂程度以及指示的质量。学习目标由AI根据计划中的主要和中间目标设定，并根据学生进展和教师反馈进行调整。教学条件则与沟通频率、在线对话中的错误数量以及学生与聊天机器人的互动相关。
（三）实验过程
五、研究结果
（一）学生学习情况分析
| 组别 | N | M | SD | F | |
| 小于500 | 实验组 | 49 | 45.1 | 12.8 | 1.3 |
| 对照组 | 49 | 38.5 | 15.2 | ||
| 500至1000 | 实验组 | 49 | 53.1 | 15.6 | 2.6 |
| 对照组 | 49 | 45.1 | 12.8 | ||
| 大于1000 | 实验组 | 49 | 63.1 | 23.9 | 13.8 |
| 对照组 | 49 | 53.1 | 15.6 |
根据上图独立样本t检验分析显示， 在 AI辅助 下 学习 分数显著高于传统的教学方法下的学习分数 （p＜0.05） ，并且练习超过1000次的用户在课程中进步最大，练习次数小于1000的用户进步较小。
图3各年级训练后表现对比
图3显示了不同训练模式下钢琴学生学习的整体表现.经过18周的初级课程, 使用人工智能辅助应用程序加强训练的钢琴家表现出显著的进步，1年级平均分数变化13.2分2-5年级的学生也有很好的进步，平均分数变化在2.5到5.56分之间 .这一趋势表明，人工智能辅助应用程序不仅可以帮助初学者学习音阶和琶音，还可以促进更高层次的训练。
图4传统班级和AI班级的活动分数
实验结果显示，与传统学习相比，AI增强的学习活动对钢琴技能的影响更为显著（图四）。
研究建立了加权矩阵，对人工智能驱动音乐教学app的有效性进行评价。结果如上所示。 权重序列为：W={0.28;0.16;0.7;0.3;0.2;0.3;0.12} ，其中考虑了以下指标的权重：教学方法（0.28）、内容质量（0.16）、学习目标（0.7）、教学语气（0.3）、教学条件（0.2）、包容性前景（0.3）以及教学效果（0.12）。 权重的分配表明，学习目标被赋予了最高的权重（0.7），这意味着在评估过程中，学习目标的达成被认为是最重要的因素。其次是教学方法和包容性前景，它们各自被赋予了0.28和0.3的权重，表明这些因素也被认为是非常重要的。其他指标如内容质量、教学语气、教学条件和教学效果则被赋予了相对较低的权重。
（二）访谈
在目前的研究中，
所有用户都同意他们提供的人工智能应用程序可以帮助他们学习乐器。其中，
95.83%
的人承认这款应用提高了他们的创造力和表现。实验进行了三个月后， 16.77% 的用户表示，这款应用未能提高他们的自组织能力和克服拖延症
。与此同时，
91.66%
的人认为该应用程序可以提高他们的音乐
记忆
力，并在演奏音阶和琶音方面建立信心。最后
95.83%
的用户表示，该应用程序改善了他们的肌肉记忆、运动技能和钢琴指法。
六、结论
本文探讨了在音乐教育中应用人工智能的可能性。在AI的帮助下，开发了一款用于钢琴学习的聊天机器人应用程序。它被用来教授器乐技术(钢琴演奏)和视读、声乐签名、音乐文学和音乐理论(视唱练耳)。实验是在匿名应用程序用户和钢琴学生的参与下进行的。因此，95%的受访者表示人工智能的整合优化了教育过程。与此同时，16.77%的学生不认为参与人智能课程可以激发更严肃的学习态度。聊天机器人的加入使学生的钢琴成绩提高了8%。
采用层次分析法考察了人工智能集成对学习过程的影响。权重代表了使用人工智能驱动的应用程序增强的学习过程的以下特征:教学方法(0.28)、内容质量(0.16)、学习目标和目的(0.7)、教学设置的基调(0.3)、教学条件(0.2)、包容性前景(0.3)和教学有效性(0.12)。
本研究的新颖之处在于，它检验了AT对钢琴家学习效率影响的加权估计值，并将其与传统课程进行了比较。研究结果表明，如果应用得当，AI可以比以前认为的更深入地融入音乐家的培训中。