2.000 musiklektioner viser, hvorfor AI skal forstå mere end ordene

MuseCools første seks måneder som offentlig platform peger på en enkel, men væsentlig pointe for undervisningsteknologi: En musiklektion kan ikke koges ned til et referat af det, der bliver sagt.

Siden den offentlige lancering i april har virksomheden behandlet omkring 2.000 musiklektioner. Her bruger den lyd-AI til både at analysere den talte undervisning og den musik, der bliver spillet. 23

Det er fortsat et begrænset datasæt med tæt forbindelse til virksomheden selv – ikke en endelig beskrivelse af musikundervisning generelt. Men tallene giver et tidligt indblik i, hvad der foregår i enetimer, og i den udfordring AI-værktøjer skal løse, hvis de skal blive nyttige for undervisere.

Eleverne spiller kun en del af tiden

MuseCools foreløbige analyse tyder på, at elever spiller instrument i omkring 40 procent af en gennemsnitlig lektion. Den øvrige tid kan gå med forklaringer, demonstrationer, lytning, samtale og andre former for undervisning. 6

Det er vigtigt, fordi et system, der kun genkender toner – eller kun omsætter tale til tekst – overser en stor del af det pædagogiske arbejde. En lærer kan for eksempel forklare en teknik, spille en frase som eksempel, lytte efter et problem, sætte et øvemål og tale om fortolkning, mens eleven kun spiller i kortere sekvenser.

Tallet på 40 procent bør læses med forbehold. Det bygger på MuseCools egne driftsdata og er ikke fremlagt som en repræsentativ, uafhængigt revideret undersøgelse af hele musikundervisningsområdet. 36 Alligevel udfordrer det forestillingen om, at kvaliteten af en lektion kan måles ved blot at tælle, hvor længe eleven spiller.

AI, der også lytter til musikken

MuseCool beskriver sin tekniske tilgang som Music Information Retrieval – analyse af den spillede musik sammen med tale og lektionskontekst. Målet er ifølge virksomheden at identificere, hvad der blev spillet, og skabe overblik over det, læreren og eleven arbejdede med, frem for kun at lave en transskription af samtalen. 23

Den forskel er central for produktet. Et optageværktøj, der blot leverer en generisk tekstudskrift, kan give læreren endnu mere at læse igennem. Et musikforstående system kan derimod forsøge at omsætte lektionen til brugbart opfølgningsmateriale: en struktureret opsummering, et overblik over musikalsk aktivitet og støtte til øvningen mellem timerne.

Virksomheden har også beskrevet en platform, der bruger aktivitet fra den levende lektion til at levere lektionsanalyse, relevant noder og personligt tilpassede øvespil, samt administrative funktioner som betalinger. 15

Teknologien skal spare læreren tid

Det kan være svært at få ny teknologi ind i privatundervisning. Undervisningsmetoder er ofte personlige, veletablerede og bevidst fleksible. Derfor er der næppe mange undervisere, som vil tage imod et system, der tvinger dem ind i en fast arbejdsgang eller tilføjer endnu en administrativ opgave.

MuseCools tidlige produktretning afspejler netop den begrænsning. Lektions-AI'en er tænkt til at lytte og dokumentere i baggrunden, mens læreren underviser videre. 2 Den mulige gevinst er ikke automatisering for automatiseringens skyld, men mindre rutinepræget opfølgning og tydeligere materiale, som læreren kan dele med eleven.

MuseCool driver også en markedsplads for undervisere. På sin tutor-side oplyser virksomheden, at fællesskabet omfatter over 1.622 undervisere og mere end 2.000 månedlige enetimer, online eller med fysisk fremmøde. Tallene er virksomhedens egne og ikke uafhængigt reviderede. 8

Markedsplads og undervisningsinfrastruktur i samme model

MuseCool begyndte som en musikskole i London i 2017 og tilbyder personligt tilpasset undervisning både online og fysisk. 910 På sine kundesider markedsfører virksomheden undervisning i hjemmet og online samt introduktionstilbud med instrumenter til udvalgte instrumenttyper. 45

Modellen er dermed bredere end et værktøj til analyse af musiklektioner. Den kombinerer søgning og matchning mellem lærer og elev med administrative værktøjer og potentielt også læringsressourcer. I praksis er det en B2B2C-model: Virksomheden vil understøtte undervisere og undervisningsorganisationer med værktøjer til arbejdsgange og indsigt, samtidig med at elever hjælpes med at finde en lærer.

For elever omfatter det nuværende tilbud udvalgte instrumenter gratis den første måned med mulighed for at returnere dem i perioden. De præcise instrumenter og vilkår varierer mellem tilbuddene. 1213

Et større datasæt kan blive værdifuldt – men kun på visse betingelser

Et voksende datasæt fra lektioner kan på sigt få værdi ud over den enkelte lektionsopsummering. Med udtrykkeligt samtykke, passende beskyttelse af personoplysninger og grundig validering kan det hjælpe institutioner med hurtigere at se undervisningsmønstre, opdage elever, der kan have behov for ekstra støtte, og gennemføre mere kvantitativ forskning i undervisningsmetoder.

MuseCool beskriver det som en mulig vej til at gøre en aktivitet, der normalt foregår privat og er svær at måle, mere synlig på et samlet niveau. 3 For instrumentproducenter og aktører i musikbranchen kan samlet og ansvarligt forvaltet indsigt i repertoire og øvevaner også være relevant.

Det er dog muligheder, ikke dokumenterede resultater. Datasættets værdi afhænger af datakvalitet, repræsentativ dækning, informeret samtykke, god dataforvaltning og af, om målingerne faktisk afspejler god læring – frem for blot det, en algoritme kan genkende.

Ambitioner, der endnu skal bevises

MuseCool er blevet kædet sammen med samarbejde om Music Information Retrieval med Queen Mary University of London, og omtale har beskrevet planer om et Innovate UK-projekt. 6 Det foreliggende materiale fastslår ikke omfang, tidsplan eller finansieringsstatus, så planerne bør ses som under udvikling snarere end som bekræftede resultater.

Det samme forbehold gælder de bredere ambitioner: nodearkiver med materiale i public domain og licenseret musik, mere opsøgende arbejde over for konservatoriemiljøer, lokale markedspladser og AI-aktiverede instrumenter, der kan fortolke et helt musikrum. Ideen hænger sammen med MuseCools fokus på at forstå spil og undervisning i sammenhæng, men det tilgængelige materiale dokumenterer ikke et færdigt "talende" klaver eller et rumforstående instrumentprodukt. 23

Den foreløbige konklusion

MuseCools væsentligste tidlige bidrag er ikke påstanden om, at AI kan erstatte musiklæreren. Det er påpegningen af, at den relevante analyseenhed er hele lektionen: lyd, tale, demonstration, feedback og kontekst.

Omkring 2.000 analyserede lektioner er nok til at skabe hypoteser – især fundet om, at spil kun udgør cirka 40 procent af en gennemsnitlig lektion – men ikke nok til at afgøre, hvordan musikundervisning generelt fungerer. 36 Den næste prøve bliver, om de musikforstående resultater faktisk sparer underviserne tid, styrker elevernes øvning og kan leve op til de høje krav til privatliv og tillid, der følger med teknologi i en personlig undervisningsrelation.