2.000 musikktimer ga MuseCool én tydelig AI-lærdom

MuseCools første seks måneder i offentlig drift peker mot én enkel lærdom for læringsteknologi: En musikktime kan ikke reduseres til et tekstutskrift. Selskapet opplyser at det har behandlet rundt 2.000 timer siden den offentlige lanseringen i april, med lyd-AI som analyserer både muntlig undervisning og musikken som spilles. 23

Det er fortsatt et lite og selskapsnært datagrunnlag – ikke en endelig beskrivelse av musikkundervisning generelt. Likevel gir det et tidlig innblikk i hva som faktisk skjer i én-til-én-undervisning, og i utfordringen AI-verktøy står overfor når de skal være nyttige for musikklærere.

Elevene spiller bare en del av timen

MuseCools foreløpige analyse tyder på at elevene bruker omtrent 40 prosent av en gjennomsnittlig time på å spille instrumentet. Resten kan gå til forklaringer, demonstrasjoner, lytting, samtale og annen undervisning. 6

Det er viktig fordi et system som bare gjenkjenner toner, eller bare transkriberer tale, vil overse mye av innholdet. En lærer kan forklare teknikk, vise en frase, peke på et problem, lytte tilbake, sette et øvingsmål og snakke om tolkning – ofte rundt en relativt kort periode der eleven faktisk spiller.

Tallet på 40 prosent må tolkes med varsomhet. Det bygger på MuseCools egne driftsdata og er ikke lagt frem som en representativ, uavhengig revidert studie for hele sektoren. 36 Likevel utfordrer det antakelsen om at kvaliteten på en time kan måles ved å telle spilletid alene.

AI-en skal forstå musikken – ikke bare skrive ned samtalen

MuseCool beskriver den tekniske tilnærmingen som Music Information Retrieval – analyse av musikken som fremføres, sammen med tale og konteksten i timen. Målet er, ifølge selskapet, å identifisere hva som ble spilt og forstå hva lærer og elev jobbet med, fremfor bare å gjøre samtalen om til tekst. 23

Dette skillet er selve kjernen i produktet. Et opptaksverktøy som bare leverer en generell transkripsjon kan i praksis gi læreren mer å lese. Et system som også forstår musikken, kan i stedet brukes til å lage mer nyttig oppfølging: en strukturert oppsummering, oversikt over musikalsk aktivitet og veiledning som støtter øvingen mellom timene.

Selskapet har også beskrevet en plattform som bruker aktiviteten i live-undervisningen til å tilby timeanalyse, relevant нотemateriale og personlige øvingsspill, i tillegg til administrative funksjoner som betaling. 15

Lærere tar bare i bruk teknologi som sparer dem for arbeid

Å få private lærere til å ta i bruk ny teknologi er krevende. Undervisningsmetodene er personlige, etablerte og ofte bevisst fleksible. Få lærere vil omfavne et system som tvinger dem inn i en rigid arbeidsflyt eller skaper enda en administrativ oppgave.

MuseCools tidlige produktretning reflekterer nettopp denne begrensningen. Time-AI-en er ment å gjøre lytte- og dokumentasjonsarbeidet i bakgrunnen, mens læreren fortsetter å undervise. 2 Den mulige verdien er ikke automatisering i seg selv, men mindre rutinepreget oppfølgingsarbeid og tydeligere materiale læreren kan dele med eleven.

MuseCool driver også en markedsplass for lærere. På lærersiden oppgir selskapet at fellesskapet har over 1.622 lærere og mer enn 2.000 individuelle timer hver måned, enten digitalt eller fysisk. Dette er selskapets egne tall og ikke uavhengig reviderte måltall. 8

Markedsplass og undervisningsverktøy i samme modell

MuseCool startet som en musikkskole i London i 2017 og tilbyr personlige timer både på nett og fysisk. 910 På sine kundesider markedsfører selskapet hjemmeundervisning og nettundervisning, og tilbyr instrumenter den første måneden for utvalgte instrumenter. 45

Modellen er dermed bredere enn et verktøy for å analysere timer. Den kombinerer formidling og matching av lærere med driftsverktøy og, på sikt, læringsressurser. I praksis er dette en B2B2C-modell: MuseCool vil støtte lærere og undervisningsorganisasjoner med arbeidsflyt- og innsiktsverktøy, samtidig som elever kan finne en lærer.

For elever omfatter det nåværende tilbudet utvalgte instrumenter gratis den første måneden, med mulighet til å levere dem tilbake i denne perioden. Hvilke instrumenter og vilkår som gjelder, varierer mellom tilbudene. 1213

Et større datasett kan bli verdifullt – dersom det forvaltes riktig

Et voksende datagrunnlag fra undervisningstimer kan få verdi utover den enkelte timeoppsummeringen. Med uttrykkelig samtykke, gode personvernmekanismer og grundig validering kan det hjelpe institusjoner å oppdage undervisningsmønstre raskere, identifisere elever som kan trenge ekstra støtte og drive mer kvantitativ forskning på undervisningsmetoder.

MuseCool framstiller dette som en mulig måte å gjøre en aktivitet som vanligvis er privat og vanskelig å måle, mer synlig på aggregert nivå. 3 For instrumentprodusenter og aktører i musikkbransjen kan godt styrt, aggregert innsikt om repertoar og øvingsatferd også være interessant.

Dette er imidlertid muligheter, ikke dokumenterte resultater. Verdien av datasettet vil avhenge av datakvalitet, representativitet, informert samtykke, styring og om måltallene faktisk fanger god læring – og ikke bare det en algoritme er i stand til å oppdage.

Ambisjonene må fortsatt bevises

MuseCool er blitt knyttet til samarbeid om Music Information Retrieval med Queen Mary University of London, og omtale har beskrevet planer knyttet til et Innovate UK-prosjekt. 6 Det forelagte materialet fastslår ikke omfang, tidslinje eller finansieringsstatus. Planene bør derfor ses som under utvikling, ikke som bekreftede resultater.

Den samme forsiktigheten gjelder de bredere ambisjonene: ressurser med noter i det fri og lisensiert repertoar, tettere kontakt med konservatoriemiljøer, lokale markedsplasser og AI-støttede instrumenter som kan tolke et helt musikalsk rom. Ideen passer med MuseCools mål om å forstå fremføring og undervisning i sammenheng, men tilgjengelig dokumentasjon bekrefter ikke et ferdig «snakkende» piano eller et rombevisst instrumentprodukt. 23

Den foreløpige konklusjonen

MuseCools viktigste tidlige bidrag er ikke en påstand om at AI kan erstatte musikklæreren. Det er snarere en påminnelse om at den nyttige analyseenheten er hele timen: lyd, tale, demonstrasjon, tilbakemelding og kontekst.

Rundt 2.000 analyserte timer er nok til å gi hypoteser – særlig funnet om at spilling utgjør bare rundt 40 prosent av en gjennomsnittlig time – men ikke nok til å avgjøre hvordan musikkundervisning fungerer som helhet. 36 Den neste testen blir om de musikkbevisste analysene faktisk sparer lærere tid, styrker elevenes øving og oppfyller de høye kravene til personvern og tillit som gjelder når teknologi tas inn i en personlig undervisningsrelasjon.