2,000 บทเรียนสอนอะไร MuseCool: AI ดนตรีต้องเข้าใจทั้งคาบ ไม่ใช่แค่ถอดคำพูด

MuseCool สตาร์ตอัปด้านการศึกษาดนตรีของสหราชอาณาจักร ได้ข้อสรุปเบื้องต้นที่น่าสนใจจากการเปิดใช้งานสาธารณะ 6 เดือน: บทเรียนดนตรีไม่อาจย่อให้เหลือเพียงข้อความถอดเสียงได้

นับตั้งแต่เปิดตัวสู่สาธารณะในเดือนเมษายน บริษัทระบุว่าได้บันทึกและวิเคราะห์บทเรียนดนตรีราว 2,000 ครั้ง โดยใช้ AI ด้านเสียงเพื่อวิเคราะห์ทั้งคำพูดระหว่างครูกับผู้เรียน และเสียงดนตรีที่บรรเลงจริง 23

ตัวเลขนี้ยังเป็นข้อมูลขนาดไม่ใหญ่และผูกกับบริษัท จึงไม่ใช่ข้อสรุปแทนภาพรวมการเรียนดนตรีทั้งหมด แต่ก็ช่วยให้เห็นว่า ในการสอนตัวต่อตัว AI ที่มีประโยชน์จริงต้องรับรู้สิ่งที่เกิดขึ้นตลอดทั้งคาบ ไม่ใช่จับเฉพาะโน้ตหรือคำพูดอย่างใดอย่างหนึ่ง

ผู้เรียนเล่นดนตรีเพียงราว 40% ของคาบ

ผลวิเคราะห์ระยะแรกของ MuseCool ชี้ว่า ผู้เรียนใช้เวลาเล่นเครื่องดนตรีประมาณ 40% ของบทเรียนโดยเฉลี่ย ส่วนเวลาที่เหลืออาจเป็นการอธิบาย สาธิต ฟัง สนทนา และกิจกรรมการสอนรูปแบบอื่น 6

ข้อค้นพบนี้สำคัญ เพราะระบบที่ตรวจได้แค่ว่าเล่นโน้ตอะไร หรือถอดเสียงพูดได้อย่างเดียว จะพลาดเนื้อหาส่วนใหญ่ของการเรียน ครูอาจอธิบายเทคนิค สาธิตวลีดนตรี ชี้จุดที่ต้องแก้ ฟังผู้เรียนเล่นซ้ำ ตั้งเป้าการซ้อม หรือพูดคุยเรื่องการตีความบทเพลง ทั้งหมดนี้เกิดขึ้นควบคู่กับช่วงเวลาที่ผู้เรียนลงมือบรรเลง

อย่างไรก็ดี ตัวเลข 40% ต้องตีความอย่างระมัดระวัง เพราะมาจากข้อมูลปฏิบัติการของ MuseCool เอง และยังไม่มีการนำเสนอในฐานะงานศึกษาทั่วทั้งอุตสาหกรรมที่ตรวจสอบโดยหน่วยงานอิสระ 36 ถึงกระนั้น มันก็ท้าทายความเชื่อที่ว่า คุณภาพของบทเรียนวัดได้จากเวลาเล่นดนตรีเพียงอย่างเดียว

AI ที่ฟัง “ดนตรี” ไม่ใช่แค่ฟังบทสนทนา

MuseCool อธิบายแนวทางเทคนิคของตนว่าเป็น Music Information Retrieval หรือการดึงและวิเคราะห์ข้อมูลจากดนตรีที่ถูกบรรเลง ควบคู่กับคำพูดและบริบทของคาบเรียน เป้าหมายคือระบุว่าเกิดการเล่นอะไรขึ้น และช่วยทำความเข้าใจว่าครูกับผู้เรียนกำลังทำงานเรื่องใด ไม่ใช่เพียงแปลงบทสนทนาให้เป็นข้อความ 23

ความต่างนี้คือหัวใจของผลิตภัณฑ์ เครื่องมืออัดบทเรียนที่คืนมาเป็นทรานสคริปต์ทั่วไป อาจเพิ่มภาระให้ครูต้องกลับไปอ่านและสรุปเอง แต่ระบบที่เข้าใจดนตรีสามารถมุ่งแปลงคาบเรียนให้เป็นสิ่งที่ใช้งานต่อได้ เช่น สรุปบทเรียนอย่างเป็นโครงสร้าง บันทึกกิจกรรมทางดนตรี และแนวทางช่วยให้ผู้เรียนซ้อมระหว่างคาบ

บริษัทยังกล่าวถึงแพลตฟอร์มที่ใช้ข้อมูลจากบทเรียนสดเพื่อจัดทำการวิเคราะห์บทเรียน แนะนำโน้ตเพลงที่เกี่ยวข้อง และสร้างเกมฝึกซ้อมเฉพาะบุคคล รวมถึงฟังก์ชันจัดการงานธุรการอย่างการชำระเงิน 15

เงื่อนไขสำคัญ: ต้องลดงานครู ไม่ใช่เพิ่มงานครู

การนำเทคโนโลยีมาใช้ในการสอนส่วนตัวไม่ใช่เรื่องง่าย เพราะวิธีสอนของครูแต่ละคนมีความเป็นส่วนตัว สั่งสมมานาน และต้องยืดหยุ่นตามผู้เรียน ครูจึงไม่น่าจะเลือกใช้ระบบที่บังคับให้ทำงานตามขั้นตอนตายตัว หรือสร้างภาระธุรการเพิ่มขึ้นอีกหนึ่งชั้น

ทิศทางผลิตภัณฑ์ระยะแรกของ MuseCool สะท้อนข้อจำกัดนี้ ระบบ AI ของบริษัทถูกออกแบบให้ทำหน้าที่ฟังและจัดทำบันทึกอยู่เบื้องหลัง ขณะที่ครูยังสอนได้ตามปกติ 2 คุณค่าที่คาดหวังจึงไม่ใช่การทำให้การสอนเป็นอัตโนมัติเพื่อความอัตโนมัติเอง แต่คือการลดงานติดตามผลที่ซ้ำ ๆ และทำให้ครูมีข้อมูลชัดเจนขึ้นสำหรับส่งต่อให้ผู้เรียน

MuseCool ยังดำเนินแพลตฟอร์มค้นหาครูด้วย เว็บไซต์สำหรับครูของบริษัทระบุว่ามีครูในชุมชนมากกว่า 1,622 คน และมีบทเรียนตัวต่อตัวมากกว่า 2,000 ครั้งต่อเดือน ทั้งแบบออนไลน์และพบกันต่อหน้า ตัวเลขเหล่านี้เป็นข้อมูลที่บริษัทระบุเอง ไม่ใช่ตัวชี้วัดที่ผ่านการตรวจสอบอิสระ 8

จากตลาดหาครู สู่โครงสร้างพื้นฐานการสอน

MuseCool เริ่มต้นเป็นโรงเรียนดนตรีในลอนดอนเมื่อปี 2017 และให้บริการเรียนดนตรีแบบเฉพาะบุคคล ทั้งออนไลน์และแบบพบกัน 910

ดังนั้น โมเดลของบริษัทจึงกว้างกว่าเครื่องมือวิเคราะห์บทเรียนเพียงอย่างเดียว โดยผสานการค้นหาและจับคู่ครูกับผู้เรียน เครื่องมือจัดการงาน และทรัพยากรเพื่อการเรียนรู้ ในทางธุรกิจอาจมองได้ว่าเป็นโมเดล B2B2C คือให้เครื่องมือด้านเวิร์กโฟลว์และข้อมูลเชิงลึกแก่ครูหรือองค์กรการสอน พร้อมช่วยผู้เรียนค้นหาครูไปพร้อมกัน

สำหรับผู้เรียน ข้อเสนอปัจจุบันของแพลตฟอร์มมีการให้ยืมเครื่องดนตรีบางประเภทฟรีในเดือนแรก และสามารถส่งคืนได้ในช่วงดังกล่าว โดยประเภทเครื่องดนตรีและเงื่อนไขแตกต่างกันไปตามข้อเสนอ 1213

ชุดข้อมูลที่โตขึ้นอาจสร้างประโยชน์อะไรได้บ้าง

หากผู้ใช้ยินยอมอย่างชัดแจ้ง มีมาตรการคุ้มครองความเป็นส่วนตัว และผ่านการตรวจสอบความน่าเชื่อถืออย่างรัดกุม ชุดข้อมูลบทเรียนที่ขยายตัวอาจมีประโยชน์มากกว่าการสรุปคาบเรียนรายครั้ง เช่น ช่วยให้สถาบันมองเห็นรูปแบบการสอนได้เร็วขึ้น ช่วยระบุผู้เรียนที่อาจต้องการการสนับสนุนเพิ่ม และเปิดทางสู่งานวิจัยเชิงปริมาณเกี่ยวกับวิธีการสอน

MuseCool วางกรอบโอกาสนี้ว่าอาจทำให้กิจกรรมที่ปกติเป็นเรื่องส่วนตัวและวัดผลได้ยาก มองเห็นได้มากขึ้นในระดับข้อมูลรวม 3 สำหรับผู้ผลิตเครื่องดนตรีหรือผู้เกี่ยวข้องในอุตสาหกรรมดนตรี ข้อมูลรวมที่กำกับดูแลอย่างเหมาะสมเกี่ยวกับบทเพลงที่ใช้และพฤติกรรมการซ้อม ก็อาจให้ข้อมูลเชิงลึกได้เช่นกัน

แต่ทั้งหมดนี้ยังเป็น “ความเป็นไปได้” ไม่ใช่ผลลัพธ์ที่พิสูจน์แล้ว คุณค่าของชุดข้อมูลจะขึ้นอยู่กับคุณภาพข้อมูล ความครอบคลุมที่เป็นตัวแทนของผู้เรียนจริง การยินยอมโดยรับรู้ข้อมูล การกำกับดูแล และที่สำคัญคือ ตัวชี้วัดที่ได้สะท้อนการเรียนรู้ที่ดีจริงหรือเพียงสะท้อนสิ่งที่อัลกอริทึมตรวจจับได้

ความทะเยอทะยานที่ยังต้องพิสูจน์

มีรายงานเชื่อมโยง MuseCool กับความร่วมมือด้าน Music Information Retrieval กับ Queen Mary University of London และกล่าวถึงแผนโครงการที่เกี่ยวข้องกับ Innovate UK ซึ่งเป็นหน่วยงานสนับสนุนนวัตกรรมของสหราชอาณาจักร 6 อย่างไรก็ดี ข้อมูลที่มีไม่ได้ยืนยันขอบเขต ระยะเวลา หรือสถานะเงินทุนของงานดังกล่าว จึงควรมองว่าเป็นแผนที่กำลังพัฒนา ไม่ใช่ผลลัพธ์ที่ยืนยันแล้ว

ข้อควรระวังเดียวกันใช้กับเป้าหมายอื่น ๆ ของบริษัท ไม่ว่าจะเป็นคลังโน้ตเพลงสาธารณสมบัติและเนื้อหาที่มีลิขสิทธิ์ การเข้าถึงเครือข่ายสถาบันดนตรีชั้นสูง การสร้างตลาดในแต่ละพื้นที่ หรือเครื่องดนตรีที่ใช้ AI เพื่อเข้าใจสิ่งที่เกิดขึ้นในทั้งห้อง แนวคิดเหล่านี้สอดคล้องกับเป้าหมายในการเข้าใจการบรรเลงและการสอนร่วมกัน แต่หลักฐานที่มีไม่ได้ยืนยันว่ามีผลิตภัณฑ์เปียโน “พูดคุยได้” หรือเครื่องดนตรีที่รับรู้ทั้งห้องเสร็จสมบูรณ์แล้ว 23

บทสรุประยะแรก: AI ไม่ได้มาแทนครูดนตรี

สิ่งที่ MuseCool นำเสนอได้ชัดที่สุดในระยะแรก ไม่ใช่คำอ้างว่า AI จะเข้ามาแทนครูดนตรี แต่คือแนวคิดว่า หน่วยที่ควรวิเคราะห์คือ ทั้งบทเรียน ซึ่งประกอบด้วยเสียงดนตรี คำพูด การสาธิต ฟีดแบ็ก และบริบท

บทเรียนที่วิเคราะห์ได้ราว 2,000 ครั้งเพียงพอให้ตั้งสมมติฐาน โดยเฉพาะข้อค้นพบว่าเวลาเล่นดนตรีมีเพียงราว 40% ของคาบเฉลี่ย แต่ยังไม่เพียงพอจะตัดสินแทนโลกการศึกษาดนตรีทั้งหมด 36 บททดสอบถัดไปคือ ผลลัพธ์จาก AI ที่เข้าใจดนตรีจะช่วยครูประหยัดเวลา ช่วยผู้เรียนซ้อมได้ดีขึ้น และผ่านมาตรฐานความเป็นส่วนตัวกับความไว้วางใจที่สูงมากของความสัมพันธ์ระหว่างครูกับผู้เรียนได้จริงหรือไม่