Entwicklung einer KI-basierten und lernstufen-orientierten Repertoireplattform für Musikpädagog*innen

Umfassende digitale Notenbibliotheken oder Materialsammlungen, die Lehrende bei der Unterrichtsplanung unterstützen sind in der Instrumental- und Gesangspädagogik bislang kaum etabliert. In ihrem Projekt untersuchen Kerstin Denecke und Andrea Ferretti, welche Kriterien und Ausstattungsmerkmale eine Repertoireplattform erfüllen müsste, um einen Mehrwert für Lehrende der Musik zu bieten. Damit leisten sie einen wertvollen Beitrag zur Förderung des Einsatzes digitaler Ressourcen im Bereich der Künste und unterstützen die digitale Kompetenz von Musiklehrenden.

Repertoirewahl als zentrale Lehrendenaufgabe in der Musikpädagogik

Die Auswahl eines geeigneten Repertoires, das an die Fähigkeiten und Lernziele der Lernenden angepasst ist, ist eine zentrale, aber zeitaufwändige Aufgabe von Lehrenden an Musikschulen und Musikhochschulen (Jordhus-Lier et al., 2023; Nielsen et al., 2023). Musikpädagog*innen müssen kontinuierlich Kompositionen identifizieren, die den technischen Fähigkeiten, musikalischen Zielen und individuellen Eigenschaften ihrer Lernenden entsprechen. Obwohl in den letzten Jahren viele grosse digitale Notenbibliotheken entstanden sind, bieten die bestehenden Plattformen selten strukturierte Metadaten oder Suchfunktionen, die auf die Bedürfnisse von Musikpädagog*innen zugeschnitten sind. So müssten Plattformen die Möglichkeit bieten, Kompositionen nach präzisen didaktischen Kriterien – wie beispielsweise spieltechnische Voraussetzungen (Ramoneda et al., 2022), erlernbare Techniken, Besetzung (Taenzer et al., 2019) – zu filtern (De Pasquale et al., 2020) oder gezielte Vorschläge für vergleichbare oder weiterführende Stücke zu erhalten. Der Einsatz von Methoden der Künstlichen Intelligenz (KI) könnte Möglichkeiten eröffnen (Cheng, 2019), geeignete Kompositionen zu finden und zugleich evidenzbasierte Empfehlungen zu unterstützen.

Welche Kriterien sind Lehrenden am wichtigsten?

In einem vom Themenfeld Humane Digitale Transformation geförderten Vernetzungsprojekt zwischen Forschung und Lehre haben wir untersucht, anhand welcher Kriterien Lehrpersonen Kompositionen für den Unterricht auswählen und wie diese in ein KI-gesteuertes Modell einfliessen können. Hierfür haben wir Expert*innen interviewt sowie 37 Instrumental- und Gesangslehrende mit unterschiedlicher Unterrichtserfahrung per Fragebogen befragt. Dies ermöglichte uns die Herleitung empirisch fundierter Anforderungen an ein Modell, das Lehrenden in der Auswahl von Kompositionen unterstützt, die auf die individuellen Voraussetzungen ihrer Lernenden abgestimmt sind.

Die Ergebnisse zeigen, dass die befragten Musikpädagog*innen pädagogische und praktische Aspekte als besonders relevante Auswahlkriterien einschätzen. Wesentlich weniger wichtig wurden Informationen zum Kontext einer Komposition eingestuft. Die höchsten Zustimmungswerte erzielten die Instrumentierung (sehr wichtig: 59,5 %), das für das Spielen des Stücks erforderliche technische Niveau (59,5 %) und die mit dem Stück trainierbaren Fähigkeiten (40,5 %). Ebenso wurde die Frage, ob das Stück für ein Soloinstrument (mit oder ohne Begleitung) oder ein Ensemble geschrieben ist, von der Mehrheit der Befragten als wichtig oder sehr wichtig angesehen. Insgesamt zeigen die Ergebnisse, dass jene Kriterien am höchsten gewertet wurden, die in direktem Zusammenhang mit der Anpassung des Repertoires an die technischen Fähigkeiten und die pädagogischen Bedürfnisse eines Lernenden stehen.

Erstes Empfehlungssystem: Sprachbasierte Anfragen zum Repertoire

Basierend auf diesen Informationen, haben wir ein Modell entwickelt, das sprachbasierte Benutzeranfragen an eine Musikrepertoireplattform ermöglicht. Das getestete Modell basiert auf einem Large Language Model, welches die Anfragen analysiert. So stellt der oder die Benutzer:in beispielsweise die Frage: «Welches zeitgenössische Stück eignet sich für eine Flötistin der Mittelstufe, um die Flexibilität im Ansatz zu stärken?» Das Modell analysiert in einem ersten Schritt die enthaltenen Merkmale (Instrument = Flöte, Niveau = Mittelstufe, Fertigkeiten = Ansatz, Stil = zeitgenössisch). Anschliessend durchsucht das System das hinterlegte Repertoire nach passenden Stücken und präsentiert die besten Treffer für die gestellte Anfrage.

Als webbasierte Anwendung könnte ein solcher konversationsfähiger Assistent, die Lehrenden darin unterstützen, schnell ein passendes Stück zu finden. Das entwickelte Modell könnte auf bestehende Bibliotheken und Plattformen übertragen werden. Wir gehen davon aus, dass mit dem Fortschreiten der Digitalisierung, künftig elektronische Bibliotheken und Plattformen mit Noten oder anderen Unterrichtsmaterialien ausgebaut werden. Der Einsatz von Tools zur gezielten Auswahl Lernmaterialien, die auf die individuellen Bedürfnisse der Lernenden abgestimmt sind, könnte dann zu einer Erhöhung der Unterrichtsqualität sowie zu einer Verbreiterung der eingesetzten Materialien im Bereich der Instrumental- und Gesangspädagogik beitragen.

Literatur

Cheng, L. (2019). Musical competency development in a laptop ensemble. Research Studies in Music Education, 41(1), 117–131. https://doi.org/10.1177/1321103X18773804

De Pasquale, G., Spahiu, B., Ducange, P., & MAurino, A. (2020). Towards automatic classification of sheet music. CEUR Workshop Proceedings, 2646, 266–277.

Jordhus-Lier, A., Karlsen, S., & Nielsen, S. G. (2023). Meaningful approaches to content selection and ways of working: Norwegian instrumental music teachers’ experiences. Frontiers in Psychology, 14, 1105572. https://doi.org/10.3389/fpsyg.2023.1105572

Nielsen, S. G., Jordhus-Lier, A., & Karlsen, S. (2023). Selecting repertoire for music teaching: Findings from Norwegian schools of music and arts. Research Studies in Music Education, 45(1), 94–111. https://doi.org/10.1177/1321103X221099436

Ramoneda, P., Tamer, N. C., Eremenko, V., Serra, X., & Miron, M. (2022). Score difficulty analysis for piano performance education based on fingering (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2203.13010

Taenzer, M., Abeßer, J., Mimilakis, S., Weiß, C., Müller, M., & Lukashevich, H. (2019). Investigating CNN-Based Instrument Family Recognition for Western Classical Music Recordings [Datensatz]. Zenodo. https://doi.org/10.5281/ZENODO.3258829