Développement d’une plateforme de répertoire basée sur l’IA et orientée par niveaux d’apprentissage pour les enseignant·e·s de musique

Les bibliothèques numériques complètes de partitions ou les collections de matériel destinées à soutenir les enseignant·e·s dans la planification de leurs cours restent encore peu développées dans l’enseignement instrumentale et vocale. Dans leur projet, Kerstin Denecke et Andrea Ferretti examinent quels critères et quelles fonctionnalités une plateforme de répertoire devrait remplir afin d’apporter une réelle valeur ajoutée aux enseignant·e·s de musique. Elles apportent ainsi une contribution importante à la promotion de l’utilisation des ressources numériques dans le domaine des arts et soutiennent le développement des compétences numériques des enseignant·e·s de musique.

Le choix du répertoire comme tâche centrale de l’enseignement musical

La sélection d’un répertoire approprié, adapté aux capacités et aux objectifs d’apprentissage des élèves, constitue une tâche centrale mais chronophage pour les enseignant·e·s des écoles de musique et des hautes écoles de musique (Jordhus-Lier et al., 2023 ; Nielsen et al., 2023). Les enseignant·e·s de musique doivent continuellement identifier des compositions correspondant aux capacités techniques, aux objectifs musicaux et aux caractéristiques individuelles de leurs élèves. Bien que de nombreuses grandes bibliothèques numériques de partitions aient vu le jour ces dernières années, les plateformes existantes offrent rarement des métadonnées structurées ou des fonctions de recherche adaptées aux besoins spécifiques des enseignant·e·s de musique.

Idéalement, les plateformes devraient permettre de filtrer les compositions selon des critères didactiques précis — par exemple les prérequis techniques (Ramoneda et al., 2022), les techniques pouvant être travaillées ou l’instrumentation (Taenzer et al., 2019) — ou encore de recevoir des suggestions ciblées de pièces comparables ou plus avancées (De Pasquale et al., 2020). L’utilisation de méthodes d’intelligence artificielle (IA) pourrait ouvrir de nouvelles possibilités (Cheng, 2019) pour identifier des compositions appropriées tout en soutenant des recommandations fondées sur des données probantes.

Quels critères sont les plus importants pour les enseignant·e·s ?

Dans le cadre d’un projet de mise en réseau entre recherche et enseignement financé par le domaine thématique Transformation numérique humaine, nous avons étudié selon quels critères les enseignant·e·s sélectionnent les compositions pour l’enseignement et comment ces critères peuvent être intégrés dans un modèle piloté par l’IA. À cette fin, nous avons mené des entretiens avec des expert·e·s et interrogé, au moyen d’un questionnaire, 37 enseignant·e·s d’instrument et de chant ayant des expériences variées dans l’enseignement. Cela nous a permis de dégager des exigences empiriquement fondées pour un modèle destiné à soutenir les enseignant·e·s dans le choix de compositions adaptées aux caractéristiques individuelles de leurs élèves.

Les résultats montrent que les enseignant·e·s de musique interrogé·e·s considèrent les aspects pédagogiques et pratiques comme les critères de sélection les plus pertinents. En revanche, les informations relatives au contexte d’une composition ont été jugées nettement moins importantes. Les niveaux d’adhésion les plus élevés concernent l’instrumentation (très important : 59,5 %), le niveau technique requis pour jouer la pièce (59,5 %) et les compétences pouvant être développées grâce à la pièce (40,5 %). De même, la question de savoir si la pièce est écrite pour un instrument soliste (avec ou sans accompagnement) ou pour un ensemble a été considérée comme importante ou très importante par la majorité des répondant·e·s. Dans l’ensemble, les résultats montrent que les critères les mieux évalués sont ceux qui sont directement liés à l’adaptation du répertoire aux capacités techniques et aux besoins éducatifs de l’apprenant.

Un premier système de recommandation : des requêtes de répertoire basées sur le langage

Sur la base de ces informations, nous avons développé un modèle permettant des requêtes formulées en langage naturel sur une plateforme de répertoire musical. Le modèle testé repose sur un large language model qui analyse les demandes des utilisateur·rice·s. Ainsi, un·e utilisateur·rice peut par exemple poser la question : « Quelle pièce contemporaine conviendrait à une flûtiste de niveau intermédiaire pour renforcer la flexibilité de l’embouchure ? »

Dans un premier temps, le modèle analyse les caractéristiques contenues dans la requête (instrument = flûte, niveau = intermédiaire, compétences = embouchure, style = contemporain). Le système recherche ensuite dans le répertoire enregistré les œuvres correspondantes et présente les résultats les plus pertinents pour la demande formulée.

En tant qu’application web, un tel assistant conversationnel pourrait aider les enseignant·e·s à trouver rapidement une pièce adaptée. Le modèle développé pourrait également être appliqué à des bibliothèques et plateformes existantes. Nous partons du principe qu’avec la progression de la numérisation, les bibliothèques électroniques et les plateformes proposant des partitions ou d’autres matériels pédagogiques continueront de se développer. L’utilisation d’outils permettant une sélection ciblée de matériels d’apprentissage adaptés aux besoins individuels des élèves pourrait ainsi contribuer à améliorer la qualité de l’enseignement et à élargir la diversité des matériaux utilisés dans la domaine de l’enseignement instrumentale et vocale.

Références

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