Comment l’IA peut personnaliser l’éducation musicale
Alors que l’éducation dans son ensemble adopte de nouvelles technologies comme l’intelligence artificielle (IA), l’éducation musicale reste une pratique assez analogique. «L’éducation musicale se déroule encore en grande partie comme avant l’ordinateur personnel, à travers une combinaison de cours individuels, d’exercices en solo et de méthodes établies», explique Filippo Carnovalini, chercheur postdoctoral Actions Marie Skłodowska-Curie(s’ouvre dans une nouvelle fenêtre) à la VUB(s’ouvre dans une nouvelle fenêtre). Le problème de cette approche, c’est que ces livres ne peuvent pas s’adapter au niveau ni aux besoins de chaque apprenant. C’est là que l’IA pourrait jouer un rôle. «Nous pensons que l’IA peut personnaliser l’éducation musicale en générant des exercices sur mesure pour chaque musicien débutant», ajoute Filippo Carnovalini. Le projet CALIOPE(s’ouvre dans une nouvelle fenêtre), financé par l’UE, travaille à concrétiser ce potentiel.
L’IA n’est pas utilisée pour générer des cours de musique personnalisés
Les chercheurs ont d’abord réalisé un panorama complet de la fréquence d’utilisation de l’IA pour personnaliser l’éducation musicale. «Nous avons constaté que, même si l’utilisation de l’IA pour l’éducation musicale et la personnalisation suscite manifestement un fort intérêt, cette technologie n’est pas utilisée pour générer des exercices sur mesure», explique Filippo Carnovalini, coordinateur du projet. Les chercheurs ont également constaté que, parmi les rares programmes qui génèrent effectivement des cours, la plupart se limitent à extraire du contenu de bases de données existantes ou à générer des éléments complémentaires comme des visualisations ou des retours, plutôt que le matériel pédagogique lui-même.
Une vision personnalisée de la difficulté d’un morceau de musique
À partir de ces recherches, le projet a établi que, pour vraiment bénéficier à l’éducation musicale, l’IA devait faire plus que simplement générer de la musique. «L’IA générative produit déjà de bons résultats en génération musicale, mais elle n’offre généralement pas le niveau de contrôle sur le résultat nécessaire pour être utile dans les cas d’utilisation spécifiques de l’éducation», note Filippo Carnovalini. Selon Filippo Carnovalini, la solution consiste à intégrer aux programmes d’IA générative des moyens de décrire une vision personnalisée du niveau de difficulté d’un morceau pour un étudiant donné. Pour cela, le projet a développé un modèle cognitif innovant permettant de déterminer la difficulté en fonction de l’expérience de l’apprenant. «Il existe d’autres façons d’estimer la difficulté d’un morceau de musique, mais notre modèle cognitif nous permet de décrire différentes attentes pour différentes personnes en fonction de leur expérience de jeu», précise Filippo Carnovalini. «Le résultat concret est une vision personnalisée de la difficulté, qui peut ensuite servir à générer des cours de musique sur mesure.»
Rendre l’éducation musicale plus efficace
Les modèles et résultats du projet n’ont pas encore atteint un niveau de maturité technologique permettant leur déploiement dans les écoles et les foyers, mais ils ouvrent la voie à une éducation musicale plus efficace et moins frustrante pour les débutants. «Chaque apprenant est différent, donc chaque étudiant mérite des exercices différents», conclut Filippo Carnovalini. «Des solutions d’IA comme celles développées par le projet CALIOPE peuvent rendre cela possible.» Après de nouvelles expériences, les chercheurs espèrent faire évoluer certaines solutions du projet vers des applications conviviales. Les détails des travaux du projet sont disponibles en ligne(s’ouvre dans une nouvelle fenêtre).
