DOI: https://doi.org/10.1038/s41598-025-27153-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41315653
تاريخ النشر: 2025-11-28
المؤلف: Hao Du وآخرون
الموضوع الرئيسي: رؤى متنوعة في تعليم الموسيقى
نظرة عامة
تتناول هذه الدراسة الإصلاحات الوطنية في التعليم الجمالي من خلال تقديم منصة مدفوعة بالتعلم العميق تهدف إلى تحسين التعليم الموسيقي العام في الجامعات في جنوب غرب الصين. تستخدم المنصة نماذج الذاكرة طويلة وقصيرة المدى (LSTM) ونماذج المحولات لتحليل بيانات تعلم الطلاب في الوقت الحقيقي، وتوقع اتجاهات الإتقان، وتقديم ملاحظات شخصية من خلال واجهة قائمة على السحابة. تم إجراء تجربة استمرت فصلًا دراسيًا في جامعة قويتشو مينزو، وجامعة قويتشو، وجامعة شيشانغ، حيث تمت مقارنة ثلاثة أساليب تعليمية: التعليم التقليدي، التعلم الهجين القائم على MOOCs، والتعلم الشخصي المعزز بالذكاء الاصطناعي.
أظهرت النتائج أن المجموعة المعززة بالذكاء الاصطناعي تفوقت على الآخرين، حيث حققت درجات إتقان بعد الاختبار كانت أعلى بنسبة 32%. بالإضافة إلى ذلك، أظهرت النماذج التنبؤية دقة عالية، مع خطأ متوسط الجذر التربيعي (RMSE) أقل من 0.15. تسهل المنصة التقييمات التكيفية، والملاحظات الذكية، واتخاذ القرارات التعليمية المستنيرة، مما يقدم حلاً قابلاً للتوسع لدمج الذكاء الاصطناعي في التعليم الفني، خاصة في البيئات الثقافية المتنوعة والتي تعاني من نقص البيانات. توفر هذه الدراسة رؤى قيمة لصانعي السياسات والمطورين الذين يركزون على تحديث التعليم الجمالي من خلال الأساليب الحسابية المتقدمة.
الطرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية العمليات خطوة بخطوة المتبعة، مثل إعداد العينات، وتقنيات جمع البيانات، والأساليب التحليلية المطبقة لتقييم النتائج.
بالإضافة إلى ذلك، قد يصف القسم التحليلات الإحصائية التي تم إجراؤها لتفسير البيانات، بما في ذلك أي برامج تم استخدامها ومعايير الدلالة. يضمن هذا النهج الشامل أن تكون النتائج قوية ويمكن التحقق منها من قبل باحثين آخرين في هذا المجال. بشكل عام، فإن الوضوح والدقة في هذا القسم أمران حاسمان لفهم الإطار التجريبي وموثوقية النتائج التي تم الحصول عليها.
النتائج
تكشف نتائج الدراسة عن اختلافات كبيرة في النتائج التعليمية بين ثلاث مجموعات: التعليم التقليدي، التعلم الهجين القائم على MOOCs، والتعليم الشخصي المعزز بالتعلم العميق، استنادًا إلى بيانات من 113 طالبًا على مدار فصل دراسي مدته 16 أسبوعًا. أظهرت المجموعة المعززة بالتعلم العميق أداءً متفوقًا عبر عدة مقاييس، حيث حققت زيادة بنسبة 15% في درجات ما بعد الاختبار مقارنة بمجموعة MOOCs وزيادة بنسبة 32% مقارنة بالمجموعة التقليدية. بالإضافة إلى ذلك، أفادت هذه المجموعة بأعلى تقييم لرضا الطلاب بلغ 4.41 من 5 ومعدل إكمال قدره 95%.
تشير التحليلات الإضافية إلى أن التعليم المعزز بالتعلم العميق لم يحقق فقط خطأ متوسط الجذر التربيعي (RMSE) أقل من 0.118، مما يدل على دقة نموذج متفوقة، بل حافظ أيضًا على سرعة استجابة في الوقت الحقيقي تقل عن 50 مللي ثانية. تم تأكيد فعالية تخصيص المناهج من خلال مقابلات المعلمين والاتجاهات في استخدام الوحدات التكيفية. تدعم هذه النتائج المزايا التربوية والتقنية لدمج التخصيص القائم على التعلم العميق في التعليم الموسيقي العام، مما يبرز قابليته للتوسع وعمليته في تعزيز كفاءة التعليم في بيئات الجامعات المتنوعة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التكامل المتزايد للذكاء الاصطناعي (AI) في التعليم الموسيقي، مع التأكيد على إمكانيته في تعزيز نتائج التعلم وكفاءة التدريس. تظهر الدراسات الحديثة، مثل تلك التي أجراها تشين وسون (2024) وتشينغ وكو (2025)، تحسينات في مشاركة الطلاب وطرق التدريس من خلال تطبيقات الذكاء الاصطناعي، وخاصة تقنيات التعلم العميق. تكشف الأدبيات عن اتجاه نحو أنظمة التعلم الشخصية، مع أطر مثل تلك التي طورها تشانغ (2023) وأمين (2024) تظهر وعدًا في تكييف المحتوى التعليمي مع احتياجات المتعلمين الفردية. ومع ذلك، لا تزال هناك فجوات بحثية كبيرة، خاصة فيما يتعلق بتطبيق الذكاء الاصطناعي في التعليم الموسيقي العام لغير المتخصصين في الموسيقى وفعالية التخصيص المدفوع بالذكاء الاصطناعي في البيئات ذات الموارد المحدودة.
تتناول الدراسة هذه الفجوات من خلال تنفيذ نظام هجين من LSTM-Transformer مصمم للتعليم الموسيقي العام في الجامعات الشاملة في جنوب غرب الصين. تم استخدام تصميم تجريبي محكم على مدار فصل دراسي عبر ثلاث مؤسسات، شمل 113 طالبًا في السنة الأولى. شمل تصميم البحث تقييمات أساسية صارمة وعشوائية طبقية لضمان تخصيص متوازن للمجموعات. من المتوقع أن تسهم النتائج في الفهم النظري للتعليم الموسيقي المعزز بالذكاء الاصطناعي بينما تقدم حلولًا عملية للتنفيذ القابل للتوسع. تهدف دقة منهجية الدراسة ودمج نماذج التعلم العميق في منصة سحابية متنقلة إلى تسهيل التعليم الشخصي وتحسين الكفاءة التعليمية العامة في بيداغوجيا الموسيقى.
DOI: https://doi.org/10.1038/s41598-025-27153-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41315653
Publication Date: 2025-11-28
Author(s): Hao Du et al.
Primary Topic: Diverse Music Education Insights
Overview
This study addresses national reforms in aesthetic education by introducing a deep learning-driven platform aimed at improving public music education in universities in Southwest China. The platform employs Long Short-Term Memory (LSTM) and Transformer models to analyze real-time student learning data, predict mastery trends, and provide personalized feedback through a cloud-based interface. A semester-long experiment conducted at Guizhou Minzu University, Guizhou University, and Xichang University compared three instructional approaches: traditional teaching, MOOC-based hybrid learning, and AI-enhanced personalized learning.
The findings revealed that the AI-enhanced group outperformed the others, achieving post-test mastery scores that were 32% higher. Additionally, the predictive models demonstrated high accuracy, with a Root Mean Square Error (RMSE) of less than 0.15. The platform facilitates adaptive assessments, intelligent feedback, and informed instructional decision-making, presenting a scalable solution for integrating AI into arts education, especially in culturally diverse and data-scarce environments. This research provides valuable insights for policymakers and developers focused on modernizing aesthetic education through advanced computational methods.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the step-by-step processes followed, such as sample preparation, data collection techniques, and analytical methods applied to evaluate the results.
Additionally, the section may describe the statistical analyses performed to interpret the data, including any software utilized and the criteria for significance. This comprehensive approach ensures that the findings are robust and can be validated by other researchers in the field. Overall, the clarity and precision in this section are crucial for understanding the experimental framework and the reliability of the results obtained.
Results
The results of the study reveal significant differences in instructional outcomes among three groups: Traditional, MOOC-based blended learning, and Deep Learning-enhanced personalized instruction, based on data from 113 students over a 16-week semester. The Deep Learning-enhanced group demonstrated superior performance across multiple metrics, achieving a 15% increase in post-test scores compared to the MOOC group and a 32% increase compared to the Traditional group. Additionally, this group reported the highest student satisfaction rating of 4.41 out of 5 and a completion rate of 95%.
Further analysis indicates that the Deep Learning-enhanced instruction not only yielded a lower root mean square error (RMSE) of 0.118, indicating superior model accuracy, but also maintained a real-time response speed of under 50 milliseconds. The effectiveness of curriculum personalization was corroborated through teacher interviews and trends in adaptive module usage. These findings substantiate the pedagogical and technical advantages of integrating deep learning-based personalization into public music education, highlighting its scalability and practicality for enhancing instructional efficiency in diverse university environments.
Discussion
The discussion section of the research paper highlights the growing integration of artificial intelligence (AI) in music education, emphasizing its potential to enhance learning outcomes and teaching efficiency. Recent studies, such as those by Chen and Sun (2024) and Cheng and Qu (2025), demonstrate improvements in student engagement and pedagogical methods through AI applications, particularly deep learning techniques. The literature reveals a trend towards personalized learning systems, with frameworks like those developed by Zhang (2023) and Amin (2024) showing promise in adapting educational content to individual learner needs. However, significant research gaps persist, particularly regarding the application of AI in public music education for non-music majors and the effectiveness of AI-driven personalization in resource-constrained environments.
The study addresses these gaps by implementing a hybrid LSTM-Transformer system tailored for public music education in comprehensive universities in Southwest China. A semester-long controlled experimental design was employed across three institutions, involving 113 first-year undergraduate students. The research design included rigorous baseline assessments and stratified randomization to ensure balanced group allocation. The findings are expected to contribute to the theoretical understanding of AI-enhanced music education while providing practical solutions for scalable implementation. The study’s methodological rigor and the integration of deep learning models into a mobile cloud-based platform aim to facilitate personalized instruction and improve overall educational efficiency in music pedagogy.