Monika P. Hippe
Katedra Wychowania Muzycznego
Wyższa Szkoła Pedagogiczna
35-030 Rzeszów

Zastosowanie komputerów do wyjaśnienia mechanizmów percepcji muzyki i jej oddziaływania na człowieka jest od dość dawna przedmiotem licznych badań, zwłaszcza w odniesieniu do kognitywnej psychologii muzyki [Minsky, 1981; Sloboda, 1985; Butler, 1992; McAdams, 1996], algorytmizacji opisu kompozycji [Desain, 1992; Desain & Honing, 1995], czy formalizacji wiedzy o muzyce [Rolland & Ganascia, 1997]. Ostatnio pojawiły się doniesienia o zupełnie nowych kierunkach badawczych w tej dziedzinie, dotyczących symulacji i improwizacji komputerowej [Risset, 1993] oraz zastosowaniu uczenia maszynowego (machine learning, ML) w zrozumieniu zasad wirtuozerii [Widmer, 1998]. W badaniach przedstawionych w referacie stosowałam wybrane metody ML do klasyfikacji utworów muzycznych; jednak zasadniczym zamysłem prowadzonych badań jest próba opracowania reguł wykrywania niejawnych regularności w wybranych utworach polskich i obcych kompozytorów. W przypadku uzyskania pozytywnych wyników pracy można oczekiwać, że opracowana metodologia badań będzie mogła spełnić niezwykle użyteczną rolę w: (a) wykrywaniu charakterystycznych, być może do tej pory nie poznanych, cech wybranych utworów muzycznych, (b) nadaniu procesowi poszukiwania tych charakterystyk racjonalnych podstaw, opartych na klarownie sprecyzowanych, logicznych zależnościach, z wykluczeniem mało wiarygodnych domniemań, przypuszczeń, czy intuicyjnych osądów, oraz (c) wykrywaniu charakterystycznych cech twórczości wybranego kompozytora. Każdy z wymienionych tu obszarów zastosowań nowej metodologii może być dodatkowym, cennym elementem pogłębiania pedagogicznych aspektów kształcenia w dziedzinie muzykologii, wychowania muzycznego oraz historii muzyki. Zrealizowanie obranego kierunku badań narzuciło konieczność utworzenia specjalizowanej bazy informacyjnej o wybranych obiektach (utworach muzycznych). Kierując się ich specyfiką zdefiniowano wybrane atrybuty, potrzebne w reprezentacji wiedzy użytej do opisu badanych obiektów i ich wzajemnych relacji. Atrybuty te (np. charakterystyka taktów, faktura, figuracja, harmonia, imitacja, melodyka, motyw, powtórzenia_motywu, progresja_harmonii, progresja_melodii, powtórzenia_progresji, zaburzenia_rytmu) są jednocześnie nazwami pól rekordów omawianej bazy, przy czym w polach tych zapisano, w formacie wybranych narzędzi do uczenia maszynowego, wartości charakterystyczne dla danego utworu. W referacie zostanie przedstawiona struktura bazy na przykładzie wybranych utworów muzycznych (polonezów), a także pierwsze wyniki jej wykorzystania w wykrywaniu niejawnych regularności ukrytych w badanych utworach.

[Butler, 1992] Butler D.: The Musitian’s Guide to Perception and Cognition. Shirmer, New York 1992.

[Desain, 1992] Desain P.: A (de)composable Theory of Rythm Perception. Computers in Music Res. 9(1992,4)439-454.

[Desain & Honing, 1995] Desain P., Honing H.: Music, Mind, Machine. Computational Modelling of Temporal Structure in Musical Knowledge and Music Cognition. Internet document.

[McAdams, 1996] McAdams S.: Audition: Cognitive Psychology of Music. W: Llinas R., Churchland P. (Red.) The Mind-Brain Continuum. MIT Press, Cambridge (MA) 1996, s. 251-279.

[Minsky, 1981] Misky M.: Music, Mind, and Meaning. Computer Music J. 5(1981)1-16.

[Risset, 1993] Risset J.C.: ACROE Programme. Proc.13^th Intern. Joint Conference on Artificial Intelligence, Chambery 28.08-3.09.1993, s. 26.

[Rolland & Ganascia, 1997] Roland P.Y., Ganascia J.P.: Musical Pattern Extraction and Similarity Assessment. Internt document.

[Sloboda, 1985] Sloboda J.: The Musical Mind: The Cogniive Psychology of Music. Clarendan Press, Oxford 1985.

[Widmer, 1998] Widmer G.: Application of Machine Learning to Music Research: Empirical Investigation into the Phenomenon of Musical Expression. W: Michalski R.S., Bratko I., Kubat M. (Red.) Machine Learning and Data Mining. Methods and Applications. J. Wiley & Sons, Ltd., New York 1998, s. 269-295.