Tekoäly tukee ihmisen toimintaa kasvavalla nopeudella ja monialaisesti. Musiikkialalla, teknologiset ratkaisut ja ohjelmistot kytkeytyvät käyttäjäkokemuksiin
monien eri kanavien kautta. Näitä ovat esim. musiikin kuuntelu, saatavuus ja
tarjonta, peliala, kuluttajakäyttäytyminen, aivotutkimus, terveysala, musiikin
tuottaminen ja esittäminen, musiikin harjoittelu ja musiikin hyödyntäminen ammatillisissa erikoisaloissa (kirurgit, lentäjät). Käyttäjäkokemuksiin sisältyy kuitenkin oletuksia, jotka saattavat olla virheellisiä tai ainakin poikkeavia tekoälyn
generoimassa tarjonnassa. Käyttäjäkokemus ilmenee musiikissa hyvin yksilöllisesti. Erityisesti musiikin tuntemukset liittyvät paljolti yksilön omaan taustaan,
kokemuksiin ja musiikilliseen ymmärrykseen. Aikaisemmissa tutkimuksissa
musiikin laadun ja tuntemusten suhdetta on analysoitu, mutta usein kausaliteetti
on jäänyt ohueksi. Tämä voi osaltaan johtua siitä, että musiikkinäytteiden teoreettiset perusteet jäävät heikoiksi ja yhteyttä kuu
ntelijan musiikilliseen
ymmärrykseen ei tunnisteta. Tässä tutkimuksessa on analysoitu 10 musiikillista
näytettä, joiden taustalla on teoreettinen perustelu laadusta ja erityisesti musiikillisesta jännitteestä. Näytteet edustavat jazz-musiikkia, jossa värien, tunnelmien ja tilan vaihtelu mahdollistavat analyysin kahden erilaisen ryhmän välillä,
muusikkojen ja ei-muusikkojen. Tutkimusmenetelmänä on sovellettu Design
science research (DSR) suunnittelututkimusta ja edelleen kokeellista tutkimusta
(Experimental research), jossa on yhdistetty kvantitatiivista ja kvalitatiivista tutkimusta triangulaationa. Tulosten perusteella painottuvat kaksi tekijää; (i) musiikin laadun hienojakoisuus ja (ii) kuuntelijan/käyttäjän musiikillinen tausta ja
ymmärrys, jotka olisi tunnistettava kohdennetuissa musiikkipalveluissa ja -sovelluksissa. Digitaaliset tekoälyä (AI) hyödyntävät musiikkisovellukset tarjoavat
käyttäjilleen usein kappaleita, jotka perustuvat melko heikohkoon yksilökohtaiseen parametrointiin. Lisäksi musiikin sisältämiä hienojakoja, teoreettisia jännitteitä, ei juurikaan hyödynnetä tekoälyn tarjonnassa. Tulosten perusteella on
luotu arkkitehtuurinen sovellusmalli tekoälyn tuloksellisempaan käyttämiseen.
Musiikilliset ominaisuudet saattavat usein liittyä vahvoihin käyttäjien tuntemuksiin, kuten onnellisuusteen tai ahdistukseen, riippuen käyttäjän musiikillisesta
ymmärryksestä. Monissa tapauksissa tekoäly saattaakin erehtyä ehdottamaan
käyttäjälle sisältöä, jonka vaikutus ilmenee päinvastaisena oletettuun nähden.
Toisin sanoen ja metaforisestikin todettuna, hissimusiikki ei ole ratkaisu
...
AI technology is supporting and assisting humans at in increasing speed and in
various ways. In music, a massive number of technological solutions and software applications are involved in the user experience (UX) whether it is listening
to music, eGames, shopping behavior, brainwaves, health care, mental orientation, music production and performance, music rehearsing or focus-oriented demands in professional fields (surgeons, flight pilots). Still, big gaps exist in user
assumptions, which may be biasing the further utilization of AI technology. User
experience in music is a very unique process with individual variances. When
reflected in emotions, the individual responses are largely connected to background experiences and skills of a person, e.g. musical competence. Previous
literature has been attempting to solve causalities in emotional response
regarding certain music qualities. However, studies are unambiguous in their
conclusive implications on this, partly due to somewhat wea
k efforts to analyze,
select and produce theoretically firm musical contents supporting the musicianship levels, or the trained ear of the user/listener, to describe it. In this study, 10
audio stimuli were carefully designed and selected by using jazz music as the
representative genre. In jazz, the variation of colors, sounds and ambience are in
favor of this type of research setting, where two different groups – non-musicians
and musicians – are compared in their emotional responses. Design science research (DSR) and specifically experimental research was applied with qualitative
and quantitative methods to analyze the differences between fifteen participants.
The results contribute to the literature by implicating two important issues; (i)
the fine-quality of provided music is an essential factor and (ii) listener’s musical
competence needs to be solved to match the offered music content. Based on the
results, digital AI app is designed for more efficient matching. Digitalized music
services (AI) are massively offering music tracks to listeners based on quite
loosely personalized parameters and furthermore, even a non-existent analysis
of the tensions, which can arouse very strong extreme emotions, such as overjoy
and anxiety – depending on the musical experience or musicianship of the listener. In many cases, present music services may lead to biased suggestions
which are opposing the expectations of the listener. In other words, and also metaphorically, elevator music is not the solution.
...
