Arts, design et enseignement des médias

Cette page est une traduction automatique de la page anglaise, non relue par un locuteur natif.

Les arts, le design et l'enseignement des médias — les disciplines fondées sur l'atelier et la performance, où l'apprentissage se produit en fabriquant : architecture et design spatial, design d'intérieur, interprétation musicale, composition et analyse, art visuel et génération d'images, médias numériques et narration numérique, et technologie de la scène et de la performance. À travers les articles de cette base de connaissances, les questions récurrentes sont de savoir si l'IA générative érode le métier et le développement des compétences ou les fait monter d'un niveau, comment la critique et l'évaluation du travail créatif changent lorsqu'un artefact soigné est peu coûteux à produire, quelle part de chaque discipline repose sur une pratique incarnée et matérielle, et qui est inclus lorsque les outils créatifs deviennent génératifs. La couverture est concentrée dans l'enseignement supérieur et dans des études portant sur un seul atelier ou un seul cours, si bien que la plupart des constats ci-dessous sont des preuves de cas plutôt que des affirmations à l'échelle d'une discipline.

Questions à examiner

• Dans une étude d'atelier d'architecture, les équipes utilisant un pipeline GenAI-plus-XR ont rapporté une confiance plus faible dans leur propre capacité de conception par la suite, et des évaluateurs en aveugle ont noté leurs présentations ni mieux ni moins bien que celles d'un groupe témoin. Que vous faudrait-il savoir avant de conclure que les outils ont nui à l'apprentissage — et qu'est-ce qui vous ferait le conclure malgré tout ?
• L'enseignement en atelier a toujours fonctionné sur la critique et sur le processus visible : esquisses, maquettes, itérations successives. Si un étudiant peut produire une image d'apparence achevée en une minute, que devrait examiner la critique ?
• Dans un projet de synthèse de narration numérique fondé sur les projets, les idées des étudiants ont été jugées plus originales que leurs œuvres achevées n'étaient cohérentes. Où se situe réellement l'apprentissage difficile — dans la génération d'idées, ou dans leur intégration ?
• Une revue sur l'éducation musicale distingue les générateurs autonomes tels que Suno et Udio des assistants de composition interactifs tels que le Continuator, et soutient que seul le second est éducativement productif. Êtes-vous d'accord, et quel est votre critère pour cette distinction ?
• Les concepteurs en Malaisie sont décrits comme passant du statut de générateurs de formes principaux à celui de curateurs critiques de la production de la machine. Si c'est la destination, qu'un cours de design de première année devrait-il enseigner d'abord ?
• Les instrumentistes à cordes aveugles et malvoyants apprennent le coup d'archet par le toucher et la proprioception, parce que la démonstration visuelle ne leur est pas accessible. Qu'est-ce que cela implique pour les systèmes de rétroaction dans les arts qui se rabattent par défaut sur un écran ?

Introduction

Ce que ces disciplines partagent, c'est l'atelier ou la salle de répétition comme lieu d'apprentissage, avec un artefact fabriqué et le processus qui le sous-tend comme objet d'évaluation. L'IA entre sous plusieurs formes : un générateur d'images dans l'atelier d'architecture et de design d'intérieur, un outil de composition et d'analyse en musique, un partenaire spatial à l'intérieur d'environnements immersifs, un notateur automatisé d'analyses écrites, et — en éclairage de scène — une aide destinée à l'enseignant qui transforme une intention pédagogique parlée en démonstrations exécutables. Les sections ci-dessous retracent ce que les études rapportent, puis en dégagent les questions transverses du métier, de l'évaluation et de l'accès.

Cette page est la maison disciplinaire des matières d'atelier et d'arts du spectacle, et elle est plus étroite que ses voisines. L'IA dans les disciplines porte l'argument général selon lequel la recherche sur l'IA en éducation doit être consciente du domaine dans toutes les matières ; cette page porte sur ce qui est spécifique à la fabrication. La créativité couvre le construit cognitif partout où il apparaît — pensée divergente, risque d'homogénéisation d'une assistance fondée sur un seul modèle, protection de l'acte génératif de l'apprenant — y compris en mathématiques et en codage créatif ; cette page couvre les disciplines dans lesquelles la production créative est le programme. La pensée design couvre l'idéation et la formulation de problèmes centrée sur l'utilisateur comme pédagogie générale ; cette page couvre les ateliers où ce processus est enseigné, encadré et jugé. Les lettres et sciences humaines traitent l'interprétation, la paternariat et l'argumentation dans des champs centrés sur le texte, et comptent les arts parmi leurs domaines constitutifs ; ici, les arts et les médias sont extraits de ce cadre interprétatif et centrés sur la pratique matérielle, spatiale, sonore et performative. L'enseignement du design découpe la moitié professionnelle de ce même territoire : cette page couvre les arts d'atelier et du spectacle dont le trait partagé est la fabrication, tandis que l'enseignement du design suit le pipeline de formation plus étroit destiné aux concepteurs de produits, de services, d'interaction, d'intérieur et d'architecture — évaluation par portfolio, attentes d'accréditation, employabilité — et traite le processus d'atelier derrière un artefact, plutôt que l'artefact lui-même, comme l'objet d'évaluation.

La pédagogie d'atelier et la critique sous l'IA générative

Les outils génératifs atteignent ces disciplines par un rituel existant : un travail rendu public, montré inachevé et critiqué. Ce que les sources montrent, c'est que l'IA change le plus fiablement le milieu de ce processus, et le moins ses fins. Dans l'étude GenARch, Xiao et al. (2026) ont introduit un pipeline GenAI plus XR multi-utilisateurs dans un véritable atelier de conception architecturale de premier cycle, et ont trouvé une division complémentaire du travail : l'IA générative externalisait les idées, donnant aux équipes quelque chose de concret sur quoi pointer, qu'elles pouvaient comparer et discuter, tandis que la XR soutenait l'évaluation, permettant aux étudiants de juger la proportion, l'adjacence, l'éclairage et le contexte du site à grandeur réelle.

L'outillage était malcommode aux deux extrémités du processus. Au début, les équipes n'avaient pas encore d'idées à encoder dans une invite ; plus tard, des concepts plus riches rendaient la rédaction d'invites plus facile, mais élevaient les attentes de respect des contraintes, et lorsque la précision importait, les étudiants revenaient à SketchUp et Revit. Ils ont rapporté un échec de fidélité dimensionnelle — « I asked it to make a 10 feet wall of 3D model, it wasn't 10 feet » — une latence des ressources de quelques secondes à quelques minutes, et une attention partagée qui dérivait lorsque les membres de l'équipe regardaient différentes parties d'un modèle. Donner un casque à chaque participant ne produisait pas par soi-même une collaboration coordonnée.

Les redevabilités de l'atelier se sont néanmoins déplacées. Dans une étude longitudinale des modèles génératifs dans les ateliers de conception, Gül et al. (2026) distinguent l'usage de GenAI comme stimulus visuel dans l'idéation précoce d'un usage combinatoire qui étend l'espace des solutions pendant le développement, et situent le problème pédagogique dans la compétence plutôt que dans l'accès : sans le discernement permettant de différencier les modèles et de les employer délibérément, une production abondante engendre une fixation sur le design et un enfermement esthétique. Leur conclusion déplace le rôle de l'enseignant, de la transmission du métier vers l'accompagnement du moment, de la manière et de la raison de déléguer l'exploration créative.

Architecture, design spatial et design d'intérieur

Une étude par groupes de discussion menée à Derby donne à l'atelier un résultat plus favorable. Kapsalis (2026) a fait travailler deux groupes de huit étudiants en architecture de niveaux 3 à 5 lors d'une session de 90 minutes, avec un flux de génération et d'édition d'images exécuté localement et ajusté finement pour les intérieurs résidentiels. Les étudiants ont produit environ 80 images par session, une dizaine chacun, avec des taux d'acceptation supérieurs à 60%. La génération d'idées auto-déclarée (4.5) et l'expérimentation (4.2) ont obtenu les scores les plus élevés sur la sous-échelle créative, tandis que l'affinement des décisions finales (3.7) était moins uniformément soutenu — certains étudiants ont trouvé que l'outil faisait apparaître des combinaisons non envisagées, d'autres qu'il les distrayait par des détails qui ne convenaient pas au concept. L'auteur présente cela comme un « micromonde » constructionniste qui étend l'espace de recherche créatif sans remplacer la pensée design, et note des preuves d'enquête selon lesquelles près de 70% des étudiants en architecture utilisent déjà des outils d'IA de manière indépendante, tandis que plus de 95% déclarent n'avoir reçu aucune formation sur l'IA.

Le design d'intérieur soulève le plus nettement la question de la formation professionnelle. Syed Abdul Rahman (2026) décrit des concepteurs malaisiens passant du statut de générateurs de formes principaux à celui de médiateurs et de curateurs critiques de la production de la machine, les plateformes de visualisation comprimant les délais et élargissant la gamme d'options productibles dans un budget donné. Citant des travaux empiriques sur la préférence des clients (Lan et al., 2025), l'article note que la production de l'IA est très bien notée pour son caractère unique lorsque les critères esthétiques prédominent, mais que les concepteurs humains conservent un net avantage lorsque les exigences fonctionnelles, ergonomiques et contextuelles sont mises en avant — et que les conceptions générées manquent souvent de spécificité culturelle, de réactivité climatique et de constructibilité fiable, dans un marché négociant des conditions tropicales, une vie multigénérationnelle et des principes spatiaux islamiques. Sa recommandation curriculaire est un séquençage plutôt qu'une substitution : enseigner la CAO et le BIM, les connaissances en construction et les facteurs humains avant l'exploration générative, et évaluer la pensée critique et la réflexion éthique aux côtés de la qualité visuelle.

Musique et arts du spectacle

La musique est traitée ici comme l'art le plus exposé au changement économique qui a commencé avant l'IA générative. Briot (2026) soutient que la dématérialisation a effondré la valeur par unité de la musique enregistrée d'environ deux ordres de grandeur bien avant que les modèles génératifs ne soient commercialement pertinents, que les rémunérations par flux d'écoute restent de l'ordre de \$0.003–\\$0.005, et que l'IA générative prolonge un modèle de valeur déjà brisé plutôt qu'elle ne le crée. La distinction qui importe pour l'enseignement oppose les générateurs autonomes tels que Suno et Udio — des pièces complètes et stylistiquement cohérentes issues d'une invite textuelle, à structure opaque et incontrôlable — aux assistants de composition interactifs tels que FlowComposer et le Continuator, où le musicien impose des contraintes et conserve son intentionnalité, et où le Continuator apprend le style d'un instrumentiste en temps réel comme partenaire d'improvisation. Seul ce second type, soutient-il, est éducativement productif, parce que le premier positionne les étudiants comme consommateurs de la production de la machine. Le programme recommandé fait de la production et de la maîtrise des stations de travail audio numériques des compétences centrales, et défend la performance d'ensemble comme la dimension incarnée et sociale la plus résistante à la substitution.

L'évaluation en musique est poussée vers l'automatisation, avec des limites qui méritent d'être notées. Lin, Jin et Min (2026) ont évalué GPT-4o-mini par confrontation aux scores moyens des enseignants sur 300 réponses d'analyse musicale de niveau universitaire, portant sur l'harmonie, la forme, le raisonnement et la terminologie, et ont constaté que la sollicitation par chaîne de raisonnement à quelques exemples s'accordait le plus fortement aux moyennes des enseignants, et que l'augmentation par la recherche documentaire sur-notait systématiquement ; l'accord était aussi plus faible sur la terminologie que sur le raisonnement, si bien que les auteurs plaident pour une calibration spécifique à la stratégie, une validation au niveau des dimensions et une supervision humaine maintenue.

La pédagogie vocale fournit l'énoncé le plus clair du problème de la mesure contre la valeur. Li (2026) soutient que l'enseignement vocal assisté par l'IA ne devrait pas être jugé à la précision avec laquelle il mesure la hauteur, la stabilité, le vibrato et le tempo, parce que le même écart mesuré peut indiquer une inexactitude technique, une inflexion expressive ou un artefact d'enregistrement, et parce que les sorties mesurables ne représentent pas la coordination incarnée de l'apprenant. Le cadre sépare les preuves que l'IA rend visibles, les processus d'apprentissage humains qui les interprètent (conscience corporelle, surveillance métacognitive, pratique autorégulée, motivation), et les résultats qui s'ensuivent, jugés par l'efficacité, l'équité et la durabilité. L'enseignement instrumental pour des musiciens handicapés pousse plus loin le point de l'incarnation : Shi et al. (2026) ont travaillé avec quatre musiciens à cordes aveugles et malvoyants de niveau avancé et trois instructeurs, et ont constaté que la technique des instruments à cordes frottées est enseignée de convention par la démonstration visuelle — inaccessible à ces apprenants — et que des indices tactiles et kinesthétiques s'y substituent. L'enseignement inclusif, selon leur compte, devrait être construit avec les apprenants handicapés plutôt que rattaché a posteriori à un défaut visuel.

La technologie de la scène et de la performance est le lieu où l'enseignement assisté par l'IA a été conçu et évalué le plus concrètement. Liang et al. (2026) ont construit LumiNote, un système de réalité virtuelle assisté par LLM qui transforme l'intention parlée d'un instructeur, ancrée par un pointeur laser, en annotations spatiales révisables, en démonstrations d'éclairage exécutables et en explications de jargon. Sur 55 invites d'instructeurs et 531 paires d'actions générées, 380 (71.6%) ont été appliquées ; les effets visuels formaient la plus grande catégorie d'invites (27 sur 55) avec une forte adoption (212 actions sur 245, 86.5%), tandis que les demandes spécifiques à des projecteurs se sont révélées les plus faibles — 26 des 28 rejets étaient imputables à des erreurs de lecture de références directionnelles telles que « left light ». Les instructeurs ont utilisé les suggestions comme un processus d'affinement, et non comme un plan de leçon achevé : sur 147 suggestions rejetées ou modifiées avec suivi, 127 (86.4%) ont déclenché une nouvelle invite, et une seule un ajustement manuel direct. Leur charge de travail a chuté (NASA-TLX de 3.50 à 2.22) et les sessions se sont raccourcies (de 19 minutes 34 secondes à 12 minutes 33 secondes), l'effort se déplaçant de la configuration de bas niveau vers l'expression. Le constat le plus marquant est un décalage de représentation : les indices que les instructeurs ont jugés les plus utiles pour extérioriser le raisonnement expert n'étaient pas ceux que 24 apprenants pouvaient suivre, ces derniers préférant un pointeur laser (M = 5.50) et l'étiquetage de la console avec des valeurs (M = 5.33) aux flèches spatiales et à un avatar (tous deux M = 4.58), bien que les mesures de résultats chez les étudiants n'aient montré aucune différence significative.

Arts visuels, génération d'images et médias numériques

Les outils texte-vers-image sont le cas où le flux de travail itératif de l'atelier est le plus directement en jeu, et les preuves ne racontent pas une histoire simple de gain ou de perte. Liu, Meng et Zhang (2026) ont interrogé 417 étudiants en art et en design, en complément de groupes de discussion et d'entretiens d'instructeurs, et ont constaté que l'attente de performance, l'influence sociale, la valeur de nouveauté et la compétence créative prédisaient toutes positivement l'intention d'utiliser les outils texte-vers-image, tandis que l'attente d'effort et les conditions facilitantes prédisaient négativement — ce qu'ils lisent comme un usage orienté vers le raccourci dans les travaux de cours, où la facilité et la disponibilité permettent une production rapide plutôt qu'un engagement soutenu. Leur paradoxe de la compétence est le résultat notable : la compétence créative soutient l'intention, mais prédit aussi un usage réel plus sélectif et plus retenu, les étudiants pesant la paternariat, l'originalité et la préservation des compétences face à l'efficacité. Ils plaident pour une pédagogie portant sur l'littératie en IA autour du processus créatif, de la fabrication des invites et de l'évaluation des productions, avec le processus d'atelier et l'effort comme objet évalué.

La production de médias numériques montre ce qu'un processus structuré peut accomplir. Tian et al. (2026) ont étudié un projet de synthèse de narration numérique fondé sur les projets de 15 semaines, « Creative Shanzhou », dans lequel 426 étudiants de dernière année, encadrés par 48 mentors à raison d'environ 1 pour 9, ont traduit le patrimoine culturel local en récits multimodaux. Les notations d'experts portant sur les 92 œuvres résultantes étaient les plus fortes sur la nouveauté (M = 4.21, SD = 0.72), suivies de l'efficacité (3.96) et de la complétude (3.68), avec 43% des projets sous 3.5 en complétude — les étudiants généraient des idées originales avec plus de succès qu'ils ne les intégraient. Dans un sous-groupe d'animation de 31 étudiants, les scores de pensée créative figurative sont passés de 77.23 à 94.68 (différence moyenne 17.45, t(30) = 4.55, p < .001, d de Cohen = 0.82). Dans l'ensemble des projets analysés, l'IA a servi d'organisateur d'information, de référence visuelle, d'aide à l'idéation et d'outil d'édition, tandis que les étudiants conservaient le choix du sujet, l'interprétation narrative, la production de sens culturelle et les décisions finales ; l'exemple le mieux noté attribuait sa cohérence à un engagement humain soutenu avec le matériau source plutôt qu'à un polissage par l'IA. Le projet s'est achevé par une exposition publique de trois jours, et 31 œuvres ont été reprises par le bureau local de la culture et du tourisme.

Les environnements immersifs fournissent le contre-cas plus favorable dans le design professionnel. Jin et al. (2027) ont mis en œuvre l'AI-IVE-PBL — de l'apprentissage par projets à l'intérieur d'un environnement virtuel immersif habilité par l'IA, doté d'un agent assistant pédagogique — dans un cours de design d'intérieur professionnel de première année, sous forme d'une boucle à cinq phases de découverte, d'envisagement, de modélisation, de communication et d'affinement. Dans une quasi-expérience à deux groupes sur 12 semaines (63 réponses valides, 31 contre 32), la condition immersive-plus-agent a obtenu des scores plus élevés en capacité de conception (η²p = .138) et en capacité créative (η²p = .111) sous ANCOVA avec le prétest comme covariable, et a élevé l'engagement cognitif (d = 0.90) et comportemental (d = 0.75), la motivation (d = 0.74) et la satisfaction (d = 0.69), tout en abaissant la charge cognitive rapportée (d = −0.52). La pensée innovante et l'engagement affectif ont évolué dans la direction attendue sans atteindre la significativité. Tous les résultats étaient des mesures auto-déclarées, sans artefacts de performance ni notations d'experts, ce qui explique pourquoi les auteurs opposent leur résultat à l'étude d'atelier d'architecture présentée plus haut.

Le métier, la compétence et l'évaluation du travail créatif

La question du métier apparaît sous plusieurs formes, et les sources ne s'accordent pas sur le degré d'inquiétude à avoir. Kapsalis (2026) rapporte un mécanisme de nivellement au niveau de l'entrée : les étudiants qui se décrivaient comme faibles en dessin ont trouvé que l'outil ouvrait l'accès à l'expression visuelle sans supprimer le besoin de jugement. À l'inverse, Syed Abdul Rahman (2026) avertit qu'une adoption non critique risque de produire des diplômés sans raisonnement spatial fondamental, sans connaissances des matériaux ni capacité d'évaluation critique indépendante, et nomme la prévention du délitement des compétences parmi les praticiens en début de carrière comme une préoccupation réglementaire centrale. Le désaccord porte en partie sur le séquençage : les deux favorisent les fondations techniques avant l'exploration générative.

Ce qui est constant est un repositionnement de ce qui est évalué. L'étude de Derby a mesuré la confiance procédurale en séance à 3.7 sur 5, mais la confiance dans le transfert de ces compétences au-delà de l'atelier à seulement 2.6 — un écart que son auteur attribue à une exposition sur une seule session et qualifie de problème au niveau du programme. L'analyse de la Malaisie recommande des projets d'atelier exigeant une évaluation comparative des voies de conception avec et sans IA, ainsi que des critères qui récompensent la pensée critique aux côtés de la qualité visuelle. Les résultats de notation automatisée en musique vont dans le même sens : l'accord avec les moyennes des enseignants était spécifique à la dimension, et les auteurs insistent sur la supervision humaine plutôt que sur une délégation complète. Li (2026) ajoute que traiter la sortie mesurée comme une valeur éducative en soi rétrécit la formation vocale à la correction de la production et à l'optimisation du score. La proposition convergente est que l'évaluation créative continue d'examiner le processus, l'itération et la prise de décision justifiée, précisément parce que l'artefact achevé ne les atteste plus.

Accès et inclusion dans l'apprentissage des arts

L'accessibilité dans les arts est traitée moins comme une conformité que comme une question de conception et de pratique matérielle. Shi et al. (2026) en est le cas le plus clair : parce que la technique des cordes frottées est normalement enseignée par démonstration visuelle, les musiciens aveugles et malvoyants dépendent de canaux tactiles et kinesthétiques, et la co-conception menée par les personnes handicapées de l'étude a produit des stratégies ancrées dans la pratique propre de ces musiciens, plutôt que des adaptations boulonnées sur un défaut visuel.

Deux autres constats compliquent toute histoire simple des outils génératifs comme égalisateur. Dans l'étude de Derby, environ un tiers des participants déclaraient un handicap et près d'un cinquième rapportait une difficulté d'apprentissage spécifique ; les items d'inclusivité se regroupaient entre 3.8 et 4.1 et corrélaient fortement avec le sentiment que la séance était abordable (ρ = .74) et avec le fait de suivre le rythme indépendamment de l'usage préalable de l'IA (ρ = .81), et les étudiants moins confiants en dessin ont rapporté ne pas se sentir désavantagés — un modeste effet égalisateur lors d'une seule séance de 90 minutes, et non un apprentissage démontré. L'écart de représentation de LumiNote montre l'autre face : les indices qui aident les experts à extérioriser leur raisonnement ne sont pas ceux que les novices peuvent suivre, si bien qu'une conception qui sert bien l'instructeur peut laisser les apprenants à la dérive, et les auteurs positionnent le LLM comme une couche de médiation qui doit traduire entre les deux. L'étude GenARch consigne une décision d'équité apparentée : après la collecte de données, les Technologies de l'IA ont été ouvertes aux étudiants du groupe témoin, afin qu'elles ne leur soient pas refusées. La question de savoir quelles références esthétiques et culturelles les modèles génératifs reproduisent, et si un accès plus large aux services de conception étend la demande ou intensifie la concurrence sur le marché moyen, est soulevée dans l'analyse de la Malaisie et reste ouverte.

Concepts liés

• La créativité
• Conception par le design
• L'IA générative
• Apprentissage par projets
• Apprentissage incarné
• Évaluation authentique
• Littératie en IA
• L'équité
• Réalité virtuelle et augmentée
• L'IA en éducation dans les disciplines
• Enseignement du design

Articles liés

• Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study — GenAI plus XR multi-utilisateurs dans un véritable atelier d'architecture : rôles complémentaires, efficacité personnelle en conception en déclin, aucun avantage au portfolio (Xiao et al. 2026)
• Gen-AI-tecture: using generative AI to support architectural students in design tasks — Un flux d'images spécifique à la discipline, exécuté localement, dans un atelier d'architecture : espace de recherche créative élargi et anxiété de critique réduite (Kapsalis 2026)
• Development and applications of Generative AI in architectural design studios — Étude longitudinale d'atelier et plateforme GAI-A : GenAI comme stimulus et expansion de l'espace des solutions, avec la fixation sur le design comme risque (Gül et al. 2026)
• Artificial Intelligence as Catalyst and Contested Terrain: Transforming Interior Design Practice, Pedagogy, and Professional Regulation in Malaysia — Les concepteurs d'intérieur comme curateurs de la production de la machine, et ce que le programme et la réglementation professionnelle devraient en faire (Syed Abdul Rahman 2026)
• Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments — Apprentissage par projets à l'intérieur d'un environnement immersif habilité par l'IA en design d'intérieur professionnel (Jin et al. 2027)
• In the AI era: A project-based digital storytelling framework for art and design education — Un projet de synthèse de narration numérique de 15 semaines avec 426 étudiants : nouveauté forte, intégration faible, l'IA comme outil et non comme auteur (Tian et al. 2026)
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — L'acceptation du texte-vers-image parmi 417 étudiants en art et en design, et le paradoxe de la compétence de l'usage sélectif (Liu, Meng & Zhang 2026)
• Challenges for Musical Education in the Age of AI and Digital Transformation — L'économie du streaming, les générateurs autonomes contre les assistants de composition, et la refonte du programme de musique (Briot 2026)
• Comparative Validation of GPT-4o-mini and Teacher Mean Scores for Automated Scoring of Music Analysis Responses: Single-Pass Deployment, Repeatability, and Strategy-Specific Bias — Évaluer GPT-4o-mini par confrontation aux moyennes des enseignants sur 300 réponses d'analyse musicale (Lin, Jin & Min 2026)
• Beyond Output Metrics: Reframing AI-Assisted Vocal Pedagogy Through Human Learning and Educational Value — Pourquoi la précision de la mesure n'est pas une valeur éducative dans l'enseignement vocal assisté par l'IA (Li 2026)
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision — Conception menée par les personnes handicapées d'un enseignement des cordes tactile et kinesthétique pour des musiciens aveugles et malvoyants (Shi et al. 2026)
• LumiNote: LLM-Assisted Multimodal Instruction for VR Stage Lighting Education — Enseignement de l'éclairage de scène par réalité virtuelle assistée par LLM, et l'écart entre représentations expertes et novices (Liang et al. 2026)