Pedagogy of the Prompt: Music Education, Artificial Intelligence, and Big Tech Magic
Notice bibliographique
Résumé
In this article I examine the generative AI music-making applications of Google called MusicFX DJ and Music AI Sandbox, as well as Udio, an end-to-end generative AI music system created by ex-Google employees. I frame these generative AI music systems designed by Big Tech as part of their neoliberal agenda, which involves influencing music education. Drawing on critical media theorists, I suggest that Big Tech, and in the context of this article, Google, present their generative AI music systems as “magic.” I describe how these systems work by examining how algorithmic systems, such as search engines, operate more generally, and then, more specifically, how generative AI music systems function. I aim to make legible the “magic” of generative AI music systems and explain that Google’s music-making tools, by design, appear to be agenda-less, but music educators should be wary of this illusion. I forward that Google’s “pedagogy of the prompt” may not be explicit to users of their AI music-making applications, but nevertheless it is embedded into them because they are algorithmic systems, and more specifically, generative AI/machine learning-based systems. I suggest that in this present period in which music teachers and learners are using generative AI music systems, knowing how a musical output results from an input, musical or otherwise (e.g., text), is needed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».