The value of data mining in music education research and some findings from its application to a study of instrumental learning during childhood

Abstract

The use of data mining for the analysis of data collected in natural settings is increasingly recognized as a legitimate mode of enquiry. This rule-inductive paradigm is an effective means of discovering relationships within large datasets — especially in research that has limited experimental design — and for the subsequent formulation of predictions and rules. The method is dramatically under-used in education research in general, and is hardly represented in music education, if at all. The present article reports on several decision trees that emerged from mining for knowledge in datasets constructed from the musical journeys, experiences and abilities of 157 young people in Australia from the outset of instrumental tuition in primary school and for the following 12 years. This article illustrates the validity of knowledge discovery in databases for forecasting outcomes and behaviours in educational settings generally and, more specifically, it considers early predictors of students’ short- and long-term commitment to instrument learning. This machine-learnt knowledge provides music educators with useful information about the relationship between various attributes of student experience. Within months of beginning instrumental tuition, reported levels of self-regulation, practice on Sundays, parental reminders and self-efficacy beliefs emerge as potentially predictive of students’ ongoing musical engagement. Findings are discussed in relation to self-regulation and motivation theories. La valeur de l’exploration de données dans la recherche en éducation musicale et quelques résultats de son application dans une étude sur l’apprentissage instrumental au préscolaire L’utilisation de l’exploration de données pour analyser une collecte de données effectuée en milieu authentique est de plus en plus reconnue comme étant une technique d’investigation légitime. Ce paradigme basé sur l’induction est un moyen efficace pour identifier les relations existantes dans de larges bassins de données — plus particulièrement lors de recherches qui possèdent un cadre expérimental restreint — et pour la formulation future de prédictions et de règles. Cette méthode est généralement sous-utilisée dans la recherche en éducation et elle est encore moins employée dans le domaine de l’éducation musicale. Le présent article fait état de quelques arbres de données qui ont été extraits d’un ensemble de données issues du cursus musical, des expériences et des habiletés de 157 jeunes en Australie depuis leur inscription à la formation instrumentale du primaire jusqu’aux douze années suivantes. Cet article met en avant-plan la validité de l’Extraction de Connaissances à partir de Données afin de prédire des résultats et des comportements dans un programme éducationnel, en considérant plus spécialement la prédictibilité d’engagement à court et à long terme de l’apprentissage d’un instrument chez un étudiant. Cet outil du savoir procure aux enseignants en musique de l’information quant aux relations existantes entre divers facteurs qui constituent l’expérience vécue par l’étudiant. Dans les premiers mois qui ont suivi le début de l’inscription, on a rapporté que l’autorégulation, la pratique le dimanche, le rappel des parents et le sentiment d’auto-efficacité sont des facteurs émergents prédictifs de l’engagement musical de l’élève. Les résultats sont mis en lien avec les théories de l’autorégulation et la motivation. Der Nutzen der Datenauswertung in der musikpädagogischen Forschung und Hinweise auf deren Anwendung bei der Untersuchung kindlichen Instrumentalunterrichts Die Nutzung von Datenbanken bei der Analyse von Daten, die in natürlichen Umgebungen gewonnen wurden, wird zunehmend als legitime Form der Untersuchung anerkannt. Dieses Regel-induzierende Paradigma bildet ein wirkungsvolles Mittel, um Beziehungen in einer großen Datenmenge aufzuspüren — insbesondere in Untersuchungen mit einem begrenzten experimentellen Design — und um unmittelbar Vorhersagen und Regeln formulieren zu können. Dieses Verfahren wird insgesamt in der musikpädagogischen Forschung dramatisch vernachlässigt und ist kaum, wenn überhaupt in der Musikerziehung präsent. Dieser Artikel stellt einige Entscheidungsbäume vor, die sich aus der Datenauswertung für das Wissen, das in Datensätzen aus musikalischen Erfahrungen und Fähigkeiten von 157 jungen Australiern vom Anfang des Instrumentalunterrichts in der Grundschule für die folgenden 12 Jahre gespeichert ist, ergeben. Dieser Artikel zeigt die Aussagekraft der Wissenserschließung in Datenbanken zur Vorhersage für das Verhalten in Unterrichtszusammenhängen im Allgemeinen und lässt frühe Anzeichen für eine kurz- oder langfristige Hingabe an den Instrumentalunterricht erkennen. Dieses Wissen bietet dem Musiklehrer wertvolle Informationen über die Beziehung zwischen verschiedenen Merkmalen der Lernerfahrung von Schülern. Innerhalb weniger Monate seit Beginn des Instrumentalunterrichts treten bestimmte Formen der Selbstregulation, des Übens am Sonntag, der elterlichen Ermahnung und des Glaubens an die Selbstwirksamkeit als voraussagekräftig für das weitere musikalische Engagement auf. Diese Ergebnisse werden im Zusammenhang mit Theorien zur Selbstregulierung und Motivation diskutiert. El valor de la extracción inteligente de datos en investigación en educación musical. Hallazgos a partir de su aplicación en un estudio de aprendizaje instrumental durante la infancia La extracción inteligente de datos para el análisis de información recogida en contextos naturales se reconoce cada vez más como un modo legítimo de investigación. Este paradigma inductivo es un medio efectivo para descubrir relaciones dentro de grandes conjuntos de datos (sobre todo en investigaciones con un diseño experimental limitado) y la consiguiente formulación de predicciones y reglas. Este método está enormemente infrautilizado en investigación educativa en general, y apenas está presente en educación musical. Este artículo presenta varios árboles de decisión que surgieron a partir de la búsqueda de conocimiento en bases de datos a partir de las trayectorias, experiencias y capacidades musicales de 157 jóvenes australianos desde el inicio de su formación instrumental en la escuela primaria y durante los doce años siguientes. Este artículo ilustra la validez del Descubrimiento de Conocimiento en bases de datos para predecir resultados y conductas en contextos educativos y, más concretamente, tiene en cuenta predictores tempranos a corto y largo plazo del compromiso de los estudiantes en su aprendizaje instrumental. Este conocimiento adquirido a través de máquinas proporciona a los educadores musicales información útil sobre la relación entre diversas características de la experiencia del estudiante. A los pocos meses de comenzar su formación instrumental, los niveles de autorregulación, las prácticas dominicales, los recordatorios a los padres y la confianza del estudiante en su propia eficacia, emergen como factores potencialmente predictivos de la marcha de la implicación musical del estudiante. En este artículo se abordan las conclusiones con respecto a las teorías de la autorregulación y de la motivación.