Cette étude vise à explorer un nouveau mode de conception des activités pédagogiques et de pratique psychologique pour les étudiants en musique, soutenu par le concept d'éducation STEAM. Dans cette étude, un système de recommandation personnalisé basé sur un réseau de neurones convolutionnel (CNN) et un module Transformer est conçu et mis en œuvre. Le concept d'éducation STEAM est ensuite introduit et combiné avec ce système de recommandation personnalisé pour concevoir des activités d'enseignement musical afin d'améliorer l'effet d'apprentissage des étudiants et leur qualité globale. Enfin, la performance du modèle est évaluée expérimentalement. Les résultats montrent que les valeurs de précision, de rappel et de F1 du système de recommandation personnalisé conçu ici atteignent respectivement 95,76 %, 90,28 % et 92,41 %, soit plus de 4 % supérieures à celles d'autres modèles de référence. De plus, pour les indicateurs de comportement utilisateurs, le nombre de clics, le temps de navigation et les commentaires ont augmenté de plus de 10 %, ce qui révèle les avantages remarquables de l'algorithme proposé dans l'amélioration de l'effet pédagogique et de l'expérience d'apprentissage. Par conséquent, l'algorithme CNN-Transformer proposé montre des avantages évidents en précision de prédiction et participation des utilisateurs, fournissant ainsi un nouveau soutien empirique à l'application de la technologie éducative dans l'enseignement musical.
Zhuang et al. (Sun,) ont étudié cette question.