De modo geral o sistema consegue definir bem os primeiros volumes, no entanto, nos n´ıveis mais avanc¸ados ele n˜ao apresentou resultados satisfat´orios. Como o n´umero de instˆancias ´e baixo, pode ser dif´ıcil para o classificador definir precisamente os n´ıveis de dificuldade. Con- tudo, pode-se observar que 16% das m´usicas, apesar de classificadas incorretamente, foram posicionadas em classes muito pr´oximas (considerando at´e 1 n´ıvel acima ou abaixo) e 26% da m´usicas, em classes pr´oximas ou moderadamente pr´oximas (considerando at´e 2 n´ıveis acima ou abaixo). Se analisada essa circunstˆancia, 65% das vezes o sistema classificou a m´usica no n´ıvel correto ou em n´ıveis muito pr´oximos e 75% das vezes no n´ıvel correto, em n´ıveis pr´oximos ou moderadamente pr´oximos. Outro fator relevante ´e que em 34% das vezes as m´usicas foram classificadas em n´ıveis abaixo do n´ıvel estabelecido contra apenas 17% das vezes em n´ıveis acima do estabelecido.
5 CRONOGRAMA
O cronograma apresentado na Tabela 19 mostra as atividades desempenhadas no de- correr do trabalho. As atividades foram divididas em nove meses, tendo como in´ıcio o mˆes de outubro de 2015 e termino no mˆes de junho de 2016.
A primeira fase do trabalho, que abordou a etapa de pesquisa, foi desempenhada nos meses de outubro a dezembro de 2015. A segunda fase, que abordou a etapa de desenvolvi- mento, foi desempenhada entre os meses de dezembro de 2015 e maio de 2016.
Atividades / Meses Out Nov Dez Jan Fev Mar Abr Mai Jun
Construc¸˜ao da Base de Dados X X
Documentac¸˜ao X X X X
Digitalizac¸˜ao das Partituras X
Extrac¸˜ao das Caracter´ısticas X
Classificac¸˜ao X
An´alise dos Resultados X X X X X
Desenvolvimento do sistema Sure X X X X X
Desenvolvimento do Sure Web Service X X
Desenvolvimento do Sure Web Page X X
Teste de Desempenho X X X X
Elaborac¸˜ao da Monografia X X X X X X X X
Correc¸˜oes finais X X
Defesa do Trabalho X
6 CONSIDERAC¸ ˜OES FINAIS
Neste trabalho foi analisado um m´etodo de classificac¸˜ao de n´ıveis de dificuldade para o desenvolvimento de uma ferramenta que fosse capaz de classificar uma nova partitura mu- sical em um n´ıvel de dificuldade. O resultado dessa an´alise demonstrou que a classificac¸˜ao autom´atica de n´ıveis de dificuldade utilizando as m´usicas do Suzuki Violin School nos padr˜oes estabelecidos resultou em uma precis˜ao de cerca de 49%. No entanto, com esse trabalho foi poss´ıvel estudar uma nova forma de classificar e organizar os n´ıveis de dificuldade de uma m´usica.
´
E importante notar que a maior parte dos dados posicionados incorretamente foram classificados em n´ıveis pr´oximos ao n´ıvel correto estabelecido. A classificac¸˜ao de n´ıveis de di- ficuldade, diferentemente de alguns outros tipos de classificac¸˜ao em que precis˜ao ´e baseada es- tritamente nos acertos, pode ser considerada um tanto flex´ıvel quanto ao seu resultado. Mesmo que o resultado n˜ao indique a classe correta, a classificac¸˜ao em outras classes que tenham pro- ximidade com a classe correta ´e, de alguma forma, v´alida. Al´em disso, existem poucos estudos que fazem esse tipo de definic¸˜ao autom´atica de n´ıveis de dificuldade, por isso, independente do resultado deste, ainda sim ´e um dos poucos trabalhos existentes na ´area. Visando isso, outras pesquisas na ´area s˜ao necess´arias utilizando este mesmo conceito de n´ıveis de dificuldade.
Uma proposta para trabalhos futuros seria explorar a utilizac¸˜ao de uma quantidade maior de m´usicas, como tamb´em outros livros de ensino de m´usica ou at´e mesmo os livros do Suzuki para outros instrumentos. Outra abordagem que poderia ser explorada seria o uso de di- ferentes tipos de caracter´ısticas que definissem a m´usica com conceitos diferenciados, quest˜oes baseadas na dificuldade do aprendizado ou de um instrumento espec´ıfico. ´E importante que esse tema continue a ser estudado e que novas ferramentas sejam desenvolvidas para que possam es- timular n˜ao somente no ensino da m´usica mas na sua preservac¸˜ao, acesso e entendimento.
REFER ˆENCIAS
AMERICAS, S. A. of the. About the Suzuki Method. 1998. Acesso em 21 de setembro de 2015. Dispon´ıvel em: <https://suzukiassociation.org/about/suzuki-method/>.
ANDERTON, C. Midi reloaded. Keyboard Magazine, p. 38–47, Mar. 2014.
ASSOCIATION, I. S. The Suzuki Method. 2005. Acesso em: 17 de setembro 2015. Dispon´ıvel em: <http://internationalsuzuki.org/method.htm>.
ASSOCIATION, M. The Technology of MIDI. 2011. Acesso em: 18 de setembro de 2015. Dispon´ıvel em: <http://www.midi.org/aboutmidi>.
BENNETT, R. Uma breve hist´oria da m´usica. Rio de Janeiro: Zahar. 1986.
CAETANO, M. C. A importˆancia da m´usica na formac¸˜ao do ser humano em per´ıodo escolar. Educac¸˜ao em Revista, v. 13, n. 2, p. 71–80, Jul.-Dez., 2012.
CHIU, S.-C. A study on difficulty level recognition of piano sheet music. Proceedings of the IEEE International Symposium on Multimedia, p. 17–23, Dez., 2012.
GOOD, M. Musicxml: An internet-friendly format for sheet music. XML Conf. & Expo, p. 12, 2001.
GUERIN, R. MIDI Power! The Comprehensive Guide. 2. ed. [S.l.]: Course Technology, 2008.
KERR, D. Midi - the musical instrument digital interface. Mar. 2009.
KOELLE, D. JFugue: Music Programming for Java and JVM Languages. 2015. Dispon´ıvel em: <http://www.jfugue.org/>.
LIN, C.-C. An inteligent virtual piano tutor. Proceedings of the 2006 ACM International Conference on Virtual Reality Continuum and its Aplications, p. 353–356, Jun. 2006. MAKEMUSIC. MusicXML - Hello World. 2011. Acesso em 19 de setembro de 2015. Dis- pon´ıvel em: <http://www.musicxml.com/tutorial/hello-world>.
MAKEMUSIC. Finale: The World Standard in Music Notation Software. 2015. Dispon´ıvel em: <http://www.finalemusic.com/>.
MCKAY, C. jsymbolic: A feature extractor for midi files. Proceedings of the International Computer Music Conference, p. 302–5, 2006.
MCKAY, C. Automatic Music Classification with jMIR. Tese (Doutorado) — McGill Uni- versity, Montreal, 2010.
MUSESCORE. MuseScore: Create play and print beautiful sheet music. 2015. Acesso em 21 de setembro de 2015. Dispon´ıvel em: <https://musescore.org/pt-br>.
MUSESCORE. MuseScore. 2016. Acesso em 05 de fevereiro de 2016. Dispon´ıvel em: <https://musescore.org/pt-br>.
ORACLE. JavaSever Faces Technology. 2010. Acesso em 05 de Fevereiro de 2016. Dispon´ıvel em: <http://www.oracle.com/technetwork/java/javaee/javaserverfaces-139869.html>.
ORACLE. Java. 2016. Acesso em 05 de Fevereiro de 2016. Dispon´ıvel em: <https://www.java.com/>.
ORACLE. MySql. 2016. Acesso em 05 de fevereiro de 2016. Dispon´ıvel em: <http://www.mysql.com/>.
ORACLE. NetBeans. 2016. Acesso em 05 fevereiro de 2016. Dispon´ıvel em: <https://netbeans.org/>.
PRESSMAN, R. Engenharia de software. [S.l.]: S˜ao Paulo: MCGRAW-HILL, 2010.
SEBASTIEN, V. Score analyzer: Automatically determining scores difficulty level for instru- mental e-learing. Proceedings of the13th International Society for Music Information Re- trieval Conference, p. 571–576, 2012.
SOMMERVILLE, I. Engenharia de software. [S.l.]: Addison Wesley, 2003.
SONGQUITO. Song2See. 2012. Acesso em 20 de setembro de 2015. Dispon´ıvel em: <http://www.songs2see.com/index.php/en/>.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 1.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 2.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 3.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 4.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 5.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 6.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 7.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 8.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 9.
SUZUKI, S. Suzuki Violin School. [S.l.]: Summy-Birchard Inc., 1978. Volume 10.
VISION, C. Astah Community. 2006. Acesso em 05 de fevereiro de 2016. Dispon´ıvel em: <http://astah.net/editions/community>.
VISIV. SharpEye Music Scanning. 2008. Acesso em 05 de fevereiro de 2016. Dispon´ıvel em: <http://www.visiv.co.uk/>.
WAIKATO, M. L. G. at the University of. Attribute-Relation File Format. 2002. Acesso em 21 de setembro de 2015. Dispon´ıvel em: <http://www.cs.waikato.ac.nz/ml/weka/arff.html>.
WAIKATO, M. L. G. at the University of. Weka 3: Data Mining Software in Java. 2013. Dispon´ıvel em: <http://www.cs.waikato.ac.nz/ml/weka/>.
WITTEN, I. Data Mining: Practical Machine Learning Tools and Techniques. 2. ed. [S.l.]: Morgan Kaufmann, 2005.