Die musikalische Improvisation wurde im Bereich der klinischen Therapie als wirksame Methode der Musiktherapie empirisch belegt. Darüber hinaus kann sie auch einen wichtigen Ansatz für klinisches Assessment und Diagnostik bieten. Durch sie wird das Verhalten von Menschen mit schweren affektiven Störungen, schweren kognitiven Beeinträchtigungen und neurodegenerativen Erkrankungen wie zum Beispiel Depression, Entwicklungsstörung und Demenz direkt im musikalischen Verhalten der betroffenen Person erkennbar.
Das HIGH-M Projekt (Human Interaction assessment and Generative segmentation in Health and Music) und meine damit verbundene Dissertation entwickeln ein Verfahren zur Automatisierung der Analyse musikalischer Interaktion in klinischen Improvisationen und tragen damit zur Anwendbarkeit musiktherapeutischer Analysemethoden in klinischer Diagnostik und Assessment bei.
Dazu wird ein neues theoretisches Modell zur musikalischen Analyse entworfen, das mikroanalytische Methoden (Improvisation Assessment Profiles - Autonomy Microanalysis) mit datenbasierten Strukturen und Darstellungsformen (Music Therapy Toolbox) im Framework eines soziologischen und prozessorientierten Interaktions-Modells (Social Systems Game Theory) verbindet. Durch die Triangulierung dieser Elemente wird eine detaillierte wie auch effiziente und digital anschlussfähige Methode zur Analyse sozialer Interaktionstypen in musiktherapeutischer Improvisation entwickelt.
Diese neu entwickelte Methode wird daraufhin durch die Kombination regelbasierter Programmierung und Supervised Machine Learning Classification Prozessen zum Erstellen eines automatischen Tools verwendet, wodurch Künstliche Intelligenz zur Nutzung in der musiktherapeutischen Praxis und zur weiteren wissenschaftlichen Forschung bereitstellt wird. Darüber hinaus wird ebenfalls die Spezifizität musikalischer Interaktion in klinischer Improvisation im Vergleich zu einem empirisch erhobenen Datenset aus künstlerischen Improvisationen kontextualisiert.
