Förekomsten av samma typ av låtar och musikgenrer i förskolans vardag är påtaglig och oftast är det traditionell barn- och popmusik som spelas. Tidigare forsknings fokus riktas främst åt undervisning och lärande, och inte så mycket åt musiklyssnandet och barnens meningsskapande kring lyssning på musik. Genom att använda olika genrer och öppna upp för barnens tal om dessa breddas förskolans musikrepertoar och barns perspektiv närmas. Syftet med föreliggande studie är därför att ur ett barndomssociologiskt perspektiv undersöka och analysera barns tal om och meningsskapande av musik i relation till olika musikgenrer. Elva barn från två olika förskolor har intervjuats efter att ha lyssnat på olika sorters musik. Barnens tal och meningsskapande har sedan analyserats utifrån Corsaros (2015) begrepp interpretive reproduction, peer cultures och The orb web model, samt utifrån begreppen aktör, struktur och barns perspektiv. DeNoras (2000) musiksociologiska begrepp musikens semiotik, tolkande flexibilitet och agency har även använts.  Studiens resultat visar att barns sätt att tolka och skapa mening påverkas av tidigare erfarenheter. Genom interpretive reproduction är barnen aktivt med och omskapar sin omvärld. Olika kroppsliga processer visas i barnens sätt att interagera dels med musiken, dels med varandra. Barnen skapar peer culture och en egen tolkning av musiken, där deras tidigare kunskaper och erfarenheter möts. Genom att prata om barnens musikaliska erfarenheter och tankar i relation till musiklyssnande blir musik inte bara ett sång- och spel-ämne, utan också ett lyssnar-ämne. När barnens utbud av musikgenres breddas och meningsfulla musikaktiviteter skapas möjliggörs barnen olika sätt att uttrycka sig och skapa egna uttryck och begrepp. Dessa skapar grund för senare möten med redan existerande musikaliska begrepp.

The music industry has seen a great influx of new channels to browse and distribute music. This does not come without drawbacks. As the data rapidly increases, manual curation becomes a much more difficult task. Audio files have a plethora of features that could be used to make parts of this process a lot easier. It is possible to extract these features, but the best way to handle these for different tasks is not always known. This thesis compares the two deep learning models, convolutional neural network (CNN) and long short-term memory (LSTM), for music genre classification when trained using mel-frequency cepstral coefficients (MFCCs) in hopes of making audio data as useful as possible for future usage. These models were tested on two different datasets, GTZAN and FMA, and the results show that the CNN had a 56.0% and 50.5% prediction accuracy, respectively. This outperformed the LSTM model that instead achieved a 42.0% and 33.5% prediction accuracy. / Musikindustrin har sett en stor ökning i antalet sätt att hitta och distribuera musik. Det kommer däremot med sina nackdelar, då mängden data ökar fort så blir det svårare att hantera den på ett bra sätt. Ljudfiler har mängder av information man kan extrahera och därmed göra den här processen enklare. Det är möjligt att använda sig av de olika typer av information som finns i filen, men bästa sättet att hantera dessa är inte alltid känt. Den här rapporten jämför två olika djupinlärningsmetoder, convolutional neural network (CNN) och long short-term memory (LSTM), tränade med mel-frequency cepstral coefficients (MFCCs) för klassificering av musikgenre i hopp om att göra ljuddata lättare att hantera inför framtida användning. Modellerna testades på två olika dataset, GTZAN och FMA, där resultaten visade att CNN:et fick en träffsäkerhet på 56.0% och 50.5% tränat på respektive dataset. Denna utpresterade LSTM modellen som istället uppnådde en träffsäkerhet på 42.0% och 33.5%.