MétaCan
Menu
Retour à la cohorte
Enregistrement W144958791 · doi:10.26443/mjm.v11i2.490

Loud Music Listening

2020· article· en· W144958791 sur OpenAlexaffvenue
Nicolae Petrescu

Notice bibliographique

RevueMcGill Journal of Medicine · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueNoise Effects and Management
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésHearing lossEntertainmentActive listeningMedicineLimitingAudiologyHearing protectionPsychologyVisual artsCommunication

Résumé

récupéré en direct d'OpenAlex

Over the past four decades, there has been increasing interest in the effects of music listening on hearing. The purpose of this paper is to review published studies that detail the noise levels, the potential effects (e.g. noise-induced hearing loss), and the perceptions of those affected by music exposure in occupational and non-occupational settings. The review employed Medline, PubMed, PsychINFO, and the World Wide Web to find relevant studies in the scientific literature. Considered in this review are 43 studies concerning the currently most significant occupational sources of high-intensity music: rock and pop music playing and employment at music venues, as well as the most significant sources of non-occupational high-intensity music: concerts, dicotheques (clubs), and personal music players. Although all of the activities listed above have the potential for hearing damage, the most serious threat to hearing comes from prolonged exposures to amplified live music (concerts). The review concludes that more research is needed to clarify the hearing loss risks of music exposure from personal music players and that current scientific literature clearly recognizes an unmet hearing health need for more education regarding the risks of loud music exposure and the benefits of wearing hearing protection, for more hearing protection use by those at risk, and for more regulations limiting music intensity levels at music entertainment venues.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,734
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,136
Tête enseignante GPT0,413
Écart entre enseignants0,276 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMcGill Journal of MedicineMême sujetNoise Effects and ManagementTravaux en français237 207