Training for Sustained Performance: Moving Toward Long-Term Musician Development
Notice bibliographique
Résumé
Success in the performing arts, like sports, is dependent upon the acquisition and consistent use of a diverse range of skills. In sports, an understanding of safe and effective use of the body is required to facilitate long-term involvement in that activity. In order to assist athletes to attain their performance goals, and ensure healthy and sustained involvement, long-term athlete development (LTAD) models have been devised and adapted by professional sporting bodies throughout the world. LTAD models emphasize the intellectual, emotional, and social development of the athlete, encourage long-term participation in physical activities, and enable participants to improve their overall health and well-being and increase their life-long participation in physical activity. At present there is no such long-term development model for musicians. Yet musicians must cope with a multitude of career-related physical and mental demands, and performance-related injuries and career burnout are rife within the profession. Despite this, musicians' training rarely addresses such issues and musicians are left largely to learn about them through either chance or accrued experience. This paper discusses key concepts and recommendations in LTAD models, together with music-specific research highlighting the need for the development of a comprehensive long-term approach to musicians' training. The results of a survey of existing music training programs are compared to recommendations and the different development stages in LTAD models. Finally, implementation science is introduced as a methodological option for identifying how best to communicate the body of evidence-based knowledge concerning healthy and effective music-making to young student musicians.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».