MétaCan
Menu
Retour à la cohorte
Enregistrement W1998700520 · doi:10.1121/1.4805761

Loudspeakers and headphones: The effects of playback systems on listening test subjects

2013· article· en· W1998700520 sur OpenAlexaff
Richard King, Brett Leonard, Grzegorz Sikora

Notice bibliographique

RevueThe Journal of the Acoustical Society of America · 2013
Typearticle
Langueen
DomaineComputer Science
ThématiqueMusic Technology and Sound Studies
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésLoudspeakerHeadphonesActive listeningComputer scienceTask (project management)Set (abstract data type)Test (biology)AcousticsSpeech recognitionHuman–computer interactionPsychologyCommunicationEngineering

Résumé

récupéré en direct d'OpenAlex

Many modern listening test designers disagree on the best playback system to be used when conducting tests. The preference often tends toward headphone-based monitoring in order to minimize the possibility of undesirable acoustical interactions with less than ideal testing environments. On the other hand, most recording and mixing engineers prefer to monitor on loudspeakers, citing a greater ability to make critical decisions on level balances and effects. While anecdotal evidence suggests that differences exist between systems, there is little quantified, perceptually based data to guide both listening test designers and engineers in what differences to expect when alternating between monitoring systems. Controlled tests are conducted with highly trained subjects manipulating the level of solo musical elements against a backing track, using both headphones and loudspeakers. This task serves to make the results equally applicable to critical mixing tasks and rigorous listening tests. The results from both playback systems are compared, showing a defined difference in the mean levels set on the two different monitoring systems. Likewise, the variance seen across subjects is larger when monitoring on headphones than on loudspeakers, lending credence to the hypothesis that tests conducted on one playback system may not be equally applicable to the other.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,741
Score d'incertitude au seuil0,438

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 technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,007
Tête enseignante GPT0,212
Écart entre enseignants0,205 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations3
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of the Acoustical Society of AmericaMême sujetMusic Technology and Sound StudiesTravaux en français237 207