Notice bibliographique
Résumé
Purpose How does one classify instructional videos uploaded by musicians of different caliber and mastery on video‐sharing sites? What kinds of communities are forming around these content sources? How does one address the different perception and understanding of what music means to a diverse audience? How does one identify and address the needs of new kinds of users, who learn how to play music by using primarily online resources? While this paper does not seek to directly address all these questions, it aims to raise them with the aim of contextualizing the discussion as a necessary foundation to effectively address the more practical questions above. Design/methodology/approach This paper presents a knowledge organization model of music knowledge based on the concept of musicianship as used in music education. A balanced and holistic approach is sought, especially in light of the interdisciplinary nature of the challenge being addressed. Drawing on Hjørland's work on domain analysis, and Hennion's concept of the user of music, this paper discusses music as a domain, music as information, and music as knowledge. Findings In particular, the concept of listening and genre are considered important ways through which one mediates one's understanding of music as knowledge. There are four “layers” in the model: Vocabulary of Music; Structures and Patterns of Music; Appreciation of Music; and Cultural‐Historical Contexts. Originality/value The model addresses knowledge organization challenges specific to the domain of music.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,014 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».