Measuring engagement with music: development of an informant-report questionnaire
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: This study describes the development of the Music Engagement Questionnaire (MusEQ), a 35-item scale to measure engagement with music in daily life. Music has implications for well-being and for therapy, notably for individuals living with dementia. A number of excellent scales or questionnaires are now available to measure music engagement. Unlike these scales, the MusEQ may be completed by either the participant or an informant. METHOD: Study 1 drew on a community-based sample of 391 participants. Exploratory factor analysis revealed six interpretable factors, which formed the basis for construction of six subscales. Study 2 applied the MusEQ to a group of participants with Alzheimer's disease (AD; n = 16) as well as a group of neurotypical older adults (OA; n = 16). Informants completed the MusEQ, and the OA group also completed the self-report version of the MusEQ. Both groups had an interview in which they described the place music had in their lives. These interviews were scored by three independent raters. RESULTS: The MusEQ showed excellent internal consistency. Five of the factor-derived subscales showed good or excellent internal consistency. MusEQ scores were moderately correlated with a global rating of 'musicality' and with music education. There was strong agreement between self-report and informant-report data. MusEQ scores showed a significant positive relationship to independent ratings of music engagement. CONCLUSION: The MusEQ provides a meaningful and reliable option for measuring music engagement among participants who are unable to complete a self-report questionnaire.
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.
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 | 0,002 | 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) | 0,000 | 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 découle