MétaCan
Menu
Retour à la cohorte
Enregistrement W2587660832 · doi:10.1080/08874417.2000.11647454

The Effect of Music Listening on a Computer Programming Task

2000· article· en· W2587660832 sur OpenAlexaffabout
Teresa Lesiuk

Notice bibliographique

RevueJournal of Computer Information Systems · 2000
Typearticle
Langueen
DomainePsychology
ThématiqueFacilities and Workplace Management
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésActive listeningTask (project management)Coding (social sciences)Computer scienceProductivityPsychologyHuman–computer interactionApplied psychologyCognitive psychologyMultimediaKnowledge managementManagementCommunicationSociology

Résumé

récupéré en direct d'OpenAlex

Information systems professionals are experiencing workplace stress and loss of productivity during the design and coding phases of systems development. This study focused on the effect of music listening on anxiety and task achievement in a computer programming exercise. Subjects were 72 undergraduate students enrolled in an “Introduction to Programming” course at the University of Windsor in Southern Ontario, Canada. To assess the benefit of music listening on anxiety and task achievement, subjects were assigned to one of three conditions: control, primer or periodic. The primer group received music listening prior to the programming task while the periodic group listened to music prior to and throughout the programming task. One-way ANOVA results indicated a statistically significant difference in anxiety level between control and music groups with the greatest difference following the initial music listening. Repeated measures analysis revealed the least amount of anxiety level across time for the periodic group. There was no significant difference in syntax and logic task achievement between groups. However, the periodic group scored the highest means in both programming tasks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,006
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 savante0,0010,000
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 Opus0,009
Tête enseignante GPT0,243
Écart entre enseignants0,234 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations11
Publié2000
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Computer Information SystemsMême sujetFacilities and Workplace ManagementTravaux en français237 207