Music Games: Potential Application and Considerations for Rhythmic Training
Notice bibliographique
Résumé
Rhythmic skills are natural and widespread in the general population. The majority can track the beat of music and move along with it. These abilities are meaningful from a cognitive standpoint given their tight links with prominent motor and cognitive functions such as language and memory. When rhythmic skills are challenged by brain damage or neurodevelopmental disorders, remediation strategies based on rhythm can be considered. For example, rhythmic training can be used to improve motor performance (e.g., gait) as well as cognitive and language skills. Here, we review the games readily available in the market and assess whether they are well-suited for rhythmic training. Games that train rhythm skills may serve as useful tools for retraining motor and cognitive functions in patients with motor or neurodevelopmental disorders (e.g., Parkinson's disease, dyslexia, or ADHD). Our criteria were the peripheral used to capture and record the response, the type of response and the output measure. None of the existing games provides sufficient temporal precision in stimulus presentation and/or data acquisition. In addition, games do not train selectively rhythmic skills. Hence, the available music games, in their present form, are not satisfying for training rhythmic skills. Yet, some features such as the device used, the interface or the game scenario provide good indications for devising efficient training protocols. Guidelines are provided for devising serious music games targeting rhythmic training in the future.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».