MétaCan
Menu
Retour à la cohorte
Enregistrement W2900285775 · doi:10.1093/oxfordhb/9780199372133.013.26

The Impact of Technologies on Society, Schools, and Music Learning

2017· reference-entry· en· W2900285775 sur OpenAlexaff
Valerie Peters

Notice bibliographique

Revuenon disponible
Typereference-entry
Langueen
DomaineArts and Humanities
ThématiqueDiverse Music Education Insights
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésImpromptuMelodyMusic educationMultimediaMusic industryMusic technologyVisual artsPopular musicMusical compositionBridge (graph theory)MusicalComposition (language)Computer sciencePedagogySociologyArtLiterature

Résumé

récupéré en direct d'OpenAlex

This chapter examines how music education can benefit from the use of new electronic tools and materials for music making that allow learners to combine their interests and prior understandings toward deepening their engagement in music. By exploring how rhythmic video games like Rock Band bridge the large chasm that exists between youths’ music culture and traditional music education; how inexpensive recording hardware and software such as Audacity and GarageBand have provided youth with opportunities to compose and perform as only professional musicians could in the past; and how software like Impromptu successfully engages youth in music composition and analysis by enabling users to create and remix tunes using virtual blocks that contain portions of melodies and rhythmic patterns, this chapter argues that twenty-first-century music education, with the help of new technology, has the potential for engaging greater numbers of young learners in authentic music making and performance.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,182
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,097
Tête enseignante GPT0,294
Écart entre enseignants0,197 · 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.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetDiverse Music Education InsightsTravaux en français237 207