Using Music Technology Creatively to Enrich Later-Life: A Literature Review
Notice bibliographique
Résumé
Background: A growing body of evidence has demonstrated significant social and emotional benefits of music-making amongst senior citizens. However, several as-yet unresolved age-related barriers to ‘musicking’ have been identified. Positioned within the emergent field of gerontechnology, concerned with the interface between aging and technology research, this review of literature thus explores the potential for music technologies to function as a vehicle for creative musical opportunities in later-life. Methods: ERIC, PsychInfo and Web of Science databases were searched, focusing on the intersection between music, technology and ageing. The criteria for inclusion were that the paper should: 1) be in English; 2) report empirical research involving the use of music technologies intended to support receptive (listening, interpreting, reflecting) or active (playing, creating, performing) engagement with music amongst older persons, defined as being aged 60 years or above (United Nations, 2017); 3) be published as a peer reviewed journal article. Results: Of 144 papers screened, eighteen papers were retained. Ten studies focused on using technology to support musicking in the form of listening, reflecting and interpreting. Just five studies explored the utility of technology in promoting singing or playing instruments, while a further three were focused on music and movement. Conclusions: Overall, the literature reviewed suggests that older people, even those with complex needs, are capable of, and interested in using music technologies to access and create personally meaningful music. The limited research that does exist points to multiple and significant benefits that may be derived from receptive or active musicking supported by a range of music technologies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».