MétaCan
Menu
Retour à la cohorte
Enregistrement W2932184559 · doi:10.3389/fpsyg.2019.00737

Instrumental Technique, Expressivity, and Communication. A Qualitative Study on Learning Music in Individual and Collective Settings

2019· article· en· W2932184559 sur OpenAlexfundno aff
Andrea Schiavio, Dylan van der Schyff, Michele Biasutti, Nikki Moran, Richard Parncutt

Notice bibliographique

RevueFrontiers in Psychology · 2019
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Music Perception
Établissements canadiensnon disponible
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaAustrian Science Fund
Mots-clésEmbodied cognitionCategorizationPsychologyRelevance (law)Point (geometry)CognitionField (mathematics)Cognitive scienceExpressivityCognitive psychologyComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

In this paper, we present a qualitative study comparing individual and collective music pedagogies from the point of view of the learner. In doing so, we discuss how the theoretical tools of embodied cognitive science (ECS) can provide adequate resources to capture the main properties of both contexts. We begin by outlining the core principles of ECS, describing how it emerged in response to the information-processing approach to mind, which dominated the cognitive sciences for the latter half of the 20th century. We then consider the orientation offered by ECS and its relevance for music education. We do this by identifying overlapping principles between three tenets of ECS, and three aspects of pedagogical practice. This results in the categories of "instrumental technique," "expressivity," and "communication," which we adopted to examine and categorize the data emerging from our study. In conclusion, we consider the results of our study in light of ECS, discussing what implications can emerge for concrete pedagogical practices in both individual and collective settings.

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)0,017
score de la tête « metaresearch » (Gemma)0,025
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,091

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,025
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,018
Communication savante0,0040,006
Science ouverte0,0010,006
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,054
Tête enseignante GPT0,376
Écart entre enseignants0,323 · 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'étudeQualitatif
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

Citations29
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PsychologyMême sujetNeuroscience and Music PerceptionTravaux en français237 207