MétaCan
Menu
Retour à la cohorte
Enregistrement W3088083445 · doi:10.1386/jmte_00010_1

Inner Ear: A tool for individualizing sound-focused aural skill acquisition

2019· article· en· W3088083445 sur OpenAlexaff
Eldad Tsabary, D.C. Savage, David Ogborn, Christine Beckett, Andrea Szigetvári, Jamie Beverley, Jasmine Leblond-Chartrand, Spencer Park

Notice bibliographique

RevueJournal of Music Technology and Education · 2019
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Music Perception
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésProcess (computing)Computer scienceInner earSound (geography)Work (physics)Dreyfus model of skill acquisitionMultimediaPsychologyMedical educationHuman–computer interactionEngineeringMedicineAcoustics

Résumé

récupéré en direct d'OpenAlex

Inner Ear is a browser-based aural training software designed to improve and better understand the process and means through which students acquire sound-focused aural skills. Its ongoing development follows educational principles established through years of research with undergraduate music students who major in electroacoustic studies, beginning in 2005. It provides users with ongoing detailed feedback about their performance, areas that need additional work, and an accessible notepad for students to record their insights during practice. It collects data on users’ performance and settings that can later be analysed and shared with their instructor. The design of Inner Ear follows insights that emerged in students’ feedback, provided mostly in home practice reports. Primary among these insights are the needs for individualizable practice environments, diversified exercises, speedy and informative feedback and progress evaluation methods.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,624
Score d'incertitude au seuil0,293

Scores Codex et Gemma par catégorie

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

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 Opus0,027
Tête enseignante GPT0,294
Écart entre enseignants0,267 · 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.

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

Citations4
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Music Technology and EducationMême sujetNeuroscience and Music PerceptionTravaux en français237 207