Effect of Bow Camber and Mass Distribution on Violinists' Preferences and Performance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Little is known about how bow mechanical characteristics objectively and quantitatively influence violinists' preferences and performance. Hypothesizing that the bow shape (i.e., camber) and mass distribution modifications would alter both violinists' appreciations of a bow and objective assessments of their performance, we recruited 10 professional violinists to play their own violin using 18 versions of a single bow, modified by combining three cambers and six mass distributions, in random order. A musical phrase, composed for this study, was played legato and spiccato at three octaves and two tempi. Each violinist scored all 18 bows. Then, experts assessed the recorded performances according to criteria inspired by basic musical analysis. Finally, 12 audio-descriptors were calculated on the same note from each trial, to objectivise potential acoustic differences. Statistical analysis (ANOVA) reveals that bow camber impacted the violinists' appreciations ( p < 0.05), and that heavier bow tips gave lower scores for spiccato playing ( p < 0.05). The expert evaluations reveal that playing with a lighter bow (tip or frog), or with a bow whose camber's maximum curvature is close to the frog, had a positive impact on some violinists' performance (NS to p < 0.001). The “camber-participant” interaction had significant effects on the violinists' appreciations ( p < 0.01 to p < 0.001), on the expert's evaluation and on almost all the audio-descriptors (NS to p < 0.001). While trends were identified, multiple camber-participant interactions suggest that bow makers should provide a variety of cambers to satisfy different violinists.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle