The Effects of Personalized Music Listening on Older Adults with Dementia: A Literature Review
Notice bibliographique
Résumé
Introduction: Dementia affects millions of people globally and can impact the emotional and cognitive well-being of these individuals. Interventions such as music therapy, including the use of personalized music, are increasingly being used to help reduce the severity of symptoms and enhance patient care. Research has shown that music is strongly associated with long-term memory, and the use of familiar songs may trigger emotional arousal and past memories in individuals with dementia. However, the effectiveness of listening to personalized music on alleviating dementia symptoms is unclear. The aim of this review was to examine the effects of listening to personalized music on emotional arousal and mood in individuals with dementia. Methods: Two databases, Embase and PubMed, were searched for articles exploring personalized or preferred music listening in older adults with dementia and were screened by two co-authors. Results: A total of 9 studies were included in the review. Five of the included studies found positive impacts on mood, such as increased happiness. Two studies demonstrated decreases in agitation, and two studies demonstrated decreases in anxiety. Discussion: This review found an overall positive impact of listening to personalized music on emotion and behavioural and psychological symptoms in dementia (BPSD). The improved emotional arousal and mood shown in this review may lead to enhanced motivation during cognitive tasks, ultimately improving overall performance. Conclusion: Although listening to personalized music was found to strengthen emotional affect and mood, there are inconsistencies in the parameters used during musical interventions. Thus, it is evident that further research is required to determine the optimal guidelines for implementing personalized music listening interventions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».