MétaCan
Menu
Retour à la cohorte
Enregistrement W4229080573 · doi:10.33137/ijidi.v6i1.37127

Hip Hop as Computational Neuroscience

2022· article· en· W4229080573 sur OpenAlexfundno aff
Ron Eglash

Notice bibliographique

RevueThe International Journal of Information Diversity & Inclusion (IJIDI) · 2022
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Music Perception
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of TorontoNational Science Foundation
Mots-clésLyricsCognitionCognitive scienceArgument (complex analysis)NeuroscienceComputer sciencePsychologyArtMedicine

Résumé

récupéré en direct d'OpenAlex

Long before the internet provided us with a networked digital system, music exchanges had created a global networked analog system, built of recordings, radio broadcasts, and live performance. The features that allowed some audio formations to go viral, while others failed, fall at the intersection of three domains: access, culture, and cognition. We know how the explosive growth of the hip hop recording industry addressed the access problem, and how hip hop lyrics addressed cultural needs. But why does hip hop make your ass shake? This essay proposes that hip hop artists were creating an innovation in brain-to-brain connectivity. That is to say, there are deep parts of the limbic system that had not previously been connected to linguistic centers in the combination of neural and social pathways that hip hop facilitated. This research is not an argument for using computational neuroscience to analyze hip hop. Rather, it is asking what hip hop artists accomplished as the street version of computational neuroscientists; and, how they strategically deployed Black music traditions to rewire the world’s global rhythmic nervous system for new cognitive, cultural, and political alignments and sensibilities.

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)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,008
Communication savante0,0050,007
Science ouverte0,0020,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,032
Tête enseignante GPT0,277
Écart entre enseignants0,244 · 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'étudeThéorique ou conceptuel
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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe International Journal of Information Diversity & Inclusion (IJIDI)Même sujetNeuroscience and Music PerceptionTravaux en français237 207