MétaCan
Menu
Retour à la cohorte
Enregistrement W4311417482 · doi:10.1097/mao.0000000000003752

COMMENT ON “NOVEL WEB-BASED MUSIC RE-ENGINEERING SOFTWARE FOR ENHANCEMENT OF MUSIC ENJOYMENT AMONG COCHLEAR IMPLANTEES” BY HWA ET AL. (OTOL NEUROTOL 2021;42(9))

2022· letter· en· W4311417482 sur OpenAlexaff
Rainer Martin, Wim Buyens, Anil Nagathil, Waldo Nogueira, Bas van Dijk, Jan Wouters

Notice bibliographique

RevueOtology & Neurotology · 2022
Typeletter
Langueen
DomaineNeuroscience
ThématiqueHearing Loss and Rehabilitation
Établissements canadiensCenter for Diagnosis and Research on Alzheimer's Disease
Organismes subventionnairesnon disponible
Mots-clésPreprocessorContext (archaeology)Bass (fish)Computer scienceSoftwareArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

To the Editor With great interest, we have read the recent article “Novel web-based music re-engineering software for enhancement of music enjoyment among cochlear implantees” by Hwa et al. (Otol Neurotol 2021;42(9), 1347–1354), which reports on a music preprocessing method for cochlear implants (CIs) and presents an evaluation with CI users. Although we acknowledge the novel contributions of this study, we disagree with claims made by the authors regarding the novelty of “music re-engineering for CIs” per se and the first use of harmonic/percussive source separation (HPSS) methods in this field, and like to point toward a number of relevant publications from our groups, which have not been considered in the mentioned article. In fact, music preprocessing for CIs has been investigated for almost a decade now. In their pioneering work, Buyens et al. (1) studied the effect of music remixing on music preferences in CI users and found that remixes with amplified vocals, bass, and drums were favored over the original mix. This finding led to the development of several music preprocessing algorithms. HPSS (e.g., Ono et al. (2), Driedger et al. (3)), and remixing was first proposed in the context of music processing for CIs by Buyens et al. (4–6). As an alternative to the HPSS approach, deep-learning–based algorithms for blind source separation and remixing were also derived and evaluated (Pons et al. (7), Gajȩcki and Nogueira (8), Tahmasebi et al. (9)). A different strategy based on dimensionality reduction and sparse subspace tracking methods in the time-frequency domain, which is particularly suited for classical music, was proposed by Nagathil et al. (10,11) and Gauer et al. (12–14). Lentz et al. (15) combined the dimensionality reduction approach with HPSS, facilitating its application to a wider range of music genres. An overview on many of these approaches was presented by Nogueira et al. (16). It seems that both authors and reviewers of the article mentioned previously have completely overlooked all of these publications. We hope that, with this letter, we may contribute to bridging apparently disparate scientific communities. Rainer Martin, Ph.D. Institute of Communication Acoustics Ruhr-Universität Bochum Germany [email protected]Wim Buyens, Ph.D. SoundTalks, Leuven, BelgiumAnil Nagathil, Ph.D. Institute of Communication Acoustics Ruhr-Universität Bochum GermanyWaldo Nogueira, Ph.D. Hanover Medical School and Cluster of Excellence “Hearing4all,” Hanover GermanyBas van Dijk, Ph.D. Cochlear Technology Centre Cochlear Ltd., Mechelen, BelgiumJan Wouters, Ph.D. Department Neurosciences KU Leuven, Belgium

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)0,005
score de la tête « metaresearch » (Gemma)0,033
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,033
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,003
Communication savante0,0030,004
Science ouverte0,0040,002
Intégrité de la recherche0,0320,034
Charge utile insuffisante (le modèle a refusé de juger)0,0090,009

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 Opus0,034
Tête enseignante GPT0,276
Écart entre enseignants0,242 · 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'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOtology & NeurotologyMême sujetHearing Loss and RehabilitationTravaux en français237 207