Listening with ‘Big Ears’: Accountability in cross-cultural music education research with Indigenous partners
Notice bibliographique
Résumé
In this theoretical article, I examine various conceptions of focused listening-including those held by specific First Nations communities-to determine how each conception might offer insights for listening while conducting cross-cultural music education research. First, I discuss the notion of "Big Ears," as it is understood by the jazz community. Then, I turn to scholars from various First Nations in British Columbia to learn about their conceptions of listening. I outline decolonial listening strategies as proposed by Indigenous Arts scholar Dylan Robinson, before learning about the role of listening from a settler-Canadian who formally Witnessed the testimonies of Indigenous residential school survivors over a period of years while working for the Truth and Reconciliation Commission of Canada. I examine the writings of music education researchers who have proposed listening as an important strategy in cross-cultural/intercultural pedagogy and research, albeit in different circumstances and for different reasons. Finally, I describe/reflect on my process of learning to listen cross-culturally as a settler-Canadian music education researcher engaged in community-based participatory research (CBPR) over the course of three studies, and list some of the ongoing questions I have. I conclude by proposing a revised understanding of Listening with "Big Ears" as one possible way for non-Indigenous researchers using a CBPR approach to enhance their application of Indigenist research methodology, especially in demonstrating their accountability to Indigenous co-researchers, participants, and communities, as they engage collaboratively in music education research.
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 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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».