MétaCan
Menu
Retour à la cohorte
Enregistrement W4318822602 · doi:10.1177/03057356221146811

Validation of the Measure of Emotions by Music (MEM)

2023· article· en· W4318822602 sur OpenAlexafffund
Éric Hanigan, Arielle Bonneville‐Roussy, Gilles Dupuis, Christophe Fortin

Notice bibliographique

RevuePsychology of Music · 2023
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Music Perception
Établissements canadiensUniversity of OttawaUniversité du Québec à Montréal
Organismes subventionnairesUniversité du Québec à Montréal
Mots-clésPsychologyMeasure (data warehouse)Confirmatory factor analysisReliability (semiconductor)FidelityInternal consistencyConvergence (economics)Cognitive psychologyPreferenceConsistency (knowledge bases)Construct validityConstruct (python library)Social psychologyPsychometricsDevelopmental psychologyStructural equation modelingArtificial intelligenceStatisticsComputer scienceMathematicsData mining

Résumé

récupéré en direct d'OpenAlex

If music connects to our most resonant emotional strings, why have not we used it to assess emotions? Our goal was to develop and validate the Measure of Emotions by Music (MEM). A total of 280 participants were randomly assigned to MEM Condition 1 (excerpts) or MEM Condition 2 (excerpts and adjectives). All participants responded to the PANAS-X. The internal consistency (α) of the MEM subscales (Happy, Sad, Scary, Peaceful) was in acceptable-to-strong range and similar to the PANAS-X. Construct validity of the MEM illustrated cohesive convergence to the PANAS-X. Confirmatory factor analysis confirmed the validity of a four-factor solution, as intended in the MEM. Split-half reliability shows good fidelity. A total of 69% of the respondents mentioned a preference for the MEM. The MEM demonstrates very good psychometric characteristics, seems to be an appreciated way to measure emotional states and may represent an interesting alternative for clinical groups having difficulties to identify their emotion with words.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,124
Score d'incertitude au seuil0,259

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,118
Tête enseignante GPT0,338
Écart entre enseignants0,220 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations3
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePsychology of MusicMême sujetNeuroscience and Music PerceptionTravaux en français237 207