Translating Piano Pedagogy Into Biomechanical Language: A Qualitative Framework for Interdisciplinary Knowledge Exchange
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pianists experience high rates of Playing-Related Musculoskeletal Disorders (PRMDs). Biomechanical factors have been investigated by both researchers and music teachers as potentially significant in PRMD development. Knowledge exchange between the fields of music and science about PRMDs may be beneficial, but differences in language use can make interdisciplinary communication challenging. One potential solution is to translate pedagogical ideas into language that is consistent with biomechanical science. Doing so could improve interdisciplinary communication and allow for scientific examination of pedagogical ideas. However, no methods for doing so have been published. To fill this gap, we developed a methodological framework with two stages for translating ideas about piano technique into scientific language: Stage 1 uses Qualitative Content Analysis to summarize pedagogical content; then, Stage 2 includes an “Analysis of Biomechanical Language,” in which researchers translate the ideas described in Stage 1. Both stages are collaborative and rely on expert consultation to produce an appropriate translation. This article outlines the framework and explains how it was used in an initial study on the Taubman Approach. Further methodological guidance to assist researchers in future studies is given based on some of the challenges encountered in the initial study. The framework and guidance here will allow researchers to carry out more studies of this kind. Because the framework is newly developed, it will likely need to be adapted further as more studies are done.
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.
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 | 0,014 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle