Eye movement patterns when playing from memory: Examining consistency across repeated performances and the relationship between eyes and audio
Notice bibliographique
Résumé
While the eyes serve an obvious function in the context of music reading, their role during memorized music performance (i.e., when there is no score) is currently unknown. Given previous work showing relationships between eye movements and body movements and eye movements and memory retrieval, here I ask 1) whether eye movements become a stable aspect of the memorized music (motor) performance, and 2) whether the structure of the music is reflected in eye movement patterns. In this case study, three pianists chose two pieces to play from memory. They came into the lab on four different days, separated by at least 12hrs, and played their two pieces three times each. To answer 1), I compared dynamic time warping cost within vs. between pieces, and found significantly lower warping costs within piece, for both horizontal and vertical eye movement time series, providing a first proof-of-concept that eye movement patterns are conserved across repeated memorized music performances. To answer 2), I used the Matrix Profiles of the eye movement time series to automatically detect motifs (repeated patterns). By then analyzing participants’ recorded audio at moments of detected ocular motifs, repeated sections of music could be identified (confirmed auditorily and with inspection of the extracted pitch and amplitude envelopes of the indexed audio snippets). Overall, the current methods provide a promising approach for future studies of music performance, enabling exploration of the relationship between body movements, eye movements, and musical processing.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».