Music Beyond Sound: Weighing the Contributions of Touch, Sight, and Balance
Notice bibliographique
Résumé
Ludwig van Beethoven suffered many hardships in his life, but the least known among them may be the persistent slivers he endured while handling wood. Yes, wood! Be it through clenching a wooden stick between his teeth or cutting the legs off of a grand piano, he is said to have developed resourceful methods that enabled him to feel mechanical vibrations of music in an effort to compensate for his failing sense of hearing (Wallace, 2018). Indeed, by all accounts, Beethoven was profoundly deaf by the time he composed his masterful ninth symphony. Stories of its debut in Vienna in 1824 suggest that Beethoven had to be turned around to see the rapturous applause of the audience. The notion of feeling music continues to this day (Moore, 2019). Cities around the world host Deaf raves—giant parties where dancers feel the music through powerful subwoofers and bass shakers connected to floorboards. They also dance to the music, taking inspiration from visualizations that are projected onto large overhead screens. There is also a growing cadre of deaf musicians who are performing signed music (see bit.ly/37sQv4h). This music tends to be beat heavy, featuring lyrics delivered through sign language. Fueled in part by this cultural interest, researchers have begun to investigate the processes that enable deaf music and the ways in which auditory and nonauditory modalities combine to influence the experience of music for listeners of varying hearing ability
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».