Framework for Building Knowledge Map of Ethnic Music Based on Big Data
Notice bibliographique
Résumé
National music is a cultural treasure with unique charm and charm in the traditional Chinese culture, which has high research value and broad social influence. This paper aimed to explore the construction of ethnic music knowledge map based on big data analysis. This paper proposed the knowledge map of ethnic music and big data clustering analysis, and studied the experimental results of constructing the knowledge map of ethnic music based on this research. The experimental results of this paper showed that the knowledge map provided a scientific framework and method for the exploration of ethnic music knowledge. It made a reasonable explanation and evaluation for researchers in the field of ethnic music and pointed out the direction for the development of ethnic music. This paper identified 24 high-frequency keywords, which are the basis of co-word analysis. Among them, "national music" appeared 1940 times, and "ethnomusicology" appeared 465 times. "Folk music" appeared 415 times, and "music tradition" appeared 276 times. "Chinese music" appeared 270 times. Multivariate statistical methods are often used in co word analysis. These are the central links in co word analysis. Clustering analysis was used to classify keywords in ethnic music, thus revealing the current hot topics in ethnic music. In a word, the construction framework of ethnic music knowledge map based on big data analysis is conducive to the development of ethnic music.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,017 | 0,013 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».