Musical Expertise Influences the Processing of Short and Long Auditory Time Intervals: An Electroencephalography Study
Notice bibliographique
Résumé
Musical expertise has been proven to be beneficial for time perception abilities, with musicians outperforming nonmusicians in several explicit timing tasks. However, it is unclear how musical expertise impacts implicit time perception. Twenty nonmusicians and 15 expert musicians participated in an EEG recording during a passive auditory oddball paradigm with 0.8- and 1.6-sec standard time intervals and deviant intervals that were either played earlier or delayed relative to the standard interval. We first confirmed that, as was the case for nonmusicians, musicians use different neurofunctional processes to support the perception of short (below 1.2 sec) and long (above 1.2 sec) time intervals: Whereas deviance detection for long intervals elicited a N1 component, P2 was associated with deviance detection for short time intervals. Interestingly, musicians did not elicit a contingent negative variation (CNV) for longer intervals but show additional components of deviance detection such as (i) an attention-related N1 component, even for deviants occurring during short intervals; (ii) a N2 component for above and below 1.2-sec deviance detection, and (iii) a P2 component for above 1.2-sec deviance detection. We propose that the N2 component is a marker of explicit deviance detection and acts as an inhibitory/conflict monitoring of the deviance. This hypothesis was supported by a positive correlation between CNV and N2 amplitudes: The CNV reflects the temporal accumulator and can predict explicit detection of the deviance. In expert musicians, a N2 component is observable without CNV, suggesting that deviance detection is optimized and does not require the temporal accumulator. Overall, this study suggests that musical expertise is associated with optimized implicit time perception.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».