Dance as mindful movement: a perspective from motor learning and predictive coding
Notice bibliographique
Résumé
Defining "dance" is challenging, because many distinct classes of human movement may be considered dance in a broad sense. Although the most obvious category is rhythmic dancing to a musical beat, other categories of expressive movement such as dance improvisation, pantomime, tai chi, or Japanese butoh suggest that a more inclusive conception of human dance is needed. Here we propose that a specific type of conscious awareness plays an overarching role in most forms of expressive movement and can be used to define dance (in the broad sense). We can briefly summarize this broader notion of dance as "mindful movement." However, to make this conception explicit and testable, we need an empirically verifiable characterization of "mindful movement." We propose such a characterization in terms of predictive coding and procedural learning theory: mindful movement involves a "suspension" of automatization. When first learning a new motor skill, we are highly conscious of our movements, and this is reflected in neural activation patterns. As skill increases, automatization and overlearning occurs, involving a progressive suppression of conscious awareness. Overlearned, habitual movement patterns become mostly unconscious, entering consciousness only when mistakes or surprising outcomes occur. In mindful movement, this automatization process is essentially inverted or suspended, reactivating previously unconscious details of movement in the conscious workspace, and crucially enabling a renewed aesthetic attention to such details. This wider perspective on dance has important implications for potential animal analogs of human dance and leads to multiple lines of experimental exploration.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».