Computational modeling of rhythmic expectations: Perspectives, pitfalls, and prospects
Notice bibliographique
Résumé
Rhythmic structure enables precise temporal expectations that are essential to human communication, including speech and music. Computational models have been developed to account for how humans perceive, produce, and learn rhythmic sequences. However, it is unclear how different types of models relate to each other and how they can be evaluated. In this review and perspective, we discuss how three major classes of models-entrainment, probabilistic, and timekeeper models-have been used to study rhythmic expectations. We critically assess each model class in terms of its level of explanation, the rhythmic behaviors it captures, its ability to account for learning and enculturation, and its ability to integrate other features, such as pitch. We show that entrainment, probabilistic, and timekeeper models differ substantially in the aspects of rhythmic expectations they can capture. To move the field forward, we propose that model comparison and integration are crucial. We identify key challenges to this effort, such as the varying nature of the input and output signals and divergent modeling goals. To address these challenges, we arrive at several practical recommendations: to equate input and output signals when comparing models, to consider several model outcomes beyond goodness-of-fit measures in model evaluation, to use model-integration efforts to inform theory building, and to make code and data openly accessible. Ultimately, understanding how models of rhythmic expectations relate, and how features in these models account for behavioral, neural, and cognitive aspects of rhythmic expectations, will deepen our understanding of a core aspect of human behavior.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».