Ear training per cantare intonati: tecnologia come supporto pedagogico al canto
Notice bibliographique
Résumé
Il presente lavoro di ricerca e sperimentazione nasce dal desiderio di cercare nuovi strumenti didattici volti a migliorare l’intonazione degli allievi nel canto. Lo scopo della ricerca è quello di comprendere se una miglior percezione degli intervalli, ottenuta tramite la pratica dell’ear training in classe e a casa, possa sviluppare negli allievi una maggior abilità nell’intonazione e apportare significativi miglioramenti nella pratica del canto. La sperimentazione è stata svolta con una classe di prima media, alla quale è stata sottoposta una suite di esercizi di ear training da svolgere sulla piattaforma Moodle. Con una seconda classe di prima media, che rappresenta il gruppo di controllo, è stato condotto lo stesso programma di canto in classe, ma non sono stati svolti esercizi di ear training. Le due classi sono state sottoposte ad un test iniziale e uno finale, alla conclusione del percorso; successivamente sono stati confrontati i risultati ottenuti nelle due classi. Dai risultati si evince che vi è la possibilità di sviluppare in maniera positiva possibili future applicazioni della tecnica dell’ear training nelle scuole, anche se andrebbe condotta una sperimentazione più estesa, sia in termini di tempo che di dimensioni di campione di studenti analizzato. Relatore: Lucio Negrini.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,009 |
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 ».