MétaCan
Menu
Retour à la cohorte
Enregistrement W7062822837

Windows to wellbeing: Insights from music performance science

2021· article· en· W7062822837 sur OpenAlexaboutno aff

Notice bibliographique

RevueMinerva Access (University of Melbourne) · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueParticle accelerators and beam dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBiopsychosocial modelPsychological interventionSituatedAnxietyMental health
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The emotional life of performers is complex. To perform with freedom, spontaneity, and creativity, they must be prepared to take risks and ‘feel the fear’, but they must also find ways to manage their fear so they can be physically and mentally capable of expressing themselves freely and creatively. A nuanced approach is needed to help performers navigate this territory. Applying interventions to enhance performance requires us to be cognisant to the performer’s stage of development and performance ambitions. These are situated within a myriad of biopsychosocial factors and educational and occupational demands that collectively influence musicians’ health across their lifespan. In this talk I draw from clinical, research and teaching practice to discuss windows to psychological wellbeing - tried and tested approaches to performance anxiety management. My explanation explores basic psychological needs, self-regulated learning principles, performance routines for emotional regulation, and psychological flexibility. Strategies will be suggested for musicians to implement in their performance practice. Reference: Osborne, M.S. (2021, 27-30 October). Windows to wellbeing: Insights from music performance science. Keynote presented at the International Symposium of Performance Science on “Performance Health and Wellbeing”, Montréal, Canada.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Autre
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Sans objetlow
gptaucune catégorie
Domaine: non disponible · Genre: Autre
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Autre devislow
modèles en désaccordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0060,013
Communication savante0,0080,007
Science ouverte0,0010,007
Intégrité de la recherche0,0030,007
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,206
Écart entre enseignants0,186 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.

Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.

Devis d'étudeSans objet · Autre devis
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMinerva Access (University of Melbourne)Même sujetParticle accelerators and beam dynamicsTravaux en français237 207