Theoretically informed training improves accent production in percussion
Notice bibliographique
Résumé
Theories of accent production lack empirical data supporting how notes are marked as accented in performance. The present study used percussion performance as a lens to investigate how movements of the performer’s mallets, hands, and wrists contribute to marking notes as accented and how such movements may be refined via training. Experienced percussionists completed a single experimental session where they practiced an excerpt scored for multiple drums. During training, an instructor provided theoretically informed coaching prompts designed to improve performance quality and effectiveness of accent production between successive performances of the excerpt. Motion capture technology measured movements of the mallets, hands, and wrists along specific phases of the accent trajectory: the preparatory upstroke, accent downstroke, post-accent upstroke, and following-note downstroke. Analyses revealed that at post-training, the position of both mallets during the accent downstroke were higher than pre-training. Mallet velocity was also greater in post-training vs. pre-training for the accent downstroke. The average hand position was higher in post-training vs. pre-training for the preparatory upstroke. These changes in movement kinematics coincided with increased effectiveness of accent production in post- vs. pre-training performances, as evaluated by trained judges. The results were interpreted with regards to unique mechanisms that give rise to accent production in relation to mallet and upper-limb movements, and how such mechanisms can be applied towards translating theory into practice for improving accent production in percussion.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».