Stratégies pour la mise en place d’un chœur intergénérationnel dans une résidence pour personnes aînées afin de contribuer à leur bien-être physique, mental et social
Bibliographic record
Abstract
Dans le contexte pandémique de la COVID-19, les personnes aînées se sont retrouvées confinées et isolées, et ce, même dans le cadre d'un milieu de vie collective. Cet article fait état d'une étude de la portée sur les bienfaits d'un chœur intergénérationnel pour personnes aînées et les stratégies à considérer pour sa mise en place. L'analyse de 16 études sur ce sujet a permis de se familiariser avec les résultats, les recommandations et les pistes de recherche en lien avec le bien-être et le sens de satisfaction que retirent les personnes aînées qui participent à un chœur, de même que des interventions en chant choral à privilégier. De plus, cette activité qui est peu couteuse et bénéfique est considérée comme une intervention de nature préventive qui contribue au bien-être des personnes aînées et à leur prise en charge pour un vieillissement en santé. Par ailleurs, les résultats suggèrent de continuer à documenter l'efficacité des stratégies proposées pour les améliorer ou les adapter afin de maximiser les effets positifs d'une telle activité sur le bien-être physique, social, émotionnel et cognitif des personnes aînées.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".