Ear training per cantare intonati: tecnologia come supporto pedagogico al canto
Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.765 | 0.049 |
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; both teacher heads agree on what is shown here.
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".