Kognitiivisen toimintakyvyn yhteys musiikin kokemiseen ja käyttöön arjessa ikääntyneillä
Bibliographic record
Abstract
Tavoitteet. Tämän tutkimuksen tavoitteena oli tarkastella, mikä yhteys ikääntymiseen liittyvällä kognitiivisella toimintakyvyllä on siihen, miten musiikki koetaan ja miten se näkyy arjessa. Väestö elää yhä vanhemmaksi ja väestön ikääntyessä myös muistihäiriöitä ja kognitiivisen tason alentumaa kokevien määrän ennustetaan kasvavan tulevaisuudessa. Musiikkiaktiviteetit ovat lupaava tapa tukea tervettä ikääntymistä, mutta sen tueksi tarvitaan lisää tietoa siitä, miten kognitiivinen toimintakyky on yhteydessä musiikin kokemiseen. Menetelmät. Tähän tutkimukseen käytettiin aineistona Seniorikuorotutkimuksen (SEKU) ja Musiikin muistijäljillä (MUMU) -tutkimusten aineistoja. Lopullisiin tilastollisiin analyyseihin otettiin mukaan 88 tutkimushenkilöä, jotka olivat iältään 60–88-vuotiaita. Yleistä kognitiivista kyvykkyyttä, työmuistia, lyhytkestoista kielellistä muistia sekä toiminnanohjausta arvioitiin neuropsykologisten testien, kuten Montreal Cognitive Assessmentin (MoCA), CERAD:n sanalistatehtävän ja WMS-III-sanalistatehtävän avulla. Musiikin kokemista ja käyttöä arjessa arvioitiin validoidun MusEQ-kyselylomakkeen avulla. Tulokset ja johtopäätökset. Tulosten perusteella yleinen kognitiivinen toimintakyky MoCA:lla mitattuna tai episodinen ja kielellinen muisti sanalistatehtävillä mitattuna eivät olleet yhteydessä MusEQkyselyllä mitattuun musiikin kokemiseen ja merkitykseen arjessa. Tilastollisissa analyyseissä ainoastaan musiikkitausta mitattuna kuorolaulu- ja/tai soittokokemuksena oli regressiomallissa yhteydessä musiikin kokemiseen. Tulos on kiinnostava, sillä musiikin kokeminen tai merkitys arjessa näyttää tämän tutkimuksen perusteella olevan riippumaton kognitiivisista toiminnoista. Tulosta voi hyödyntää esimerkiksi suunniteltaessa musiikin käyttöä neurokognitiivisen ikääntymisen tukemisessa.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.104 | 0.036 |
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".