Treng vi eigentleg spelemannslag? Ein casestudie av seks spelemannslag i Telemark i lys av rekruttering, opplæring, sosial arena og institusjonalisering
Bibliographic record
Abstract
Dette er ein casestudie av seks spelemannslag i Telemark fylke som blir sett i lys av rekruttering, opplæring og sosial arena samt forholdet mellom dei seks spelemannslaga og kulturskuler knytt til desse. \n\nSom mange andre frivillige organisasjonar i dagens Noreg, slit spelemannslaga med høg gjennomsnittsalder og dårleg rekruttering til dei kommande generasjonane. \n\nDifor har eg med denne oppgåva undersøkt kva behov det er for spelemannslag i dagens folkemusikk-Noreg ettersom kulturskulane har take over som opplæringsarena for hardingfele. Hovudsakelig har eg nytta kvalitativ forskingsmetode, men det er òg noko innslag av kvantitativ forskingsmetode samt dokumentanalyse av kappleiksresultat og dei seks spelemannslagas føremålsparagrafar. \n\nI oppgåva blir det trekt fram døme på spelemannslag som i nyare tid har lukkast med rekruttering og spelemannslag som slit med rekruttering, særleg av yngre utøvarar. Med dette har det vore høve for spørjeundersøking med elevar i kulturskulen som får opplæring på hardingfele, for å kartleggje forholdet dei har til sitt lokale spelemannslag. \n\nEg har òg funne det naturleg å sjå på organiseringsutvikling av folkemusikk frå den frilynte ungdomsrørsla til dagens FolkOrg samt vegen folkemusikken (i Telemark) har gått for å bli institusjonalisert.
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 | 0.005 | 0.020 |
| 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 | 0.005 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.031 | 0.006 |
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".