Music Genres as Historical Artifacts: The Case of Classical Music
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article reflects on the use of predetermined genre lists to measure patterns in music taste and, more specifically, classical music taste.Classical music as a whole is in quantitative research typically treated as marker of cultural prestige, although qualitative research suggests great internal diversity within the genre.The use of a predetermined array of genres to measure music taste risks to miss these subdivisions within the classical music genre and thus produces biased results.Therefore, inspired by Lamont's (2010) call to study classification systems 'from the ground up', we present an alternative strategy to measure classical music taste using an open question about artist preferences.We build a two-mode network of classical music artists and respondents and use Infinite Relational Models to identify clusters of respondents that have similar relationships to the same set of artists.We detect no less than five distinct listening patterns within the classical music genre.Two of these preference clusters focus only on very central, popular classical artists.Another cluster combines these popular artists with more contemporary artists.One cluster focuses on only one very accessible artist and, finally, there is a cluster of respondents that distinct themselves by having a real connoisseur taste.Furthermore, we find that expert taste in classical music is not related to social distinction.Instead, knowledge of the most central and popular artists (e.g.Bach, Beethoven, Mozart) is typical for respondents with a high socio-economic background.Social distinction seems more related to knowledge of popular artists in classical music than to distinctive, connoisseur taste.Our findings show the potential of social network analysis for the problem of music taste classification and cultural sociology in general.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle