Perspectives and Interpretations: Weighted Power Law Analyses of Three Short Works for Piano
Notice bibliographique
Résumé
Power law relationships, which describe scaling relationships of data, are powerful information theoretic descriptive tools in many empirical contexts, including that of music. Zipf’s law (pink noise) describes the optimum case of a power law relation where observations are exactly inversely proportional to their rank. Descriptions that approximate a pink noise signature can be said to maximize the amount of information in a signal, and is thus suggestive of a richness of an understanding. This information density of pink noise signatures is not, however, necessarily a desirable quality for explanations in general, which, by definition, “flattens out” some data while highlighting others, ideally those most relevant to an interpretation. The privileging of data most relevant to comprehension corresponds to a red noise relationship, as opposed to the pink noise of Zipf’s law or the white noise of a description that highlights nothing in particular. Here, I explore and evaluate this concept of red noise explanations in the form of analyses of three comparable short piano works: Robert Schumann’s “Von fremden Ländern und Menschen” (no.1 from Kinderszenen op. 15, 1838), Frédéric Chopin’s Prelude op. 28 no. 20 (1838-9), and Felix Mendelssohn’s “Venetianisches Gondellied” (no. 6 from Lieder ohne Worte op. 19b, 1829-30).
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,018 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».