MétaCan
Menu
Retour à la cohorte
Enregistrement W4385460128 · doi:10.1017/s1355771823000237

Towards Deconstructivist Music: Reconstruction paradoxes, neural networks, concatenative synthesis and automated orchestration in the creative process

2023· article· en· W4385460128 sur OpenAlexaff
Philon Nguyen, Eldad Tsabary

Notice bibliographique

RevueOrganised Sound · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueMusic Technology and Sound Studies
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésOrchestrationDeconstruction (building)Computer scienceContext (archaeology)TonalityArchitectureElectroacoustic musicProcess (computing)Composition (language)IdeologyCognitive scienceArtificial intelligenceAestheticsMusicalVisual artsArtPsychologyLiteratureHistoryEngineeringProgramming language

Résumé

récupéré en direct d'OpenAlex

Since the 1980s, deconstruction has become a popular approach for designing architecture. In music, however, the term has not been absorbed as well by the related literature, with a few exceptions. In this article, ways to find ideological groundings for deconstructivism in music are introduced through the concepts of enchaînement and reconstruction paradoxes. Similar to the Banach–Tarski paradox in mathematics, reconstruction paradoxes occur when reconstructing the parts of a whole no longer yields the same properties as the whole. In music, a reconstruction paradox occurs when a piece constructed from tonal segments no longer yields a perceived tonality. Deconstruction in architecture heavily relies on computer-aided design (CAD) to realise complex ideas. Similarly in music, computer-aided composition (CAC) techniques such as neural networks, concatenative synthesis and automated orchestration are used. In this article, we discuss such tools in the context of this advocated new aesthetics: deconstructivist music .

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0020,022
Communication savante0,0060,010
Science ouverte0,0010,004
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,263
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOrganised SoundMême sujetMusic Technology and Sound StudiesTravaux en français237 207