In Human Memories. Tecnica, creatività e autodeterminazione: una proposta etica
Notice bibliographique
Résumé
La ricerca indaga il ruolo dell'intelligenza artificiale (AI) nelle moderne pratiche compositive, con particolare attenzione a due casi di studio: Convergence (2020/21) di Alexander Schubert, per Ensemble d'archi e sistema AI, e In Human Memories (2024) di Francesco Vitucci, per quattro violoncelli ed elettronica, la cui installazione è stata realizzata dalla Scuola di Musica Elettronica del Conservatorio “N. Piccinni” di Bari. L'indagine storica iniziale traccia l'evoluzione dell'uso della tecnologia nella composizione, rivelando come la ricerca di nuove possibilità espressive abbia guidato lo sviluppo di strumenti tecnologici attraverso la sperimentazione. La comparsa dell'IA segna un cambiamento fondamentale: non più solo uno strumento, l'IA pone ora domande e sfide al compositore. Impegnarsi con l'IA diventa un'esplorazione di un'entità sconosciuta, le cui capacità sono ancora in gran parte da scoprire. Questa nuova interazione porta i compositori a confrontarsi con l'IA non solo come risorsa passiva ma come partecipante al processo creativo, delineando un percorso etico per recuperare la tecnologia come strumento creativo. In Human Memories riflette questa dinamica, dimostrando come l'IA possa servire sia come ispirazione che come forza trainante nel plasmare la musica contemporanea.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,022 |
| Communication savante | 0,010 | 0,013 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».