Cross-cultural music corpus: The Expanded Natural History of Song Discography
Notice bibliographique
Résumé
This repository hosts the Expanded Natural History of Song Discography. It contains 1007 audio recordings of vocal music gathered from many human societies, each annotated with a world region, language, and behavioural context. Each song file contains a 10-second excerpt of the source audio, selected at random from only portions of the recording that contain an audible singer. Given the short form of each excerpt, and the intended use of these files only for research purposes, they have been made available under Fair Use. NHS2-songs.zip contains the audio files, volume-matched and with 1s fade in/out added, in MP3 format. These can be analysed as-is or used in experiments. NHS2-metadata.csv contains annotations, where each row corresponds to a song. The four columns include song, which includes a unique identifier for each song in the format `NHS2-XXXX.mp3`; region, which indicates an approximate geographical location where the song was recorded, using Human Relations Area Files categories (see https://ehrafworldcultures.yale.edu); glottocode, which indicates the language in which the song is produced (see https://glottolog.org); and type, which indicates the behavioural context in which the song was produced, from a set of 10 categories (dance, healing, love, lullaby, play, procession, mourning, work, story, and praise). For assistance with the corpus, contact Martynas Snarskis (martysnarskis@gmail.com), Mila Bertolo (mila.bertolo@mail.mcgill.ca), and Samuel Mehr (mehr@hey.com). Further information about the construction of this corpus will be made available in a forthcoming paper; we will update this Zenodo archive when the paper is publicly available.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,036 |
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 ».