Accuracies in Algorithmic Predictors of Musical Emotion
Notice bibliographique
Résumé
Music information retrieval (MIR) is a growing area of study that aims to algorithmically analyse musical features from audio recordings. Curiously, despite increasing use of MIR algorithms, few studies have examined their accuracy. Here, we evaluate the accuracy of two functions within MIRToolbox—a software library widely used in the field of music cognition for automated musical analyses. We focus on two key musical features—modality (specific note groupings that contribute to the emotional aspect of music) and attack rate (a global measure of timing information). To compare algorithmic estimates of modality and timing against known information about these features, we used “ground truth” data from a widely, historically important set of pieces. Specifically, we analysed (a) modality and (b) attack rate in four complete performances of Frederic Chopin’s Préludes (Chopin, 1839). Timing analyses revealed accurate predictions for slow pieces, but reduced accuracy for fast pieces. Mode analyses were generally accurate, but consistency varied between performers (79% to 88%). For each performer, the algorithm incorrectly predicted mode in at least three, and at most five, excerpts out of 24. This preliminary exploration of popular MIR algorithms offers valuable insights that shed light on the limitations of widely-used tools. Addressing these limitations will lay the foundation for future research endeavours that aim to delve deeper into the application of these algorithms across a wide range of musical works and genres.
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 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 | 0,000 |
| 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».