Leveraging small datasets for ethical and responsible AI music making
Notice bibliographique
Résumé
The impact of Artificial Intelligence is felt on every stage of contemporary musicking and is shaping our interaction with sound. Deep learning Generative AI (GenAI) systems for high-quality music generation rely on extremely large musical datasets for training. As a result, AI models tend to be trained on dominant mainstream musical genres, such as Western classical music, where large datasets are more readily available. In addition, the reliance on extremely powerful computing resources for deep learning creates barriers to use and negatively impacts our environment. This paper reports on contemporary concerns and interests of musicians, researchers, and music industry stakeholders in the responsible use of GenAI models for music and audio. Through analysis of focus group discussions and exemplar case studies of the use of GenAI in music making at a hybrid workshop of 148 participants, we offer insights into current discourses about the use of GenAI beyond dominant musical styles and suggest ways forward to increase creative agency in music making beyond the mainstream. Our findings highlight the value of small datasets of music for GenAI, the suitability of AI models for working with small datasets of music, and pose questions around what constitutes a ‘small’ dataset of 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 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 | 0,127 | 0,245 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,019 |
| Communication savante | 0,018 | 0,027 |
| Science ouverte | 0,005 | 0,023 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».