Bibliographic record
Abstract
Où est la musique du film ? Cette question devrait permettre de cartographier le territoire de notre expérience cinématographique de la musique. Nous partirons d’une séquence tirée du film Mauvais sang, de Leos Carax (1986). Cette séquence fait de la musique l’objet même du dialogue, elle se sert de la diffusion radiophonique de deux chansons pour configurer l’espace filmique, et elle laisse leur rythme entraîner le corps des personnages. Ce faisant, cette séquence se soumet tout entier à une phénoménologie et à une logique expressive de la musique : transparences et reflets, couleurs et formes, chorégraphie de la figure humaine et rythme du montage, etc., tout cela est articulé ou animé par la mobilisation musicale. Par conséquent, la mise en scène dégage un espace pour le spectateur, le théoricien du cinéma et le musicologue ; cet espace en est un de rencontres entre tous les matériaux d’un film. C’est un espace à partir duquel faire l’expérience d’une oeuvre musicale, du musical et de la musicalité au cinéma. C’est cet espace qu’il faut aussi chercher à rejoindre si l’on veut répondre à la question : Où est la musique du film ?
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.019 |
| Scholarly communication | 0.013 | 0.014 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".