Les nouveaux enjeux de la granulation sonore : l’esthétique populaire de l’Intelligent Dance Music (IDM)
Bibliographic record
Abstract
L’Intelligent Dance Music, abrégé IDM, est un courant né dans les années 1990 en Angleterre. Sa particularité a été de proposer une musique aux spécificités structurelles populaires (rythmes majoritairement binaires, nombreuses répétitions, formes classiques, etc.) mêlée à une certaine complexité du contenu rythmique et timbral. Reprenant les techniques de micromanipulations sonores explorées dans les milieux académiques des années 1970 et 1980, les artistes d’IDM les ont développées par la création d’outils dédiés qu’ils ont ensuite diffusés à un large public appartenant à une nouvelle génération d’auditeurs « actifs ». Ce partage, favorisé par le contexte particulier de développement des technologies numériques qui débuta dans les années 1990, a donné lieu à une utilisation massive des micromanipulations dans les musiques populaires. L’esthétique issue des micromanipulations se manifeste à l’audition par l’effet de granulation du son qui provient de l’utilisation de diverses techniques de construction et décomposition tels que la granulation sonore, la synthèse granulaire, le découpage, répétition et mélange automatisés, ainsi que l’étirement ou encore le « gel » du son. Le présent article résume l’évolution de l’usage des micromanipulations sonores en tenant compte du contexte qui a favorisé son développement et présente l’IDM comme le courant qui a assuré le transfert d’un concept de création vers une esthétique populaire.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".