Les relations entre technologie et créativité dans l’analyse des musiques électroacoustiques : une étude comparative de Riverrun de Barry Truax et Imago de Trevor Wishart
Bibliographic record
Abstract
Le projet TaCEM ( Technology and Creativity in Electroacoustic Music ), conduit par les trois auteurs de cet article et financé par l’AHRC ( Arts and Humanities Research Council ) du Royaume-Uni pour une période de 30 mois (2012-2015), explore les relations entre pratiques compositionnelles contemporaines et nouvelles ressources technologiques à partir de huit études de cas du répertoire électroacoustique. Les auteurs présentent une étude comparative de deux de ces cas : Riverrun (1986/2004) de Barry Truax et Imago (2002) de Trevor Wishart. Si les deux compositeurs sont profondément impliqués dans le développement d’outils numériques de création musicale, leurs esthétiques, méthodes compositionnelles et productions artistiques contrastent fortement. Riverrun a été composée avec un logiciel de synthèse granulaire fonctionnant en temps réel, permettant la génération d’amples textures et processus ; Imago est l’assemblage de plus d’un millier de fichiers sons, créés avec un logiciel temps différé incluant de nombreux traitements différents pour le son enregistré. Les deux œuvres ont un point commun : l’emploi d’un très bref fragment de son comme source primaire de la composition. Mais les objectifs compositionnels de Truax et de Wishart ont conduit à deux œuvres développant ces sources selon les cheminements créatifs et technologiques très différenciés détaillés à travers cet article.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 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 | 0.000 |
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".