Bibliographic record
Abstract
La musique est-elle un objet géographique ? Le son et sa diffusion, l’ouïe, les bruits de la ville, les territoires musicaux et leurs inscriptions dans l’histoire, les équipements culturels, la mondialisation des musiques urbaines, les musiques noires dans une perspective postcoloniale : toutes ces questions ont été abordées dans les textes rassemblés en France ces dernières années. Ils participent à un premier inventaire montrant les possibilités d’une lecture et d’une interprétation géographiques des espaces sonores et musicaux, ainsi que des sociétés qui leur donnent sens.Les géographes cherchent aujourd’hui à comprendre comment se recomposent et s’articulent les territoires musicaux, en lien avec de nouveaux récits tels que la crise climatique, l’accélération ressentie des migrations, le dérèglement de l’économie mondiale ou la prise en compte d’un monde non humain (animal et végétal). La géomusique interroge les effets de l’industrialisation de la production musicale sur notre environnement. Le retour (revivalisme) des musiques autochtones – les joueurs et danseurs de pow-wow au Canada, les chanteurs Sámi de Laponie, les cantadores brésilien ou les musiciens grecs de Karpathos – n’ignore pas ces transitions et fait ressurgir les récits anciens sous des formes actualisées, notamment grâce aux nouveaux réseaux sociaux et leurs supports numériques.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.017 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".