Du charivari au big data. Les musiques populaires au prisme des sound studies
Bibliographic record
Abstract
Jonathan Sterne est professeur à l’université McGill à Montréal où il dirige la chaire « Technologie et culture ». Il est connu pour ses travaux sur l’histoire industrielle et les représentations culturelles du son, notamment un Sound Studies Reader et les ouvrages Une Histoire de la modernité sonore et MP3, the Meaning of a Format. Critique des théories réductrices du déterminisme technique et de l’innovation, son travail insiste sur la part des imaginaires scientifiques et des conditions sociales associées aux « techniques perceptives », à l’enregistrement et aux formats de compression sonores. Plus largement, il est le promoteur d’une pratique interdisciplinaire et d’une épistémologie qui tient compte des apports de chercheurs comme Michel Foucault, Stuart Hall ou Bruno Latour. Au sein des sound studies, il se soucie plus volontiers de mettre au jour les idéologies qui construisent le son et les savoirs de l’audition comme un domaine séparé, que d’instituer et de défendre l’autonomie d’un champ. Si les sound studies se sont construites par pas de côté vis-à-vis des recherches sur la musique, en étudiant les théories scientifiques et l’histoire des techniques du son, cet entretien reconnecte les apports des travaux de Sterne, et d’autres chercheurs proches, à l’étude des musiques populaires. Il fait apparaître les conditions d’une reprise féconde de leurs concepts et de leurs méthodes, sans nier les lignes de partage. Jonathan Sterne y présente une sensibilité à la musique qui puisse accueillir une politique du sonore.
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 | 0.033 | 0.094 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.014 |
| Science and technology studies | 0.005 | 0.011 |
| Scholarly communication | 0.015 | 0.026 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.003 | 0.008 |
| Insufficient payload (model declined to judge) | 0.019 | 0.005 |
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".