L’analyse spectrale au fondement d’une rhétorique des styles interprétatifs dans la chanson française
Bibliographic record
Abstract
L’analyse spectrale du son enregistré permet l’étude précise de multiples paramètres vocaux interprétatifs, des effets de voix les plus infimes aux phénomènes combinatoires complexes que sont le timbre, le rythme ou le phrasé : ces données acoustiques dévoilent le détail de ce qui fait la globalité du son perçu. Mais les multiples données obtenues ne doivent pas rester des éléments disparates, hétérogènes et simplement juxtaposables. Elles nécessitent pour être lisibles une organisation en méta-perspectives sémiologiques et une intégration dans de véritables stratégies interprétatives qui les transcendent. Comment les organiser dans la perspective pluridisciplinaire indispensable à leur étude ? Comment passer de l’inventaire, du catalogue hétéroclite, de la parataxe à une cohérence et une structuration qui ne soient ni simplificatrices ni schématisantes et respectent la pluralité et la complexité de cet objet d’étude ? L’optique de la rhétorique vocale et de ses avatars récents en linguistique (la pragmatique, la linguistique interactionnelle, etc.) représente une piste fructueuse. C’est ce passage de l’étude des paramètres interprétatifs à partir de l’analyse spectrale à leur intégration dans une sémiologie surplombante que nous nous proposons d’aborder par le biais de l’approche rhétorique pour proposer une typologie des styles interprétatifs dans la chanson française.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.010 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".