Notes de programme : une histoire, des pratiques et de nouveaux usages numériques
Bibliographic record
Abstract
Depuis leur émergence au milieu du XIXe siècle, les notes de programme, contenant des informations parfois détaillées sur les œuvres qui s’apprêtent à être jouées, n’ont eu de cesse de s’adresser au public de concerts. Les besoins sont multiples, voire même divergents : donner des outils de compréhension intelligibles aux novices, qui découvrent la musique de compositeurs du passé ou de compositeurs actuels, et en même temps susciter la curiosité d’auditeurs déjà initiés, qui approfondissent ainsi leurs connaissances et leur culture personnelle. Il en va des notes de programme comme d’autres outils de vulgarisation musicale, partagés entre la volonté de rendre la musique classique accessible à tous et le devoir de rigueur musicologique auquel les connaisseurs sont en droit de s’attendre. Dans cette thèse, nous allions la théorie à la pratique. Outre les résultats d’une enquête réalisée en octobre 2017 dans le cadre de trois concerts produits par l’Orchestre symphonique de Montréal (ci-après, OSM) et qui porte notamment sur l’appréciation des notes de programme, nous présentons une série de courtes vidéos de vulgarisation que nous avons préparée pour l’OSM, au cours de la saison 2015-2016. La réalisation de ces nouveaux outils numériques s’appuie sur l’analyse d’un vaste corpus de notes de programme dont nous avons dégagé les tendances et les cas plus particuliers. Des résultats que nous avons obtenus, il ressort que le public de l’OSM, loin d’être homogène, est formé d’auditeurs aux attentes très diverses. Pour beaucoup, les notes de programme sont jugées adaptées à la situation du concert, mais elles génèrent aussi des réactions critiques : trop détaillées pour certains, ou bien pas assez approfondies pour d’autres. Bien qu’ils aient acquis des formations et des connaissances musicales diverses, les membres du public semblent du moins s’accorder sur leur intérêt pour la musique, expliquée par l’analyste. C’est à cet intérêt, correspondant aussi aux exigences de la discipline musicologique, que les notes de programme viennent répondre. La question reste de savoir comment décrire l’objet musical afin de répondre aux besoins de chacun. Dans cette thèse, nous cherchons à proposer une solution.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.004 |
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".