Étudier et enseigner les musiques actuelles : les frontières floues d’une expertise en devenir
Bibliographic record
Abstract
Suite à un rappel de l’expérience que j’ai acquise à titre de musicologue dans les médias écrits et à la radio, l’article questionne la façon dont l’expertise musicale est perçue puis partagée, autant dans les disciplines ayant pour principal sujet la musique que les disciplines s’y intéressant comme la sociologie et les communications. Le cas des musiques actuelles est au cœur de la réflexion dans la mesure où l’actualité musicale est éloignée de la quête scientifique du musicologue. En outre, le passé musical retient davantage son attention, ce qui s’explique par sa formation universitaire et son travail scientifique. Ce faisant, je rappelle les défis que j’ai dû surmonter lors de la mise sur pied en 2018 d’un cours intitulé Musiques actuelles et scènes pop au Département de musique de l’Université du Québec à Montréal (UQAM). À la lumière de cette expérience et celle acquise dans les médias, il appert que l’expertise en matière de musiques actuelles est davantage le fruit d’une construction et d’un partage au présent entre différentes disciplines et différents groupes d’individus (membres de l’industrie musicale, journalistes, étudiants, fans, etc.) que l’unique chasse gardée des sciences consacrées à la musique, en l’occurrence la musicologie. La réflexion approfondit plusieurs enjeux dans cette perspective et en arrive à la conclusion que le binôme entre experts et non-experts perd de sa consistance dans la connaissance des musiques actuelles.
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 | 0.008 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.015 | 0.022 |
| Scholarly communication | 0.013 | 0.009 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.006 |
| 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".