Bibliographic record
Abstract
Pour sa neuvième édition, du 6 au 16 octobre 2022, le festival Haizebegi, Musikaren Munduak/Les Mondes de la Musique proposait à Bayonne des concerts, projections de films, rencontres, conférences, ateliers et expositions autour du thème « Ce que peut la musique ». Cette édition accueillait notamment l’Ensemble vocal du Musée Ivan Honchar de Kiev et posait la question : Pourquoi chanter, pourquoi jouer de la musique alors que la guerre ôte « toute limite à la manifestation de la violence » (Clausewitz) ? Au programme également les musiciens de l’Afghanistan National Institute of Music (ANIM), contraints à l’exil depuis la prise du pouvoir des Talibans dans leur pays. Grâce au gouvernement portugais qui leur a offert l’asile début 2022, ils continuent d’alimenter et promouvoir la beauté de la musique afghane. Après leur première prestation publique à Bayonne, une rencontre-débat avait lieu avec Ahmad Naser Sarmast, fondateur de l’ANIM, et Madame Parwana Paikan, Ministre conseiller auprès de l’ambassade de la République islamique d’Afghanistan à Paris, ambassade dissidente qui ne reconnaît pas les autorités en place à Kaboul depuis le 15 août 2021. En invitant des chercheurs dont, cette année, Bruno Latour, Nathalie Luca, ou Cédric Villani, le festival Haizebegi s’affirme non pas comme un simple festival de musique, mais comme « un instrument de connaissance et d’analyse », affirme son directeur artistique Denis Laborde, chercheur en anthropologie de la musique. La démarche originale et pertinente de ce directeur de recherche au CNRS, Médaille d’argent du CNRS 2020, et directeur d'études à l'EHESS, donnait envie de mieux connaître le parcours de ce spécialiste de la musique comme outil d’analyse des sociétés humaines. Le chercheur de 63 ans retrace, avec la générosité qui le caractérise, les grandes étapes de son cheminement.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.011 | 0.017 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.000 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.026 | 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".